فلش‌کارت‌های آموزشی جنبه‌های نظری یادگیری از داده‌های برداری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب جنبه‌های نظری یادگیری از داده‌های برداری

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: جنبه‌های نظری MARL

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر داده های برداری
• 2. مفهوم فضای برداری
• 3. بردارهای ویژگی
• 4. نمایش داده ها به صورت بردار
• 5. ابعاد بردار
• 6. فضاهای برداری با ابعاد بالا
• 7. یادگیری از داده های برداری
• 8. انواع یادگیری ماشینی
• 9. یادگیری نظارت شده
• 10. یادگیری بدون نظارت
• 11. یادگیری تقویتی
• 12. یادگیری نیمه نظارت شده
• 13. یادگیری عمیق
• 14. مدل های خطی
• 15. رگرسیون خطی
• 16. رگرسیون لجستیک
• 17. ماشین های بردار پشتیبان (SVM)
• 18. شبکه های عصبی
• 19. شبکه های عصبی پرسپترون چند لایه (MLP)
• 20. شبکه های عصبی کانولوشنی (CNN)
• 21. شبکه های عصبی بازگشتی (RNN)
• 22. شبکه های حافظه طولانی کوتاه مدت (LSTM)
• 23. شبکه های ترانسفورمر
• 24. مدل های غیرخطی
• 25. درختان تصمیم
• 26. جنگل های تصادفی
• 27. تقویت گرادیان (Gradient Boosting)
• 28. K-نزدیکترین همسایه (KNN)
• 29. تکنیک های کاهش ابعاد
• 30. تحلیل مؤلفه های اصلی (PCA)
• 31. تجزیه مقادیر منفرد (SVD)
• 32. t-توزیع همسایه های تصادفی غرق شده (t-SNE)
• 33. یادگیری چند بعدی مقیاس بندی (MDS)
• 34. نقشه های خودسازمانده (SOM)
• 35. تکنیک های خوشه بندی
• 36. K-Means
• 37. خوشه بندی سلسله مراتبی
• 38. DBSCAN
• 39. خوشه بندی مبتنی بر مدل
• 40. خوشه بندی طیفی
• 41. تکنیک های طبقه بندی
• 42. طبقه بندی بیز ساده (Naive Bayes)
• 43. K-نزدیکترین همسایه (KNN)
• 44. ماشین های بردار پشتیبان (SVM)
• 45. درختان تصمیم
• 46. جنگل های تصادفی
• 47. شبکه های عصبی
• 48. استخراج ویژگی
• 49. انتخاب ویژگی
• 50. مهندسی ویژگی
• 51. یادگیری نمایش (Representation Learning)
• 52. یادگیری ویژگی های سطحی
• 53. یادگیری ویژگی های عمیق
• 54. تعبیه کلمات (Word Embeddings)
• 55. Word2Vec
• 56. GloVe
• 57. FastText
• 58. تعبیه گذاری های سراسری
• 59. تعبیه گذاری های مبتنی بر گراف
• 60. تعبیه گذاری های مبتنی بر تصویر
• 61. تعبیه گذاری های مبتنی بر ویدئو
• 62. ارزیابی مدل های یادگیری از داده های برداری
• 63. معیارهای ارزیابی طبقه بندی
• 64. دقت (Accuracy)
• 65. دقت (Precision)
• 66. بازیابی (Recall)
• 67. امتیاز F1
• 68. منحنی ROC و AUC
• 69. معیارهای ارزیابی رگرسیون
• 70. خطای میانگین مربعات (MSE)
• 71. ریشه خطای میانگوی مربعات (RMSE)
• 72. خطای میانگین مطلق (MAE)
• 73. ضریب تعیین (R-squared)
• 74. معیارهای ارزیابی خوشه بندی
• 75. شاخص سیلوئت (Silhouette Score)
• 76. شاخص دیویس-بولدین (Davies-Bouldin Index)
• 77. شاخص وارونگی (Inertia)
• 78. اعتبارسنجی متقابل (Cross-Validation)
• 79. اعتبارسنجی K-Fold
• 80. اعتبارسنجی Leave-One-Out
• 81. اعتبارسنجی Stratified K-Fold
• 82. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 83. جستجوی شبکه‌ای (Grid Search)
• 84. جستجوی تصادفی (Random Search)
• 85. بهینه سازی بیز (Bayesian Optimization)
• 86. تشدید گرادیان (Gradient Boosting)
• 87. تکنیک های کاهش بیش برازش (Overfitting)
• 88. منظم سازی (Regularization)
• 89. L1 Regularization
• 90. L2 Regularization
• 91. Dropout
• 92. Early Stopping
• 93. تکنیک های کاهش کم برازش (Underfitting)
• 94. افزایش پیچیدگی مدل
• 95. مهندسی ویژگی بیشتر
• 96. جمع آوری داده های بیشتر
• 97. یادگیری تطبیقی (Adaptive Learning)
• 98. یادگیری آنلاین (Online Learning)
• 99. یادگیری تدریجی (Incremental Learning)
• 100. یادگیری انتقالی (Transfer Learning)