دوره داده‌های اعتبارسنجی و تست: ابزارهای حیاتی برای سنجش اعتبار و اطمینان‌پذیری مدل‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره داده‌های اعتبارسنجی و تست: ابزارهای حیاتی برای سنجش اعتبار و اطمینان‌پذیری مدل‌ها

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: مجموعه داده های آموزشی، اعتبارسنجی و تست

📋 سرفصل‌های دوره

• 1. بخش اول: مبانی داده‌های اعتبارسنجی و تست
• 2. مقدمه بر سنجش اعتبار مدل
• 3. اهمیت داده‌های اعتبارسنجی
• 4. اهمیت داده‌های تست
• 5. تفاوت داده‌های آموزشی، اعتبارسنجی و تست
• 6. انواع داده‌های اعتبارسنجی (Cross-validation)
• 7. K-Fold Cross-validation
• 8. Leave-One-Out Cross-validation (LOOCV)
• 9. Stratified K-Fold
• 10. Time Series Cross-validation
• 11. Hold-out Validation
• 12. مقدمه بر توزیع داده‌ها
• 13. توزیع نرمال
• 14. توزیع یکنواخت
• 15. توزیع پواسون
• 16. توزیع نمایی
• 17. اهمیت نمونه‌گیری تصادفی
• 18. انواع سوگیری در داده‌ها (Bias)
• 19. سوگیری انتخاب (Selection Bias)
• 20. سوگیری اندازه‌گیری (Measurement Bias)
• 21. سوگیری بقا (Survivorship Bias)
• 22. سوگیری تأیید (Confirmation Bias)
• 23. شناسایی و مدیریت سوگیری
• 24. اهمیت پاکسازی داده‌ها (Data Cleaning)
• 25. شناسایی داده‌های پرت (Outliers)
• 26. روش‌های شناسایی داده‌های پرت
• 27. روش IQR
• 28. روش Z-score
• 29. روش‌های مدیریت داده‌های پرت
• 30. حذف داده‌های پرت
• 31. تبدیل داده‌های پرت
• 32. مقدمه بر مهندسی ویژگی (Feature Engineering)
• 33. اهمیت مهندسی ویژگی
• 34. انواع تبدیل ویژگی
• 35. مقیاس‌بندی ویژگی (Feature Scaling)
• 36. نرمال‌سازی (Normalization)
• 37. استانداردسازی (Standardization)
• 38. کدگذاری متغیرهای دسته‌ای (Categorical Encoding)
• 39. One-Hot Encoding
• 40. Label Encoding
• 41. Oridnal Encoding
• 42. مهندسی ویژگی برای داده‌های زمانی
• 43. بخش دوم: روش‌های اعتبارسنجی و تست مدل
• 44. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 45. مقدمه بر معیارهای طبقه‌بندی
• 46. ماتریس درهم‌ریختگی (Confusion Matrix)
• 47. دقت (Accuracy)
• 48. حساسیت (Sensitivity / Recall)
• 49. ویژگی (Specificity)
• 50. دقت مثبت (Precision)
• 51. امتیاز F1 (F1-score)
• 52. منحنی ROC و AUC
• 53. مقدمه بر معیارهای رگرسیون
• 54. خطای مطلق میانگین (Mean Absolute Error - MAE)
• 55. خطای مجذور میانگین (Mean Squared Error - MSE)
• 56. ریشه خطای مجذور میانگین (Root Mean Squared Error - RMSE)
• 57. ضریب تعیین (R-squared)
• 58. خطای میانگین مطلق درصد (Mean Absolute Percentage Error - MAPE)
• 59. ارزیابی مدل‌های خوشه‌بندی
• 60. شاخص سیلوئت (Silhouette Score)
• 61. شاخص داویس-بولدین (Davies-Bouldin Index)
• 62. ارزیابی مدل‌های کاهش ابعاد
• 63. واریانس تجمعی توضیح داده شده (Cumulative Explained Variance)
• 64. معیارهای اعتبارسنجی برای مدل‌های غیرقابل تفسیر
• 65. معیارهای مبتنی بر اطمینان (Confidence-based Metrics)
• 66. روش‌های اعتبارسنجی متقاطع قوی
• 67. بوت‌استرپینگ (Bootstrapping)
• 68. اعتبارسنجی متقاطع تصادفی (Random Cross-validation)
• 69. تست مدل بر روی داده‌های ناهمگن
• 70. اعتبارسنجی مدل در مقابل زمان (Temporal Validation)
• 71. اعتبارسنجی مدل در مقابل کاربران (User-based Validation)
• 72. بخش سوم: کاربردها و ملاحظات پیشرفته
• 73. اعتبارسنجی مدل در مسائل یادگیری عمیق
• 74. چالش‌های اعتبارسنجی داده‌های نامتعادل
• 75. روش‌های برخورد با داده‌های نامتعادل
• 76. نمونه‌برداری بیش از حد (Oversampling)
• 77. نمونه‌برداری کم (Undersampling)
• 78. تولید داده مصنوعی (SMOTE)
• 79. اعتبارسنجی مدل‌های پیش‌بین در بازارهای مالی
• 80. اعتبارسنجی مدل‌های تشخیص ناهنجاری
• 81. اعتبارسنجی مدل‌های پردازش زبان طبیعی (NLP)
• 82. اعتبارسنجی مدل‌های بینایی ماشین
• 83. اعتبارسنجی مدل‌ها در محیط‌های تولیدی (Production)
• 84. نظارت بر عملکرد مدل در زمان اجرا (Monitoring)
• 85. تست A/B برای ارزیابی مدل‌ها
• 86. تست تتحیر (Adversarial Testing)
• 87. تست قابلیت اطمینان مدل (Robustness Testing)
• 88. اعتبارسنجی مدل با در نظر گرفتن تفسیرپذیری (Interpretability)
• 89. نقش داده‌های اعتبارسنجی در جلوگیری از بیش‌برازش (Overfitting)
• 90. نقش داده‌های اعتبارسنجی در جلوگیری از کم‌برازش (Underfitting)
• 91. انتخاب مجموعه داده مناسب برای تست
• 92. اهمیت مستندسازی فرآیند اعتبارسنجی
• 93. نگهداری داده‌های تست برای ارزیابی‌های آتی
• 94. ارزیابی هزینه-فایده مدل‌ها
• 95. تأثیر نویز در داده‌های اعتبارسنجی
• 96. اعتبارسنجی مدل با استفاده از یادگیری انتقالی (Transfer Learning)
• 97. ملاحظات اخلاقی در جمع‌آوری و استفاده از داده‌های اعتبارسنجی
• 98. ایجاد داده‌های مصنوعی برای تست
• 99. استانداردهای صنعتی برای اعتبارسنجی مدل