دوره فرایند حرفه‌ای آماده‌سازی داده‌ها: گام به گام برای پروژه‌های یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره فرایند حرفه‌ای آماده‌سازی داده‌ها: گام به گام برای پروژه‌های یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: مجموعه داده های آموزشی، اعتبارسنجی و تست

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آماده‌سازی داده‌ها در پروژه‌های یادگیری ماشین
• 2. اهمیت آماده‌سازی داده‌ها برای موفقیت پروژه‌ها
• 3. انواع داده‌ها و ساختارهای داده‌ای رایج
• 4. مراحل کلی فرایند آماده‌سازی داده‌ها
• 5. شناخت داده‌ها: اولین گام در آماده‌سازی
• 6. جمع‌آوری داده‌ها: منابع و روش‌ها
• 7. درک دامنه مسئله و اهداف پروژه
• 8. اصول اولیه پاکسازی داده‌ها
• 9. شناسایی و مدیریت مقادیر گمشده (Missing Values)
• 10. روش‌های پر کردن مقادیر گمشده: میانگین، میانه، مد
• 11. روش‌های پر کردن مقادیر گمشده: درون‌یابی و برون‌یابی
• 12. شناسایی و مدیریت داده‌های پرت (Outliers)
• 13. تکنیک‌های تشخیص داده‌های پرت: آماری و بصری
• 14. روش‌های برخورد با داده‌های پرت: حذف، تبدیل، محدودسازی
• 15. استانداردسازی و نرمال‌سازی داده‌ها
• 16. مفهوم استانداردسازی (Z-score) و کاربردهای آن
• 17. مفهوم نرمال‌سازی (Min-Max Scaling) و کاربردهای آن
• 18. انتخاب روش مناسب استانداردسازی/نرمال‌سازی
• 19. تبدیل متغیرهای دسته‌ای به عددی
• 20. کدگذاری یک-گرم (One-Hot Encoding)
• 21. کدگذاری شاخص (Label Encoding)
• 22. کدگذاری ترتیبی (Ordinal Encoding)
• 23. مدیریت داده‌های متنی: پیش‌پردازش متن
• 24. پاکسازی متن: حذف علائم نگارشی، اعداد، کاراکترهای خاص
• 25. تبدیل به حروف کوچک و حذف کلمات توقف (Stop Words)
• 26. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 27. تبدیل متن به بردار: کیس کلمات (Bag-of-Words)
• 28. تبدیل متن به بردار: TF-IDF
• 29. مدیریت داده‌های تاریخ و زمان
• 30. استخراج ویژگی از تاریخ و زمان
• 31. تبدیل قالب‌های مختلف تاریخ و زمان
• 32. مهندسی ویژگی (Feature Engineering)
• 33. اهمیت و اصول مهندسی ویژگی
• 34. ایجاد ویژگی‌های جدید از ویژگی‌های موجود
• 35. ترکیب ویژگی‌ها
• 36. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 37. نکات مهم در تقسیم داده‌ها
• 38. اعتبارسنجی متقابل (Cross-Validation)
• 39. مفهوم و انواع اعتبارسنجی متقابل
• 40. کاربرد اعتبارسنجی متقابل در ارزیابی مدل
• 41. انتخاب ویژگی (Feature Selection)
• 42. روش‌های فیلتر (Filter Methods)
• 43. روش‌های بسته‌بندی (Wrapper Methods)
• 44. روش‌های جاسازی شده (Embedded Methods)
• 45. کاهش ابعاد (Dimensionality Reduction)
• 46. مفهوم و ضرورت کاهش ابعاد
• 47. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
• 48. تحلیل افتراقی خطی (Linear Discriminant Analysis - LDA)
• 49. استفاده از تکنیک‌های کاهش ابعاد در یادگیری ماشین
• 50. بررسی کیفیت داده‌ها پس از آماده‌سازی
• 51. مستندسازی فرایند آماده‌سازی داده‌ها
• 52. ابزارها و کتابخانه‌های رایج برای آماده‌سازی داده‌ها (Pandas, NumPy, Scikit-learn)
• 53. کار با کتابخانه Pandas برای بارگذاری و پاکسازی داده‌ها
• 54. کار با کتابخانه NumPy برای عملیات عددی
• 55. استفاده از Scikit-learn برای پیش‌پردازش داده‌ها
• 56. مثال عملی: آماده‌سازی داده‌های یک مجموعه داده واقعی
• 57. آماده‌سازی داده‌ها برای مسائل طبقه‌بندی
• 58. آماده‌سازی داده‌ها برای مسائل رگرسیون
• 59. آماده‌سازی داده‌ها برای مسائل خوشه‌بندی
• 60. آماده‌سازی داده‌ها برای مدل‌های یادگیری عمیق
• 61. نکات پیشرفته در آماده‌سازی داده‌ها
• 62. مدیریت داده‌های نامتعادل (Imbalanced Data)
• 63. روش‌های نمونه‌برداری برای داده‌های نامتعادل (SMOTE)
• 64. تکنیک‌های ارزیابی مدل در داده‌های نامتعادل
• 65. آماده‌سازی داده‌های سری زمانی
• 66. ویژگی‌های خاص داده‌های سری زمانی
• 67. آماده‌سازی داده‌ها برای تشخیص ناهنجاری (Anomaly Detection)
• 68. آماده‌سازی داده‌های مکانی-زمانی
• 69. اصول حفظ حریم خصوصی و امنیت داده‌ها در آماده‌سازی
• 70. ملاحظات اخلاقی در آماده‌سازی داده‌ها
• 71. فرایند تکرارشونده آماده‌سازی داده‌ها
• 72. ارتباط آماده‌سازی داده‌ها با چرخه عمر پروژه‌های یادگیری ماشین
• 73. چالش‌های رایج در آماده‌سازی داده‌ها و راهکارها
• 74. بهینه‌سازی فرایند آماده‌سازی داده‌ها
• 75. آینده آماده‌سازی داده‌ها و روندهای نوین
• 76. جمع‌بندی و مرور نهایی فرایند آماده‌سازی داده‌ها