دوره مبانی و کاربردهای رگرسیون با XGBoost همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای رگرسیون با XGBoost

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: الگوریتم‌های یادگیری ماشین پیشرفته

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر رگرسیون در یادگیری ماشین
• 3. معرفی الگوریتم XGBoost
• 4. ساختار درخت تصمیم
• 5. مفاهیم پایه گرادیان بوستینگ
• 6. تفاوت گرادیان بوستینگ و ادابوست
• 7. مزایای XGBoost نسبت به الگوریتم‌های دیگر
• 8. نصب و راه‌اندازی XGBoost
• 9. آشنایی با محیط برنامه‌نویسی پایتون برای XGBoost
• 10. مقدمه‌ای بر داده‌های مورد نیاز XGBoost
• 11. پیش‌پردازش داده‌ها برای مدل‌های رگرسیون
• 12. مقیاس‌بندی ویژگی‌ها
• 13. مدیریت مقادیر گمشده
• 14. کدگذاری متغیرهای دسته‌ای
• 15. انتخاب ویژگی‌های مناسب
• 16. مقدمه‌ای بر ارزیابی مدل‌های رگرسیون
• 17. معیارهای ارزیابی رگرسیون (MSE, RMSE, MAE)
• 18. معیارهای ارزیابی رگرسیون (R-squared)
• 19. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 20. اعتبارسنجی متقابل (Cross-Validation)
• 21. مفاهیم پایه درختان تصمیم در XGBoost
• 22. ساختار درختان تصمیم وزنی
• 23. یادگیری درختان تصمیم موازی
• 24. اصول بوستینگ تکراری
• 25. تابع هزینه (Loss Function) در XGBoost
• 26. بهینه‌سازی تابع هزینه
• 27. گرادیان و هسین تابع هزینه
• 28. الگوریتم ساخت درخت در XGBoost
• 29. روش‌های تقسیم گره (Splitting Criteria)
• 30. مقایسه معیارهای تقسیم گره (MSE, MAE)
• 31. مدیریت بیش‌برازش (Overfitting)
• 32. تنظیم پارامترهای مرتبط با درختان
• 33. تنظیم پارامتر `max_depth`
• 34. تنظیم پارامتر `min_child_weight`
• 35. تنظیم پارامتر `gamma`
• 36. تنظیم پارامتر `subsample`
• 37. تنظیم پارامتر `colsample_bytree`
• 38. تنظیم پارامتر `lambda` (L2 Regularization)
• 39. تنظیم پارامتر `alpha` (L1 Regularization)
• 40. تنظیم پارامتر `learning_rate` (eta)
• 41. کاهش نرخ یادگیری
• 42. اهمیت پارامتر `n_estimators`
• 43. تنظیم پارامتر `early_stopping_rounds`
• 44. تکنیک‌های کاهش پیچیدگی مدل
• 45. استفاده از Regularization در XGBoost
• 46. کاربرد XGBoost در مسائل پیش‌بینی قیمت
• 47. کاربرد XGBoost در پیش‌بینی تقاضا
• 48. کاربرد XGBoost در پیش‌بینی فروش
• 49. کاربرد XGBoost در تحلیل ریسک اعتباری
• 50. کاربرد XGBoost در پیش‌بینی ارزش مسکن
• 51. کاربرد XGBoost در تحلیل بازده سهام
• 52. کاربرد XGBoost در پیش‌بینی مصرف انرژی
• 53. کاربرد XGBoost در پیش‌بینی زمان رسیدن قطار
• 54. کاربرد XGBoost در مسائل علمی و مهندسی
• 55. مقدمه‌ای بر داده‌های سری زمانی
• 56. کاربرد XGBoost در پیش‌بینی سری زمانی
• 57. پیش‌پردازش داده‌های سری زمانی
• 58. ایجاد ویژگی‌های مبتنی بر زمان
• 59. مدل‌سازی رگرسیون با ویژگی‌های سری زمانی
• 60. ارزیابی مدل‌های سری زمانی
• 61. پیاده‌سازی رگرسیون با XGBoost در پایتون
• 62. مثال عملی: پیش‌بینی قیمت مسکن
• 63. آماده‌سازی داده‌های مسکن
• 64. آموزش مدل XGBoost برای مسکن
• 65. ارزیابی مدل پیش‌بینی مسکن
• 66. بهینه‌سازی پارامترهای مدل مسکن
• 67. مثال عملی: پیش‌بینی فروش خرده‌فروشی
• 68. آماده‌سازی داده‌های فروش
• 69. آموزش مدل XGBoost برای فروش
• 70. ارزیابی مدل پیش‌بینی فروش
• 71. بهینه‌سازی پارامترهای مدل فروش
• 72. ملاحظات اخلاقی در استفاده از XGBoost
• 73. شفافیت و قابلیت تفسیر مدل‌های XGBoost
• 74. پیاده‌سازی مدل‌های قابل تفسیر
• 75. پرهیز از سوگیری در داده‌ها و مدل‌ها
• 76. رعایت حریم خصوصی در داده‌ها
• 77. تأثیر مدل بر تصمیم‌گیری‌ها
• 78. مستندسازی فرآیند مدل‌سازی
• 79. مدیریت نسخه‌های مدل
• 80. نکات پیشرفته در تنظیم پارامترها
• 81. جستجوی شبکه‌ای (Grid Search)
• 82. جستجوی تصادفی (Random Search)
• 83. بهینه‌سازی بیزی (Bayesian Optimization)
• 84. ارزیابی عملکرد مدل در دنیای واقعی
• 85. نظارت بر عملکرد مدل پس از استقرار
• 86. بازآموزی مدل‌ها
• 87. مقدمه‌ای بر مدل‌های مبتنی بر درخت پیشرفته
• 88. کاربرد XGBoost در مسائل پیچیده
• 89. مقایسه XGBoost با سایر الگوریتم‌های پیشرفته
• 90. نکات پایانی و جمع‌بندی
• 91. مسیرهای یادگیری آتی در هوش مصنوعی
• 92. منابع تکمیلی برای مطالعه بیشتر