فلش‌کارت‌های آموزشی جنبه‌های نظری یادگیری از داده‌های جمع‌آوری شده

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب جنبه‌های نظری یادگیری از داده‌های جمع‌آوری شده

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: جنبه‌های نظری MARL

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری از داده ها
• 2. تعریف یادگیری ماشینی
• 3. انواع یادگیری ماشینی (نظارت شده، بدون نظارت، تقویتی)
• 4. هدف یادگیری از داده ها
• 5. اهمیت داده در یادگیری ماشینی
• 6. چرخه حیات پروژه یادگیری ماشینی
• 7. مراحل اصلی یادگیری از داده ها
• 8. مفاهیم کلیدی در یادگیری از داده ها
• 9. تعریف داده
• 10. انواع داده (ساختاریافته، نیمه ساختاریافته، بدون ساختار)
• 11. منابع داده
• 12. جمع آوری داده
• 13. روش های جمع آوری داده
• 14. ابزارهای جمع آوری داده
• 15. چالش های جمع آوری داده
• 16. کیفیت داده
• 17. اهمیت کیفیت داده
• 18. ابعاد کیفیت داده (دقت، کامل بودن، سازگاری، به موقع بودن، یکپارچگی)
• 19. روش های ارزیابی کیفیت داده
• 20. روش های بهبود کیفیت داده
• 21. پاکسازی داده
• 22. شناسایی داده های پرت (Outliers)
• 23. روش های شناسایی داده های پرت
• 24. مدیریت داده های پرت
• 25. شناسایی مقادیر گمشده (Missing Values)
• 26. روش های مقابله با مقادیر گمشده
• 27. همسان سازی داده ها (Data Matching)
• 28. حذف داده های تکراری
• 29. تبدیل داده ها (Data Transformation)
• 30. نرمال سازی داده ها (Data Normalization)
• 31. استاندارد سازی داده ها (Data Standardization)
• 32. کدگذاری متغیرهای دسته ای (Categorical Encoding)
• 33. مهندسی ویژگی (Feature Engineering)
• 34. اهمیت مهندسی ویژگی
• 35. روش های ساخت ویژگی های جدید
• 36. ترکیب ویژگی ها
• 37. استخراج ویژگی ها
• 38. انتخاب ویژگی (Feature Selection)
• 39. اهمیت انتخاب ویژگی
• 40. روش های مبتنی بر فیلتر (Filter Methods)
• 41. روش های مبتنی بر پوشش (Wrapper Methods)
• 42. روش های تعبیه شده (Embedded Methods)
• 43. روش های مبتنی بر مدل (Model-based Methods)
• 44. کاهش ابعاد (Dimensionality Reduction)
• 45. اهمیت کاهش ابعاد
• 46. تحلیل مولفه های اصلی (PCA)
• 47. تجزیه مقادیر منفرد (SVD)
• 48. توزیع همسایگی تصادفی غیرخطی (t-SNE)
• 49. یادگیری عمیق برای کاهش ابعاد
• 50. مدل های یادگیری نظارت شده
• 51. رگرسیون خطی (Linear Regression)
• 52. رگرسیون لجستیک (Logistic Regression)
• 53. ماشین بردار پشتیبان (SVM)
• 54. درخت تصمیم (Decision Trees)
• 55. جنگل تصادفی (Random Forests)
• 56. تقویت گرادیان (Gradient Boosting)
• 57. شبکه های عصبی (Neural Networks)
• 58. شبکه های عصبی کانولوشنال (CNN)
• 59. شبکه های عصبی بازگشتی (RNN)
• 60. یادگیری بدون نظارت
• 61. خوشه بندی (Clustering)
• 62. K-Means Clustering
• 63. خوشه بندی سلسله مراتبی (Hierarchical Clustering)
• 64. DBSCAN
• 65. مدل های مخلوط گاوسی (Gaussian Mixture Models)
• 66. قوانین انجمنی (Association Rules)
• 67. Apriori Algorithm
• 68. FP-Growth Algorithm
• 69. کاهش ابعاد (تکرار، با تمرکز بر کاربرد)
• 70. مدل های یادگیری تقویتی
• 71. مفاهیم اولیه یادگیری تقویتی
• 72. عامل (Agent)
• 73. محیط (Environment)
• 74. حالت (State)
• 75. عمل (Action)
• 76. پاداش (Reward)
• 77. سیاست (Policy)
• 78. تابع ارزش (Value Function)
• 79. یادگیری Q (Q-Learning)
• 80. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 81. ارزیابی مدل (Model Evaluation)
• 82. متریک های ارزیابی برای رگرسیون
• 83. MSE, RMSE, MAE, R-squared
• 84. متریک های ارزیابی برای طبقه بندی
• 85. دقت (Accuracy)
• 86. صحت (Precision)
• 87. بازیابی (Recall)
• 88. امتیاز F1 (F1-Score)
• 89. منحنی ROC و AUC
• 90. ماتریس درهم ریختگی (Confusion Matrix)
• 91. اعتبارسنجی متقابل (Cross-Validation)
• 92. اعتبارسنجی K-Fold
• 93. اعتبارسنجی Leave-One-Out
• 94. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 95. جستجوی شبکه‌ای (Grid Search)
• 96. جستجوی تصادفی (Random Search)
• 97. بهینه سازی بیزین (Bayesian Optimization)
• 98. تفسیرپذیری مدل (Model Interpretability)
• 99. اهمیت تفسیرپذیری
• 100. روش های تفسیر مدل (LIME, SHAP)