اپلیکیشن اندرویدی فلش‌کارت آموزشی طبقه‌بندی در یادگیری ماشین: مبانی و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طبقه‌بندی در یادگیری ماشین: مبانی و کاربردها

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. مقدمه‌ای بر طبقه‌بندی
• 3. اهمیت طبقه‌بندی در علوم کامپیوتر
• 4. انواع مسائل طبقه‌بندی
• 5. داده‌های آموزشی و آزمایشی
• 6. پیش‌پردازش داده‌ها
• 7. پاکسازی داده‌ها
• 8. مقیاس‌بندی ویژگی‌ها
• 9. رمزگذاری ویژگی‌های طبقه‌ای
• 10. مدل‌های پایه طبقه‌بندی
• 11. رگرسیون لجستیک
• 12. مبانی رگرسیون لجستیک
• 13. تابع سیگموئید
• 14. تفسیر ضرایب رگرسیون لجستیک
• 15. معیارهای ارزیابی طبقه‌بندی
• 16. دقت (Accuracy)
• 17. صحت (Precision)
• 18. بازیابی (Recall)
• 19. امتیاز F1
• 20. ماتریس درهم‌ریختگی (Confusion Matrix)
• 21. منحنی ROC و AUC
• 22. روش‌های اعتبارسنجی متقابل (Cross-Validation)
• 23. K-Fold Cross-Validation
• 24. Leave-One-Out Cross-Validation
• 25. درخت‌های تصمیم
• 26. ساختار درخت تصمیم
• 27. قوانین طبقه‌بندی
• 28. معیارهای تقسیم‌بندی
• 29. آنتروپی و شاخص جینی
• 30. تقلیم درختان تصمیم
• 31. مزایا و معایب درختان تصمیم
• 32. ماشین‌های بردار پشتیبان (SVM)
• 33. مفهوم ابرصفحه جداکننده
• 34. مرز تصمیم خطی
• 35. مرز تصمیم غیرخطی
• 36. هسته‌ها (Kernels) در SVM
• 37. توابع هسته رایج
• 38. تنظیم پارامترهای SVM
• 39. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 40. مبانی شبکه‌های عصبی
• 41. نورون مصنوعی
• 42. تابع فعال‌سازی
• 43. انتشار رو به جلو (Forward Propagation)
• 44. انتشار رو به عقب (Backpropagation)
• 45. آموزش شبکه‌های عصبی
• 46. کاهش گرادیان (Gradient Descent)
• 47. کلاسیک‌کننده‌های بیز
• 48. قضیه بیز
• 49. احتمال پسین (Posterior Probability)
• 50. احتمال پیشین (Prior Probability)
• 51. طبقه‌بندی کننده بیز ساده (Naive Bayes)
• 52. کاربرد Naive Bayes در متن
• 53. طبقه‌بندی کننده بیز گوسی
• 54. روش‌های کاهش ابعاد
• 55. تحلیل مولفه‌های اصلی (PCA)
• 56. توزیع احتمالی داده‌ها
• 57. کاربرد PCA در طبقه‌بندی
• 58. نزدیک‌ترین همسایگان (k-NN)
• 59. مفهوم فاصله
• 60. انتخاب مقدار k
• 61. مزایا و معایب k-NN
• 62. تکنیک‌های جمع‌آوری (Ensemble Techniques)
• 63. تقویت (Boosting)
• 64. کاهش (Bagging)
• 65. جنگل‌های تصادفی (Random Forests)
• 66. مبانی Bagging
• 67. مبانی Boosting
• 68. ترکیب مدل‌ها
• 69. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 70. شبکه‌های عصبی کانولوشنال (CNN)
• 71. مبانی CNN
• 72. لایه کانولوشن
• 73. لایه تجمیع (Pooling Layer)
• 74. کاربرد CNN در پردازش تصویر
• 75. شبکه‌های عصبی بازگشتی (RNN)
• 76. مبانی RNN
• 77. حافظه در RNN
• 78. کاربرد RNN در پردازش زبان طبیعی
• 79. کاربردهای پیشرفته طبقه‌بندی
• 80. تشخیص اسپم
• 81. تشخیص تصویر
• 82. تحلیل احساسات
• 83. سیستم‌های توصیه‌گر
• 84. طبقه‌بندی چندبرچسبی (Multi-label Classification)
• 85. طبقه‌بندی نامتعادل (Imbalanced Classification)
• 86. روش‌های مقابله با عدم توازن داده‌ها
• 87. تولید داده‌های مصنوعی (SMOTE)
• 88. طبقه‌بندی با داده‌های حجیم
• 89. معماری‌های مدل‌های بزرگ
• 90. یادگیری انتقالی (Transfer Learning)
• 91. تنظیم دقیق مدل‌ها (Fine-tuning)
• 92. اخلاق در یادگیری ماشین
• 93. سوگیری در مدل‌ها
• 94. شفافیت مدل‌ها
• 95. حریم خصوصی داده‌ها
• 96. ارزیابی عادلانه مدل‌ها
• 97. ملاحظات پیاده‌سازی
• 98. ابزارها و کتابخانه‌ها
• 99. TensorFlow و Keras
• 100. PyTorch