فلش‌کارت‌های آموزشی مهندسی ویژگی و آماده‌سازی داده برای یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی و آماده‌سازی داده برای یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: پایگاه داده و مدیریت داده**

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مهندسی ویژگی
• 2. اهمیت مهندسی ویژگی در یادگیری ماشین
• 3. انواع داده ها و نمایش آنها
• 4. شناخت و درک مجموعه داده
• 5. پاکسازی داده های گمشده
• 6. شناسایی و مدیریت داده های پرت
• 7. تبدیل داده های دسته بندی به عددی
• 8. کدگذاری یک-داغ (One-Hot Encoding)
• 9. کدگذاری برچسب (Label Encoding)
• 10. کدگذاری ترتیب (Ordinal Encoding)
• 11. کدگذاری فرکانس (Frequency Encoding)
• 12. کدگذاری مبتنی بر هدف (Target Encoding)
• 13. کدگذاری با استفاده از مدل های یادگیری ماشین
• 14. مقیاس بندی ویژگی ها
• 15. نرمال سازی (Normalization)
• 16. استانداردسازی (Standardization)
• 17. حداقل-حداکثر مقیاس بندی (Min-Max Scaling)
• 18. مقیاس بندی قوی (Robust Scaling)
• 19. بررسی توزیع ویژگی ها
• 20. شناسایی و مدیریت ناهمگونی واریانس
• 21. تبدیل های لگاریتمی و ریشه‌ای
• 22. تبدیل جعبه-کاکس (Box-Cox Transformation)
• 23. بررسی ارتباط بین ویژگی ها
• 24. ماتریس همبستگی
• 25. نمودارهای پراکندگی (Scatter Plots)
• 26. تست های آماری همبستگی
• 27. حذف ویژگی های اضافی (Redundant Features)
• 28. شناسایی ویژگی های تکراری
• 29. حذف ویژگی های با واریانس کم
• 30. استخراج ویژگی های جدید
• 31. ترکیب ویژگی های موجود
• 32. ایجاد ویژگی های تعاملی (Interaction Features)
• 33. ایجاد ویژگی های چندجمله ای (Polynomial Features)
• 34. تجزیه مولفه های اصلی (PCA)
• 35. تحلیل مؤلفه مستقل (ICA)
• 36. تحلیل تفکیک کننده خطی (LDA)
• 37. کاهش ابعاد با استفاده از روش های مبتنی بر درخت
• 38. فشرده سازی داده ها
• 39. بازنمایی های فشرده سازی شده
• 40. کدگذارها (Autoencoders)
• 41. طراحی ویژگی برای داده های متنی
• 42. بردارسازی متن (Text Vectorization)
• 43. مدل کیسه کلمات (Bag-of-Words)
• 44. TF-IDF (Term Frequency-Inverse Document Frequency)
• 45. کلمات کلیدی و تشخیص موضوع
• 46. مدل های موضوعی (Topic Models)
• 47. استخراج ویژگی های معنایی
• 48. مدل های جاسازی کلمه (Word Embeddings)
• 49. Word2Vec
• 50. GloVe
• 51. FastText
• 52. طراحی ویژگی برای داده های زمانی
• 53. تأخیرها (Lags)
• 54. میانگین متحرک (Moving Averages)
• 55. روند و فصلی بودن
• 56. ویژگی های مبتنی بر تقویم
• 57. استخراج ویژگی برای داده های تصویری
• 58. هستوگرام ها
• 59. ویژگی های لبه و گوشه
• 60. شبکه های عصبی کانولوشنال (CNNs)
• 61. استخراج ویژگی از لایه های میانی CNN
• 62. طراحی ویژگی برای داده های گراف
• 63. ماتریس مجاورت (Adjacency Matrix)
• 64. مشخصات گره (Node Features)
• 65. مسیرها و فاصله ها در گراف
• 66. جاسازی های گراف (Graph Embeddings)
• 67. GNNs (Graph Neural Networks)
• 68. مهندسی ویژگی خودکار (Automated Feature Engineering)
• 69. ابزارها و کتابخانه های خودکارسازی
• 70. جستجوی جامع ویژگی (Exhaustive Feature Search)
• 71. جستجوی تصادفی ویژگی (Random Feature Search)
• 72. تولید ویژگی های مبتنی بر قوانین (Rule-Based Feature Generation)
• 73. استفاده از یادگیری تقویتی برای مهندسی ویژگی
• 74. ارزیابی و انتخاب ویژگی
• 75. اهمیت ویژگی های مدل های مبتنی بر درخت
• 76. روش های مبتنی بر رگرسیون
• 77. معیارهای انتخاب ویژگی
• 78. امتیازات اطلاعات (Information Gain)
• 79. افزایش متقابل (Mutual Information)
• 80. انتخاب ویژگی افزایشی (Incremental Feature Selection)
• 81. انتخاب ویژگی بازگشتی (Recursive Feature Elimination)
• 82. اعتبارسنجی متقابل (Cross-Validation) برای انتخاب ویژگی
• 83. اثرات جانبی مهندسی ویژگی
• 84. تفسیرپذیری مدل ها
• 85. پیچیدگی محاسباتی
• 86. سوگیری در مهندسی ویژگی
• 87. راهبردهای کاهش سوگیری
• 88. مهندسی ویژگی برای مدل های خاص
• 89. مدل های خطی
• 90. مدل های مبتنی بر درخت
• 91. شبکه های عصبی
• 92. مهندسی ویژگی و یادگیری انتقالی
• 93. استفاده از ویژگی های از پیش آموزش دیده
• 94. تنظیم دقیق (Fine-tuning) مدل ها
• 95. بهبود عملکرد مدل با مهندسی ویژگی
• 96. سنجه های ارزیابی عملکرد
• 97. آزمایشات A/B برای ارزیابی ویژگی
• 98. ملاحظات مربوط به زمان اجرا
• 99. بهینه سازی مهندسی ویژگی
• 100. مستندسازی مهندسی ویژگی