دوره طراحی و پیاده‌سازی روش‌های ترکیبی قدرتمند همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب طراحی و پیاده‌سازی روش‌های ترکیبی قدرتمند

موضوع کلی: یادگیری ماشین پیشرفته

موضوع میانی: روش‌های ترکیبی (Ensemble Methods)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری ترکیبی
• 2. انواع روش‌های ترکیبی
• 3. اصول اساسی یادگیری ترکیبی
• 4. مزایای روش‌های ترکیبی
• 5. معایب روش‌های ترکیبی
• 6. کاربرد روش‌های ترکیبی
• 7. معرفی مدل‌های پایه‌ای (Base Learners)
• 8. مدل‌های درختی (Decision Trees)
• 9. رگرسیون خطی (Linear Regression)
• 10. ماشین‌های بردار پشتیبان (Support Vector Machines)
• 11. شبکه‌های عصبی (Neural Networks)
• 12. بایاس ساده (Naive Bayes)
• 13. K-نزدیکترین همسایه (K-Nearest Neighbors)
• 14. روش‌های Bagging
• 15. ایده اصلی Bagging
• 16. Bagging با درخت تصمیم (Bagged Trees)
• 17. تصادفی جنگل (Random Forests)
• 18. مزایای تصادفی جنگل
• 19. معایب تصادفی جنگل
• 20. پارامترهای کلیدی در تصادفی جنگل
• 21. کاربرد تصادفی جنگل
• 22. روش‌های Boosting
• 23. ایده اصلی Boosting
• 24. AdaBoost
• 25. نحوه عملکرد AdaBoost
• 26. وزن‌دهی به نمونه‌ها در AdaBoost
• 27. وزن‌دهی به طبقه‌بندها در AdaBoost
• 28. مقایسه AdaBoost با Bagging
• 29. Gradient Boosting
• 30. نحوه عملکرد Gradient Boosting
• 31. تابع زیان (Loss Function) در Gradient Boosting
• 32. گرادیان منفی (Negative Gradient)
• 33. روش‌های Boosting با درخت تصمیم (Gradient Boosted Trees)
• 34. XGBoost
• 35. مزایای XGBoost
• 36. ویژگی‌های کلیدی XGBoost
• 37. پارامترهای کلیدی در XGBoost
• 38. کاربرد XGBoost
• 39. LightGBM
• 40. مزایای LightGBM
• 41. تفاوت LightGBM با XGBoost
• 42. CatBoost
• 43. مزایای CatBoost
• 44. تفاوت CatBoost با XGBoost و LightGBM
• 45. Stacking (Stacked Generalization)
• 46. ایده اصلی Stacking
• 47. مدل‌های سطح اول (Level 0 Models)
• 48. مدل سطح دوم (Level 1 Model)
• 49. نحوه آموزش Stacking
• 50. اعتبارسنجی متقابل (Cross-Validation) در Stacking
• 51. مزایای Stacking
• 52. معایب Stacking
• 53. کاربرد Stacking
• 54. روش‌های ترکیبی مبتنی بر رای‌گیری (Voting Ensembles)
• 55. رای‌گیری سخت (Hard Voting)
• 56. رای‌گیری نرم (Soft Voting)
• 57. مزایای رای‌گیری
• 58. معایب رای‌گیری
• 59. کاربرد رای‌گیری
• 60. روش‌های ترکیبی مبتنی بر میانگین‌گیری (Averaging Ensembles)
• 61. میانگین‌گیری ساده (Simple Averaging)
• 62. میانگین‌گیری وزنی (Weighted Averaging)
• 63. مزایای میانگین‌گیری
• 64. معایب میانگین‌گیری
• 65. کاربرد میانگین‌گیری
• 66. روش‌های ترکیبی برای مسائل رگرسیون
• 67. روش‌های ترکیبی برای مسائل طبقه‌بندی
• 68. اهمیت انتخاب مدل‌های پایه‌ای مناسب
• 69. اهمیت تنوع در مدل‌های ترکیبی
• 70. تکنیک‌های کاهش ابعاد و روش‌های ترکیبی
• 71. انتخاب ویژگی (Feature Selection) با روش‌های ترکیبی
• 72. انتخاب مدل (Model Selection) با روش‌های ترکیبی
• 73. تنظیم ابرپارامترها (Hyperparameter Tuning) در روش‌های ترکیبی
• 74. اعتبارسنجی و ارزیابی روش‌های ترکیبی
• 75. معیارهای ارزیابی برای طبقه‌بندی
• 76. معیارهای ارزیابی برای رگرسیون
• 77. مدیریت بیش‌برازش (Overfitting) در روش‌های ترکیبی
• 78. مدیریت کم‌برازش (Underfitting) در روش‌های ترکیبی
• 79. روش‌های ترکیبی در یادگیری عمیق (Deep Learning Ensembles)
• 80. ترکیب شبکه‌های عصبی عمیق
• 81. کاربرد روش‌های ترکیبی در پردازش زبان طبیعی
• 82. کاربرد روش‌های ترکیبی در بینایی ماشین
• 83. کاربرد روش‌های ترکیبی در سیستم‌های توصیه‌گر
• 84. کاربرد روش‌های ترکیبی در تشخیص ناهنجاری
• 85. کاربرد روش‌های ترکیبی در تحلیل سری‌های زمانی
• 86. روش‌های ترکیبی و یادگیری تقویتی (Reinforcement Learning)
• 87. پیاده‌سازی روش‌های ترکیبی با کتابخانه‌های پایتون
• 88. پیاده‌سازی Bagging با Scikit-learn
• 89. پیاده‌سازی Random Forest با Scikit-learn
• 90. پیاده‌سازی AdaBoost با Scikit-learn
• 91. پیاده‌سازی Gradient Boosting با Scikit-learn
• 92. پیاده‌سازی XGBoost با Scikit-learn
• 93. پیاده‌سازی LightGBM با Scikit-learn
• 94. پیاده‌سازی CatBoost با Scikit-learn
• 95. پیاده‌سازی Stacking با Scikit-learn
• 96. نکات پیشرفته در طراحی روش‌های ترکیبی
• 97. خوشه‌بندی و روش‌های ترکیبی
• 98. روش‌های ترکیبی در داده‌های نامتعادل
• 99. آینده روش‌های ترکیبی
• 100. چالش‌های موجود در روش‌های ترکیبی