اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی مدل‌سازی در تحلیل پیش‌بینانه: تکنیک‌های پایه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی مدل‌سازی در تحلیل پیش‌بینانه: تکنیک‌های پایه

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: تحلیل پیش‌بینانه و مدل‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و تحلیل پیش‌بینانه
• 2. مفاهیم کلیدی در تحلیل پیش‌بینانه
• 3. کاربردها و اهمیت تحلیل پیش‌بینانه در صنعت
• 4. چارچوب کلی پروژه‌های تحلیل پیش‌بینانه
• 5. جمع‌آوری و آماده‌سازی داده‌ها: گام اول
• 6. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 7. تبدیل داده‌ها و مهندسی ویژگی
• 8. شناخت و اکتشاف داده‌ها (EDA)
• 9. مصورسازی داده‌ها برای درک بهتر
• 10. مبانی آمار توصیفی در تحلیل داده
• 11. مفاهیم احتمال و توزیع‌های آماری
• 12. مقدمه‌ای بر مدل‌سازی آماری
• 13. مفهوم رگرسیون خطی ساده
• 14. اجرای رگرسیون خطی ساده در عمل
• 15. ارزیابی مدل رگرسیون خطی ساده
• 16. مقدمه‌ای بر رگرسیون خطی چندگانه
• 17. اجرای رگرسیون خطی چندگانه
• 18. ارزیابی مدل رگرسیون خطی چندگانه
• 19. مفاهیم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 20. روش‌های اعتبارسنجی مدل (Validation)
• 21. اعتبارسنجی متقابل (Cross-validation)
• 22. مقدمه‌ای بر طبقه‌بندی (Classification)
• 23. مدل رگرسیون لجستیک
• 24. اجرای مدل رگرسیون لجستیک
• 25. ارزیابی مدل رگرسیون لجستیک
• 26. متریک‌های ارزیابی مدل طبقه‌بندی (دقت، صحت، بازیابی)
• 27. منحنی ROC و AUC
• 28. مدل درخت تصمیم (Decision Tree)
• 29. اجرای مدل درخت تصمیم
• 30. ارزیابی مدل درخت تصمیم
• 31. مفهوم ادغام مدل‌ها (Ensemble Methods)
• 32. روش K-نزدیکترین همسایه (K-NN)
• 33. اجرای مدل K-NN
• 34. ارزیابی مدل K-NN
• 35. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 36. الگوریتم K-Means
• 37. اجرای الگوریتم K-Means
• 38. ارزیابی نتایج خوشه‌بندی
• 39. مفهوم کاهش ابعاد (Dimensionality Reduction)
• 40. تحلیل مولفه‌های اصلی (PCA)
• 41. اجرای PCA
• 42. مقدمه‌ای بر مدل‌سازی سری‌های زمانی
• 43. اجزای سری‌های زمانی (روند، فصلی، تصادفی)
• 44. مدل‌های ساده پیش‌بینی سری‌های زمانی
• 45. میانگین متحرک (Moving Average)
• 46. اجرای میانگین متحرک
• 47. هموارسازی نمایی (Exponential Smoothing)
• 48. اجرای هموارسازی نمایی
• 49. مقدمه‌ای بر مدل‌سازی پیش‌بینانه در کسب‌وکار
• 50. تحلیل سبد خرید (Market Basket Analysis)
• 51. قواعد وابستگی (Association Rules)
• 52. الگوریتم Apriori
• 53. اجرای قواعد وابستگی
• 54. مقدمه‌ای بر تحلیل بقا (Survival Analysis)
• 55. مفهوم تابع بقا و خطر (Hazard Function)
• 56. مدل کاکس (Cox Proportional Hazards Model)
• 57. اجرای مدل کاکس
• 58. مقدمه‌ای بر پردازش زبان طبیعی (NLP) در تحلیل پیش‌بینانه
• 59. کاربرد NLP در تحلیل احساسات (Sentiment Analysis)
• 60. آماده‌سازی متن برای تحلیل
• 61. مدل‌های مبتنی بر Bag-of-Words
• 62. اجرای تحلیل احساسات
• 63. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANN)
• 64. ساختار پایه شبکه عصبی
• 65. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 66. کاربرد شبکه‌های عصبی در طبقه‌بندی
• 67. مقدمه‌ای بر مدل‌های آماری برای پیش‌بینی ریسک
• 68. مفهوم احتمال وقوع رویداد
• 69. مدل‌سازی ریسک اعتباری
• 70. اجرای مدل ریسک اعتباری
• 71. مقدمه‌ای بر تحلیل پیش‌بینانه در بازاریابی
• 72. پیش‌بینی ریزش مشتری (Customer Churn Prediction)
• 73. بخش‌بندی مشتریان (Customer Segmentation)
• 74. اجرای مدل پیش‌بینی ریزش مشتری
• 75. مقدمه‌ای بر تحلیل پیش‌بینانه در حوزه سلامت
• 76. پیش‌بینی بیماری‌ها
• 77. تشخیص زودهنگام
• 78. اجرای مدل پیش‌بینی بیماری
• 79. مقدمه‌ای بر تحلیل پیش‌بینانه در حوزه مالی
• 80. پیش‌بینی قیمت سهام
• 81. مدیریت پرتفوی
• 82. اجرای مدل پیش‌بینی قیمت سهام
• 83. مباحث اخلاقی در تحلیل پیش‌بینانه
• 84. حفظ حریم خصوصی داده‌ها
• 85. سوگیری در مدل‌ها و راه‌های مقابله
• 86. مسئولیت‌پذیری در استفاده از مدل‌های پیش‌بینانه
• 87. ارزیابی و انتخاب بهترین مدل
• 88. بهینه‌سازی پارامترهای مدل
• 89. استقرار مدل در محیط عملیاتی
• 90. نظارت و نگهداری مداوم مدل
• 91. مقدمه‌ای بر ابزارها و زبان‌های برنامه‌نویسی در علم داده (Python, R)
• 92. کتابخانه‌های کلیدی برای تحلیل پیش‌بینانه (Scikit-learn, Pandas, NumPy)
• 93. تمرین عملی: ساخت یک مدل پیش‌بینانه کامل
• 94. جمع‌بندی و گام‌های بعدی در تحلیل پیش‌بینانه