دوره تکنیک‌های کاهش بعد (Dimensionality Reduction) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های کاهش بعد (Dimensionality Reduction)

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کاهش بعد
• 2. مفهوم ابعاد و فضای ویژگی
• 3. چرا به کاهش بعد نیاز داریم؟
• 4. کاربردها و مزایای کاهش بعد
• 5. انواع روش‌های کاهش بعد
• 6. تحلیل مولفه‌های اصلی (PCA) - مبانی
• 7. مراحل اجرای PCA
• 8. محاسبه ماتریس کوواریانس
• 9. محاسبه مقادیر ویژه و بردارهای ویژه
• 10. انتخاب مولفه‌های اصلی
• 11. تفسیر مولفه‌های اصلی
• 12. مزایای PCA
• 13. محدودیت‌های PCA
• 14. تحلیل مؤلفه‌های مستقل (ICA) - مبانی
• 15. تفاوت ICA با PCA
• 16. مفاهیم آماری در ICA
• 17. الگوریتم‌های ICA
• 18. کاربردهای ICA
• 19. تحلیل تشابه (Factor Analysis) - مبانی
• 20. مدل‌سازی در تحلیل تشابه
• 21. تفاوت تحلیل تشابه با PCA
• 22. تفسیر عوامل
• 23. کاربردهای تحلیل تشابه
• 24. کاهش ابعاد غیرخطی
• 25. t-Distributed Stochastic Neighbor Embedding (t-SNE) - مبانی
• 26. مفهوم احتمال همسایگی
• 27. تابع هزینه در t-SNE
• 28. پارامتر Perplexity
• 29. کاربرد t-SNE در بصری‌سازی
• 30. مزایای t-SNE
• 31. محدودیت‌های t-SNE
• 32. Uniform Manifold Approximation and Projection (UMAP) - مبانی
• 33. اصول توپولوژیکی در UMAP
• 34. ساخت گراف در UMAP
• 35. تابع هزینه در UMAP
• 36. مقایسه UMAP با t-SNE
• 37. مزایای UMAP
• 38. محدودیت‌های UMAP
• 39. کاهش بعد مبتنی بر درخت (Tree-based Dimensionality Reduction)
• 40. Random Forests برای انتخاب ویژگی
• 41. Gradient Boosting برای انتخاب ویژگی
• 42. مزایای روش‌های مبتنی بر درخت
• 43. محدودیت‌های روش‌های مبتنی بر درخت
• 44. انتخاب ویژگی (Feature Selection) در مقابل استخراج ویژگی (Feature Extraction)
• 45. روش‌های فیلتر (Filter Methods)
• 46. آمار مبتنی بر همبستگی
• 47. آزمون‌های آماری برای انتخاب ویژگی
• 48. مزایا و معایب روش‌های فیلتر
• 49. روش‌های بسته‌بندی (Wrapper Methods)
• 50. جستجوی حریصانه (Greedy Search)
• 51. انتخاب ویژگی با استفاده از مدل‌ها
• 52. مزایا و معایب روش‌های بسته‌بندی
• 53. روش‌های ترکیبی (Embedded Methods)
• 54. انتخاب ویژگی در مدل‌های رگرسیون منظم شده (Regularized Regression)
• 55. انتخاب ویژگی در مدل‌های درخت تصمیم
• 56. مزایا و معایب روش‌های ترکیبی
• 57. کاهش بعد در داده‌های متنی
• 58. نمایش اسناد (Document Representation)
• 59. مدل Bag-of-Words (BoW)
• 60. مدل TF-IDF
• 61. کاهش ابعاد در BoW و TF-IDF
• 62. مدل‌های موضوعی (Topic Modeling)
• 63. Latent Dirichlet Allocation (LDA) - مبانی
• 64. مراحل اجرای LDA
• 65. تفسیر موضوعات در LDA
• 66. کاربرد LDA در کاهش بعد
• 67. مزایای LDA
• 68. محدودیت‌های LDA
• 69. کاهش بعد در داده‌های تصویری
• 70. استخراج ویژگی از تصاویر
• 71. شبکه‌های عصبی کانولوشنال (CNN) برای استخراج ویژگی
• 72. استفاده از لایه‌های میانی CNN به عنوان ویژگی
• 73. Autoencoders برای کاهش بعد
• 74. مبانی Autoencoders
• 75. انواع Autoencoders (Sparse, Denoising)
• 76. کاربرد Autoencoders در کاهش بعد تصاویر
• 77. کاهش بعد در داده‌های سری زمانی
• 78. ویژگی‌های سری زمانی
• 79. تبدیل موجک (Wavelet Transform)
• 80. نمونه‌برداری مجدد (Resampling)
• 81. استفاده از PCA بر روی ویژگی‌های سری زمانی
• 82. کاهش بعد در داده‌های گرافی
• 83. نمایش گرافی
• 84. Embedding گرافی
• 85. Node2Vec
• 86. Graph Convolutional Networks (GCNs) برای کاهش بعد
• 87. ارزیابی روش‌های کاهش بعد
• 88. معیارهای ارزیابی برای حفظ وضوح (Variance)
• 89. معیارهای ارزیابی برای حفظ ساختار (Structure Preservation)
• 90. معیارهای ارزیابی برای بصری‌سازی
• 91. تکنیک‌های بصری‌سازی داده‌های کاهش یافته
• 92. بصری‌سازی با استفاده از Scatter Plots
• 93. بصری‌سازی با استفاده از Heatmaps
• 94. بصری‌سازی با استفاده از Parallel Coordinates
• 95. بصری‌سازی با استفاده از T-SNE و UMAP
• 96. نکات عملی در انتخاب روش کاهش بعد
• 97. اندازه و نوع داده
• 98. هدف از کاهش بعد
• 99. قابلیت تفسیرپذیری
• 100. پیاده‌سازی و ابزارهای موجود (Scikit-learn, TensorFlow, PyTorch)