دوره طراحی مدل‌های یادگیری ماشین برای شناسایی الگوهای پیچیده عرضه و تقاضا همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی مدل‌های یادگیری ماشین برای شناسایی الگوهای پیچیده عرضه و تقاضا

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: مدل‌سازی عوامل تأثیرگذار بر عرضه و تقاضا

📋 سرفصل‌های دوره

• 1. مقدمه ای بر شناسایی الگوهای پیچیده
• 2. مفاهیم اساسی عرضه و تقاضا
• 3. محدودیت های مدل های سنتی
• 4. نیاز به مدل های یادگیری ماشین
• 5. انواع الگوهای پیچیده
• 6. اهمیت داده ها در مدل سازی
• 7. جمع آوری و پیش پردازش داده ها
• 8. پاکسازی و نرمال سازی داده ها
• 9. مهندسی ویژگی برای داده های عرضه و تقاضا
• 10. انتخاب ویژگی های مرتبط
• 11. مبانی یادگیری ماشین
• 12. انواع الگوریتم های یادگیری ماشین
• 13. رگرسیون خطی برای پیش بینی تقاضا
• 14. رگرسیون لجستیک برای دسته بندی تقاضا
• 15. درختان تصمیم برای مدل سازی عرضه
• 16. جنگل های تصادفی برای پیش بینی تقاضای پیچیده
• 17. ماشین های بردار پشتیبان (SVM)
• 18. شبکه های عصبی مصنوعی
• 19. شبکه های عصبی کانولوشنال (CNN)
• 20. شبکه های عصبی بازگشتی (RNN)
• 21. حافظه بلند کوتاه مدت (LSTM)
• 22. شبکه های حافظه طولانی کوتاه مدت (GRU)
• 23. مدل های سری زمانی
• 24. ARIMA برای پیش بینی تقاضا
• 25. SARIMA برای الگوهای فصلی
• 26. Prophet برای پیش بینی تقاضای تجاری
• 27. مدل های مبتنی بر عامل
• 28. شبیه سازی عامل محور
• 29. کاربرد مدل های مبتنی بر عامل در عرضه و تقاضا
• 30. مدل های گرافیکی
• 31. شبکه های بیزی
• 32. میدان های تصادفی شرطی
• 33. مدل های ترکیب (Ensemble Methods)
• 34. بوستینگ گرادیان
• 35. XGBoost
• 36. LightGBM
• 37. مدل های ادغام (Hybrid Models)
• 38. ترکیب سری زمانی و یادگیری ماشین
• 39. ترکیب مدل های مبتنی بر عامل و یادگیری ماشین
• 40. ارزیابی مدل های یادگیری ماشین
• 41. معیارهای ارزیابی رگرسیون
• 42. میانگین خطای مطلق (MAE)
• 43. میانگین مربعات خطا (MSE)
• 44. ریشه میانگین مربعات خطا (RMSE)
• 45. معیارهای ارزیابی دسته بندی
• 46. دقت (Accuracy)
• 47. صحت (Precision)
• 48. بازیابی (Recall)
• 49. امتیاز F1
• 50. منحنی ROC و AUC
• 51. اعتبارسنجی متقابل (Cross-Validation)
• 52. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 53. جستجوی گرید (Grid Search)
• 54. جستجوی تصادفی (Random Search)
• 55. بهینه سازی بیزین (Bayesian Optimization)
• 56. تفسیرپذیری مدل (Model Interpretability)
• 57. اهمیت تفسیرپذیری در تصمیم گیری
• 58. روش های تفسیرپذیری
• 59. LIME
• 60. SHAP
• 61. کاربردها در مدیریت زنجیره تامین
• 62. پیش بینی تقاضای خرده فروشی
• 63. مدیریت موجودی
• 64. بهینه سازی قیمت گذاری
• 65. پیش بینی عرضه در بازارهای انرژی
• 66. شناسایی نوسانات قیمت
• 67. مدیریت ریسک در بازارهای مالی
• 68. شناسایی الگوهای تقاضای مصرف کننده
• 69. تحلیل رفتار مشتری
• 70. شخصی سازی پیشنهادات
• 71. کاربرد در بازارهای آنلاین
• 72. بهینه سازی موتورهای توصیه گر
• 73. شناسایی تقاضای پنهان
• 74. کاربرد در بخش کشاورزی
• 75. پیش بینی تولید محصول
• 76. مدیریت منابع آب
• 77. بهینه سازی توزیع محصولات
• 78. کاربرد در بخش حمل و نقل
• 79. پیش بینی ترافیک
• 80. بهینه سازی مسیرهای تحویل
• 81. مدیریت ناوگان
• 82. کاربرد در بخش سلامت
• 83. پیش بینی شیوع بیماری
• 84. مدیریت منابع بیمارستانی
• 85. بهینه سازی زنجیره تامین دارو
• 86. ملاحظات اخلاقی در مدل سازی
• 87. سوگیری داده ها
• 88. انصاف در الگوریتم ها
• 89. حریم خصوصی داده ها
• 90. مقیاس پذیری و کارایی مدل ها
• 91. پیاده سازی مدل ها در محیط عملیاتی
• 92. نظارت و به روز رسانی مدل ها
• 93. چالش های آینده در شناسایی الگوهای پیچیده
• 94. روندهای نوظهور در یادگیری ماشین
• 95. یادگیری تقویتی (Reinforcement Learning)
• 96. یادگیری فدرال (Federated Learning)
• 97. یادگیری چندوظیفه ای (Multi-task Learning)
• 98. یادگیری بدون نظارت (Unsupervised Learning)
• 99. خوشه بندی (Clustering)
• 100. کاهش ابعاد (Dimensionality Reduction)