دوره مدیریت داده‌های نویزی و گمشده با مهندسی ویژگی هوشمندانه همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت داده‌های نویزی و گمشده با مهندسی ویژگی هوشمندانه

موضوع کلی: تصمیم‌گیری بهینه در شرایط عدم قطعیت

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدیریت داده‌های نویزی و گمشده
• 2. شناخت انواع نویز در داده‌ها
• 3. شناخت انواع داده‌های گمشده
• 4. اصول مهندسی ویژگی در داده‌کاوی
• 5. اهمیت مهندسی ویژگی در مدل‌سازی
• 6. روش‌های شناسایی داده‌های پرت (Outliers)
• 7. تکنیک‌های حذف داده‌های پرت
• 8. روش‌های جایگزینی داده‌های پرت
• 9. روش‌های مبتنی بر میانگین و میانه
• 10. روش‌های مبتنی بر رگرسیون
• 11. روش‌های مبتنی بر مدل‌های یادگیری ماشین
• 12. مدیریت داده‌های گمشده: انواع و دلایل
• 13. روش‌های شناسایی داده‌های گمشده
• 14. روش‌های حذف داده‌های گمشده (Listwise Deletion)
• 15. روش‌های حذف داده‌های گمشده (Pairwise Deletion)
• 16. روش‌های جایگزینی داده‌های گمشده (Imputation)
• 17. روش‌های ساده جایگزینی (میانگین، میانه، مد)
• 18. روش‌های جایگزینی مبتنی بر رگرسیون خطی
• 19. روش‌های جایگزینی مبتنی بر K-نزدیک‌ترین همسایه (KNN)
• 20. روش‌های جایگزینی مبتنی بر مدل‌های پیشرفته‌تر
• 21. استفاده از الگوریتم‌های یادگیری ماشین برای جایگزینی
• 22. مدیریت داده‌های گمشده در سری‌های زمانی
• 23. روش‌های مهندسی ویژگی برای داده‌های نویزی
• 24. فیلترهای حذف نویز (میانگین متحرک)
• 25. فیلترهای حذف نویز (مدین)
• 26. تبدیلات برای کاهش نویز (Fourier Transform)
• 27. تبدیلات برای کاهش نویز (Wavelet Transform)
• 28. کاهش ابعاد و تأثیر آن بر نویز
• 29. تحلیل مولفه‌های اصلی (PCA) برای کاهش نویز
• 30. تحلیل تمایزگر خطی (LDA) برای کاهش نویز
• 31. روش‌های انتخاب ویژگی
• 32. روش‌های فیلتر (Filter Methods)
• 33. شاخص‌های همبستگی برای انتخاب ویژگی
• 34. اطلاعات متقابل (Mutual Information)
• 35. روش‌های وی (Wrapper Methods)
• 36. انتخاب ویژگی با استفاده از الگوریتم‌های جستجو
• 37. روش‌های ترکیبی (Embedded Methods)
• 38. تنظیم‌کننده‌ها (Regularization) در انتخاب ویژگی
• 39. انتخاب ویژگی در مدل‌های درختی (Tree-based Feature Selection)
• 40. مهندسی ویژگی برای داده‌های دسته‌بندی شده
• 41. تبدیل متغیرهای دسته‌بندی شده به عددی
• 42. روش‌های One-Hot Encoding
• 43. روش‌های Label Encoding
• 44. روش‌های Target Encoding
• 45. مهندسی ویژگی برای داده‌های عددی
• 46. نرمال‌سازی (Normalization) داده‌های عددی
• 47. استانداردسازی (Standardization) داده‌های عددی
• 48. تبدیل مقیاس (Scaling) داده‌های عددی
• 49. ایجاد ویژگی‌های ترکیبی (Feature Crossing)
• 50. ایجاد ویژگی‌های چندجمله‌ای (Polynomial Features)
• 51. ایجاد ویژگی‌های تعاملی (Interaction Features)
• 52. استفاده از تکنیک‌های کاهش ابعاد در مهندسی ویژگی
• 53. کاربرد PCA در مهندسی ویژگی
• 54. کاربرد t-SNE در مهندسی ویژگی
• 55. مهندسی ویژگی برای داده‌های متنی
• 56. تبدیل متون به بردارهای عددی (Bag-of-Words)
• 57. مدل‌های TF-IDF
• 58. مدل‌های Word Embeddings (Word2Vec, GloVe)
• 59. مهندسی ویژگی برای داده‌های تصویری
• 60. استخراج ویژگی از تصاویر (SIFT, SURF)
• 61. استفاده از شبکه‌های عصبی کانولوشنی (CNN)
• 62. ارزیابی کیفیت ویژگی‌های مهندسی شده
• 63. معیارهای ارزیابی مهندسی ویژگی
• 64. تأثیر مهندسی ویژگی بر عملکرد مدل
• 65. روش‌های خودکار مهندسی ویژگی (AutoML)
• 66. ابزارها و کتابخانه‌های مهندسی ویژگی
• 67. کتابخانه‌های پایتون (Scikit-learn, Pandas)
• 68. کاربرد مهندسی ویژگی در مسائل مختلف
• 69. مهندسی ویژگی در پیش‌بینی فروش
• 70. مهندسی ویژگی در تشخیص تقلب
• 71. مهندسی ویژگی در تحلیل احساسات
• 72. مهندسی ویژگی در سیستم‌های توصیه‌گر
• 73. مهندسی ویژگی در پردازش زبان طبیعی
• 74. مهندسی ویژگی در بینایی ماشین
• 75. مدیریت داده‌های نویزی در یادگیری عمیق
• 76. مدیریت داده‌های گمشده در یادگیری عمیق
• 77. تکنیک‌های پیشرفته در مهندسی ویژگی
• 78. یادگیری ویژگی (Feature Learning)
• 79. شبکه‌های مولد تخاصمی (GANs) برای تولید داده
• 80. مدل‌های ترنسفورمر در مهندسی ویژگی
• 81. ملاحظات اخلاقی در مهندسی ویژگی
• 82. حفظ حریم خصوصی داده‌ها
• 83. تعصب در الگوریتم‌ها و مهندسی ویژگی
• 84. مطالعه موردی: مهندسی ویژگی برای داده‌های مالی
• 85. مطالعه موردی: مهندسی ویژگی برای داده‌های سلامت
• 86. مطالعه موردی: مهندسی ویژگی برای داده‌های شبکه‌های اجتماعی
• 87. آینده مهندسی ویژگی و مدیریت داده
• 88. روندهای جدید در مهندسی ویژگی
• 89. چالش‌های پیش رو در مدیریت داده‌های پیچیده
• 90. اهمیت مستندسازی فرآیند مهندسی ویژگی
• 91. جمع‌بندی و گام‌های بعدی در مهندسی ویژگی
• 92. ارزیابی نهایی مدل پس از مهندسی ویژگی