دوره مبانی درخت تصمیم و ناخالصی جینی با کدنویسی پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی درخت تصمیم و ناخالصی جینی با کدنویسی پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری نظارت شده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. آشنایی با یادگیری نظارت شده
• 3. مفهوم درخت تصمیم
• 4. کاربرد درخت تصمیم در مسائل واقعی
• 5. مبانی درخت تصمیم: هدف و ساختار
• 6. فرایند ساخت درخت تصمیم
• 7. مفهوم تقسیم گره
• 8. معیارهای تقسیم گره
• 9. ناخالصی جینی (Gini Impurity) چیست؟
• 10. فرمول محاسبه ناخالصی جینی
• 11. مثال کاربردی ناخالصی جینی
• 12. انتخاب بهترین ویژگی برای تقسیم
• 13. الگوریتم ID3 و مبانی آن
• 14. تفاوت ID3 با معیارهای دیگر
• 15. مفهوم اطلاعات متقابل (Information Gain)
• 16. مقایسه ناخالصی جینی و اطلاعات متقابل
• 17. مفهوم آنتروپی (Entropy)
• 18. ارتباط آنتروپی با ناخالصی جینی
• 19. مثال عملی محاسبه آنتروپی
• 20. نحوه ساخت ریشه درخت تصمیم
• 21. ساخت گره‌های میانی در درخت
• 22. مفهوم برگ درخت (Leaf Node)
• 23. پیش‌بینی با استفاده از درخت تصمیم
• 24. مثال ساده پیش‌بینی با درخت
• 25. مشکل بیش‌برازش (Overfitting) در درختان تصمیم
• 26. روش‌های جلوگیری از بیش‌برازش
• 27. هرس کردن (Pruning) درختان تصمیم
• 28. انواع هرس کردن
• 29. روش هرس کردن مبتنی بر خطا
• 30. روش هرس کردن مبتنی بر پیچیدگی
• 31. پیاده‌سازی درخت تصمیم در پایتون
• 32. نصب کتابخانه‌های مورد نیاز (Scikit-learn)
• 33. مقدمه ای بر کتابخانه Scikit-learn
• 34. کلاس `DecisionTreeClassifier`
• 35. آماده‌سازی داده‌ها برای درخت تصمیم
• 36. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 37. آموزش مدل درخت تصمیم
• 38. تنظیم پارامترهای `DecisionTreeClassifier`
• 39. پارامتر `max_depth`
• 40. پارامتر `min_samples_split`
• 41. پارامتر `min_samples_leaf`
• 42. پارامتر `criterion` (Gini vs Entropy)
• 43. ارزیابی عملکرد درخت تصمیم
• 44. متریک‌های ارزیابی: دقت (Accuracy)
• 45. متریک‌های ارزیابی: صحت (Precision)
• 46. متریک‌های ارزیابی: بازیابی (Recall)
• 47. متریک‌های ارزیابی: امتیاز F1
• 48. مفهوم ماتریس درهم‌ریختگی (Confusion Matrix)
• 49. رسم ماتریس درهم‌ریختگی
• 50. تفسیر نتایج ماتریس درهم‌ریختگی
• 51. مثال عملی ارزیابی مدل
• 52. تجسم درخت تصمیم
• 53. کتابخانه `graphviz`
• 54. نحوه نصب و استفاده از `graphviz`
• 55. رسم درخت تصمیم با `export_graphviz`
• 56. تفسیر بصری درخت تصمیم
• 57. کاربرد درخت تصمیم در مسائل طبقه‌بندی
• 58. مثال طبقه‌بندی مشتریان
• 59. مثال طبقه‌بندی ایمیل‌های اسپم
• 60. کاربرد درخت تصمیم در مسائل رگرسیون
• 61. مفهوم درخت رگرسیون
• 62. تفاوت درخت رگرسیون با درخت طبقه‌بندی
• 63. معیارهای تقسیم در درخت رگرسیون (MSE)
• 64. مفهوم خطای میانگین مربعات (MSE)
• 65. پیاده‌سازی درخت رگرسیون در پایتون
• 66. کلاس `DecisionTreeRegressor`
• 67. آموزش و ارزیابی درخت رگرسیون
• 68. مثال رگرسیون قیمت مسکن
• 69. مثال رگرسیون پیش‌بینی دما
• 70. مزایای درختان تصمیم
• 71. معایب درختان تصمیم
• 72. مقایسه درختان تصمیم با الگوریتم‌های دیگر
• 73. درختان تصمیم در مقابل رگرسیون لجستیک
• 74. درختان تصمیم در مقابل ماشین‌های بردار پشتیبان (SVM)
• 75. درختان تصمیم در مقابل شبکه‌های عصبی
• 76. مفهوم مجموعه‌سازی (Ensemble Methods)
• 77. مقدمه‌ای بر روش‌های مجموعه‌سازی
• 78. الگوریتم جنگل تصادفی (Random Forest)
• 79. نحوه کار جنگل تصادفی
• 80. مزایای جنگل تصادفی
• 81. پیاده‌سازی جنگل تصادفی در پایتون
• 82. کلاس `RandomForestClassifier`
• 83. تنظیم پارامترهای جنگل تصادفی
• 84. اهمیت ویژگی‌ها (Feature Importance)
• 85. تفسیر اهمیت ویژگی‌ها
• 86. کاربرد جنگل تصادفی در مسائل پیچیده
• 87. الگوریتم تقویت گرادیان (Gradient Boosting)
• 88. نحوه کار تقویت گرادیان
• 89. پیاده‌سازی تقویت گرادیان در پایتون
• 90. کلاس `GradientBoostingClassifier`
• 91. تنظیم پارامترهای تقویت گرادیان
• 92. مقایسه جنگل تصادفی و تقویت گرادیان
• 93. کاربردهای پیشرفته درختان تصمیم
• 94. درختان تصمیم در یادگیری تقویتی
• 95. ملاحظات اخلاقی در استفاده از درختان تصمیم
• 96. شفافیت و قابلیت تفسیر مدل
• 97. مسؤولیت‌پذیری در تصمیم‌گیری‌های مبتنی بر هوش مصنوعی
• 98. جمع‌بندی مبانی درخت تصمیم و ناخالصی جینی
• 99. مسیرهای یادگیری بیشتر در هوش مصنوعی