اپلیکیشن اندرویدی فلش‌کارت آموزشی کاربرد ماشین‌های بردار پشتیبان (SVM) در تحلیل داده با R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد ماشین‌های بردار پشتیبان (SVM) در تحلیل داده با R

موضوع کلی: علوم کامپیوتر و داده‌کاوی

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی ماشین‌های بردار پشتیبان
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. مقدمه‌ای بر طبقه‌بندی
• 7. مقدمه‌ای بر رگرسیون
• 8. داده‌های آموزشی و آزمایشی
• 9. پیش‌پردازش داده‌ها
• 10. مقیاس‌بندی داده‌ها
• 11. نرمال‌سازی داده‌ها
• 12. بررسی داده‌های گم‌شده
• 13. مهندسی ویژگی
• 14. انتخاب ویژگی
• 15. کاهش ابعاد
• 16. تحلیل مؤلفه‌های اصلی (PCA)
• 17. تجزیه مقادیر منفرد (SVD)
• 18. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 19. مفهوم ابرصفحه جداکننده
• 20. حاشیه در SVM
• 21. هسته‌های SVM
• 22. هسته خطی
• 23. هسته چندجمله‌ای
• 24. هسته تابع پایه شعاعی (RBF)
• 25. هسته سیگموئید
• 26. انتخاب هسته مناسب
• 27. پیاده‌سازی SVM در R
• 28. کتابخانه e1071
• 29. تابع `svm()`
• 30. تنظیم پارامترهای SVM
• 31. تنظیم پارامتر C (جریمه)
• 32. تنظیم پارامتر گاما
• 33. اعتبارسنجی متقابل
• 34. جستجوی شبکه‌ای (Grid Search)
• 35. بهینه‌سازی فراپارامترها
• 36. کاربرد SVM در طبقه‌بندی
• 37. طبقه‌بندی با هسته خطی
• 38. طبقه‌بندی با هسته RBF
• 39. طبقه‌بندی دودویی
• 40. طبقه‌بندی چندکلاسه
• 41. استراتژی One-vs-Rest (OvR)
• 42. استراتژی One-vs-One (OvO)
• 43. ارزیابی مدل‌های طبقه‌بندی
• 44. دقت (Accuracy)
• 45. صحت (Precision)
• 46. بازیابی (Recall)
• 47. امتیاز F1
• 48. ماتریس درهم‌ریختگی (Confusion Matrix)
• 49. منحنی ROC و AUC
• 50. کاربرد SVM در رگرسیون
• 51. رگرسیون بردار پشتیبان (SVR)
• 52. تنظیم پارامترهای SVR
• 53. هسته‌های SVR
• 54. ارزیابی مدل‌های رگرسیون
• 55. خطای میانگین مربعات (MSE)
• 56. ریشه خطای میانگین مربعات (RMSE)
• 57. خطای میانگین قدر مطلق (MAE)
• 58. ضریب تعیین (R-squared)
• 59. SVM برای داده‌های غیرخطی
• 60. تشخیص اسپم با SVM
• 61. طبقه‌بندی تصاویر با SVM
• 62. تحلیل احساسات با SVM
• 63. پیش‌بینی قیمت با SVR
• 64. تشخیص تقلب با SVM
• 65. کاربرد SVM در تشخیص ناهنجاری
• 66. تشخیص ناهنجاری در داده‌های سری زمانی
• 67. SVM برای یادگیری نیمه‌نظارت شده
• 68. ملاحظات عملی در استفاده از SVM
• 69. مقایسه SVM با الگوریتم‌های دیگر
• 70. نکات پیشرفته در SVM
• 71. تفسیرپذیری مدل‌های SVM
• 72. نکات امنیتی در تحلیل داده
• 73. حریم خصوصی داده‌ها
• 74. اخلاق در هوش مصنوعی
• 75. قوانین و مقررات داده‌ها در ایران
• 76. مدیریت داده‌های حجیم
• 77. مقدمه‌ای بر داده‌کاوی
• 78. مراحل داده‌کاوی
• 79. قوانین داده در ایران
• 80. امنیت داده‌ها در سامانه آموزشی
• 81. ملاحظات حقوقی در پردازش داده
• 82. حفاظت از داده‌های کاربران
• 83. داده‌های حساس و طبقه‌بندی آن‌ها
• 84. مقررات مربوط به داده‌های شخصی
• 85. رعایت حریم خصوصی در تحلیل داده
• 86. ارتباط با داده‌های کلان (Big Data)
• 87. کاربرد داده‌کاوی در صنایع ایران
• 88. تحلیل داده‌های مالی با رویکرد اسلامی
• 89. مبانی اقتصاد اسلامی در تحلیل داده
• 90. مدل‌های پیش‌بینی در چارچوب اقتصاد مقاومتی
• 91. کاربرد تحلیل داده در بهینه‌سازی فرآیندها
• 92. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 93. شبکه‌های عصبی پرسپترون چندلایه
• 94. پس‌انتشار خطا
• 95. مقدمه‌ای بر یادگیری عمیق
• 96. شبکه‌های عصبی کانولوشنال (CNN)
• 97. شبکه‌های عصبی بازگشتی (RNN)
• 98. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 99. پایان‌نامه و پروژه‌های کاربردی
• 100. مستندسازی فنی پروژه‌ها