دوره دسته‌بندی با XGBoost: از مبانی تا کاربردهای پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دسته‌بندی با XGBoost: از مبانی تا کاربردهای پیشرفته

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: الگوریتم‌های یادگیری ماشین پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مبانی دسته‌بندی در یادگیری ماشین
• 2. انواع مسائل دسته‌بندی: باینری و چندکلاسه
• 3. معیارهای ارزیابی مدل‌های دسته‌بندی
• 4. دقت (Accuracy)، صحت (Precision)، بازیابی (Recall) و امتیاز F1
• 5. منحنی ROC و سطح زیر منحنی (AUC)
• 6. مقدمه ای بر الگوریتم‌های یادگیری تقویتی
• 7. درخت تصمیم به عنوان پایه یادگیری ماشین
• 8. محدودیت‌های درخت تصمیم ساده
• 9. مقدمه ای بر روش‌های Boosting
• 10. ایده اصلی الگوریتم AdaBoost
• 11. نحوه کار AdaBoost در ترکیب مدل‌های ضعیف
• 12. معرفی الگوریتم Gradient Boosting Machines (GBM)
• 13. تفاوت AdaBoost و Gradient Boosting
• 14. مبانی ریاضی Gradient Boosting
• 15. تابع زیان (Loss Function) در Gradient Boosting
• 16. گرادیان منفی تابع زیان
• 17. بهینه‌سازی مدل با استفاده از گرادیان نزولی
• 18. معرفی الگوریتم XGBoost
• 19. چرا XGBoost؟ مزایای کلیدی
• 20. معماری و اجزای کلیدی XGBoost
• 21. ساختار درخت در XGBoost
• 22. جستجوی بهینه شکاف (Split) در درخت
• 23. الگوریتم تقسیم‌بندی (Splitting Algorithm)
• 24. تنظیم پارامترهای درخت در XGBoost
• 25. روش‌های منظم‌سازی (Regularization) در XGBoost
• 26. L1 و L2 Regularization برای جلوگیری از بیش‌برازش
• 27. پارامترهای `gamma` و `lambda`
• 28. مدیریت مقادیر گمشده (Missing Values) در XGBoost
• 29. نحوه برخورد XGBoost با داده‌های نامتعادل
• 30. تکنیک‌های وزن‌دهی به کلاس‌ها (Class Weighting)
• 31. کاربرد XGBoost در مسائل دسته‌بندی
• 32. پیاده‌سازی XGBoost با استفاده از کتابخانه `xgboost` پایتون
• 33. بارگذاری داده‌ها و پیش‌پردازش
• 34. آموزش مدل دسته‌بندی با XGBoost
• 35. تنظیم پارامترهای اصلی XGBoost
• 36. جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی (Random Search)
• 37. اعتبارسنجی متقابل (Cross-Validation)
• 38. ارزیابی مدل با معیارهای مختلف
• 39. تفسیر نتایج مدل XGBoost
• 40. اهمیت مهندسی ویژگی (Feature Engineering)
• 41. نکات کاربردی در انتخاب ویژگی‌ها
• 42. مقایسه XGBoost با سایر الگوریتم‌های دسته‌بندی
• 43. کاربرد XGBoost در مسائل واقعی
• 44. دسته‌بندی ایمیل‌های اسپم
• 45. تشخیص تقلب در تراکنش‌های مالی
• 46. دسته‌بندی تصاویر پزشکی
• 47. پیش‌بینی ریزش مشتری (Customer Churn)
• 48. کاربرد در پردازش زبان طبیعی (NLP)
• 49. دسته‌بندی متون خبری
• 50. تحلیل احساسات (Sentiment Analysis)
• 51. روش‌های پیشرفته در XGBoost
• 52. یادگیری با داده‌های حجیم (Large-scale Learning)
• 53. استفاده از GPU در XGBoost
• 54. تنظیمات پیشرفته برای عملکرد بهینه
• 55. مدل‌های ترکیبی (Ensemble Models) با XGBoost
• 56. ترکیب XGBoost با شبکه‌های عصبی
• 57. روش‌های کاهش ابعاد (Dimensionality Reduction)
• 58. تکنیک‌های کاهش نویز (Noise Reduction)
• 59. بررسی موارد خطا در مدل‌های XGBoost
• 60. دیباگ کردن مدل‌های پیچیده
• 61. اصول اخلاقی در استفاده از هوش مصنوعی
• 62. مسئولیت‌پذیری در توسعه مدل‌های یادگیری ماشین
• 63. حریم خصوصی داده‌ها و امنیت مدل‌ها
• 64. قوانین و مقررات مرتبط با هوش مصنوعی در ایران
• 65. اهمیت داده‌های معتبر و پاکسازی آن‌ها
• 66. رویکردهای داده‌محور در حل مسائل
• 67. مروری بر الگوریتم‌های یادگیری ماشین دیگر
• 68. دسته‌بندی با استفاده از ماشین‌های بردار پشتیبان (SVM)
• 69. دسته‌بندی با استفاده از رگرسیون لجستیک
• 70. دسته‌بندی با استفاده از شبکه‌های عصبی کانولوشنی (CNN)
• 71. دسته‌بندی با استفاده از شبکه‌های عصبی بازگشتی (RNN)
• 72. شباهت‌ها و تفاوت‌های الگوریتم‌ها
• 73. انتخاب بهترین الگوریتم برای مسئله دسته‌بندی
• 74. مقدمه ای بر یادگیری عمیق (Deep Learning)
• 75. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 76. ساختارهای پیشرفته شبکه‌های عصبی
• 77. آموزش شبکه‌های عصبی عمیق
• 78. مبانی یادگیری انتقالی (Transfer Learning)
• 79. کاربرد یادگیری انتقالی در دسته‌بندی
• 80. مقدمه ای بر پردازش سیگنال
• 81. کاربرد پردازش سیگنال در دسته‌بندی
• 82. استخراج ویژگی از سیگنال‌های صوتی
• 83. استخراج ویژگی از سیگنال‌های زمانی
• 84. مقدمه ای بر سری‌های زمانی
• 85. دسته‌بندی سری‌های زمانی
• 86. کاربرد در پیش‌بینی‌های مالی
• 87. مقدمه ای بر یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 88. کاربرد در بازی‌ها و رباتیک
• 89. مقدمه ای بر یادگیری فعال (Active Learning)
• 90. کاربرد در کاهش هزینه برچسب‌گذاری داده‌ها
• 91. مروری بر انواع داده‌ها و ساختارهای آن‌ها
• 92. داده‌های جدولی، متنی، تصویری و صوتی
• 93. روش‌های پردازش و آماده‌سازی داده‌ها
• 94. اهمیت اعتبارسنجی و تست مدل‌ها
• 95. مراحل استقرار مدل در محیط عملیاتی
• 96. پایش و نگهداری مدل‌های یادگیری ماشین
• 97. چالش‌های پیاده‌سازی مدل‌های پیچیده
• 98. آینده یادگیری ماشین و هوش مصنوعی
• 99. روندهای نوظهور در حوزه هوش مصنوعی
• 100. تاثیر هوش مصنوعی بر صنایع مختلف