فلش‌کارت‌های آموزشی تکنیک‌های پیشرفته تشخیص و پیشگیری از بیش برازش در مدل‌سازی املاک

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های پیشرفته تشخیص و پیشگیری از بیش برازش در مدل‌سازی املاک

موضوع کلی: مدل‌سازی آماری و ارزیابی املاک

موضوع میانی: بیش برازش (Overfitting) و کم برازش (Underfitting) و راهکارهای آن

📋 سرفصل‌های دوره

• 1. فصل اول: مقدمه‌ای بر بیش برازش در مدل‌سازی املاک
• 2. فصل دوم: درک اصول بیش برازش
• 3. فصل سوم: علل ریشه‌ای بیش برازش
• 4. فصل چهارم: عواقب بیش برازش بر پیش‌بینی املاک
• 5. فصل پنجم: معیارهای تشخیص بیش برازش
• 6. فصل ششم: اعتبارسنجی متقابل برای شناسایی بیش برازش
• 7. فصل هفتم: تکنیک‌های مصورسازی برای تشخیص بیش برازش
• 8. فصل هشتم: تحلیل حساسیت و بیش برازش
• 9. فصل نهم: اکتشاف داده و شناسایی الگوهای بیش برازش
• 10. فصل دهم: تکنیک‌های پیشرفته اعتبارسنجی متقابل
• 11. فصل یازدهم: تنظیم ابرپارامترها برای جلوگیری از بیش برازش
• 12. فصل دوازدهم: توقف زودهنگام (Early Stopping)
• 13. فصل سیزدهم: منظم‌سازی L1 (LASSO)
• 14. فصل چهاردهم: منظم‌سازی L2 (Ridge)
• 15. فصل پانزدهم: ترکیب منظم‌سازی L1 و L2 (Elastic Net)
• 16. فصل شانزدهم: منظم‌سازی مستقیم در شبکه‌های عصبی
• 17. فصل هفدهم: نرخ یادگیری (Learning Rate) و بیش برازش
• 18. فصل هجدهم: کاهش نرخ یادگیری (Learning Rate Decay)
• 19. فصل نوزدهم: توقف زودهنگام مبتنی بر عملکرد
• 20. فصل بیستم: dropout در شبکه‌های عصبی
• 21. فصل بیست و یکم: داده‌افزایی (Data Augmentation)
• 22. فصل بیست و دوم: افزایش داده برای ویژگی‌های مکانی
• 23. فصل بیست و سوم: افزایش داده برای ویژگی‌های زمانی
• 24. فصل بیست و چهارم: نرمال‌سازی و استانداردسازی داده‌ها
• 25. فصل بیست و پنجم: مدیریت مقیاس ویژگی‌ها
• 26. فصل بیست و ششم: کاهش ابعاد (Dimensionality Reduction)
• 27. فصل بیست و هفتم: تحلیل مولفه‌های اصلی (PCA)
• 28. فصل بیست و هشتم: تجزیه مقادیر منفرد (SVD)
• 29. فصل بیست و نهم: انتخاب ویژگی (Feature Selection)
• 30. فصل سی‌ام: روش‌های فیلتر برای انتخاب ویژگی
• 31. فصل سی و یکم: روش‌های بسته‌بندی (Wrapper Methods)
• 32. فصل سی و دوم: روش‌های تعبیه‌شده (Embedded Methods)
• 33. فصل سی و سوم: اهمیت مهندسی ویژگی
• 34. فصل سی و چهارم: ایجاد ویژگی‌های تعاملی
• 35. فصل سی و پنجم: ایجاد ویژگی‌های چندجمله‌ای
• 36. فصل سی و ششم: تبدیل ویژگی‌ها (Feature Transformation)
• 37. فصل سی و هفتم: لگاریتم و توابع مشابه
• 38. فصل سی و هشتم: تبدیل جعبه‌کاکس (Box-Cox)
• 39. فصل سی و نهم: دسته‌بندی متغیرهای پیوسته
• 40. فصل چهلم: مدل‌های یادگیری کم‌تعداد (Few-Shot Learning)
• 41. فصل چهل و یکم: تکنیک‌های یادگیری انتقالی (Transfer Learning)
• 42. فصل چهل و دوم: استفاده از مدل‌های از پیش آموزش‌دیده
• 43. فصل چهل و سوم: تنظیم دقیق (Fine-tuning) مدل‌ها
• 44. فصل چهل و چهارم: مدل‌های ترکیبی (Ensemble Methods)
• 45. فصل چهل و پنجم: Bagging و Random Forests
• 46. فصل چهل و ششم: Boosting (AdaBoost, Gradient Boosting)
• 47. فصل چهل و هفتم: XGBoost برای پیش‌بینی املاک
• 48. فصل چهل و هشتم: LightGBM برای مدل‌سازی املاک
• 49. فصل چهل و نهم: Stacking مدل‌ها
• 50. فصل پنجاهم: اعتبارسنجی مدل‌های ترکیبی
• 51. فصل پنجاه و یکم: دلایل بیش برازش در مدل‌های ترکیبی
• 52. فصل پنجاه و دوم: مدیریت بیش برازش در Random Forests
• 53. فصل پنجاه و سوم: تنظیم پارامترهای Boosting
• 54. فصل پنجاه و چهارم: تحلیل خطا و بیش برازش
• 55. فصل پنجاه و پنجم: بایاس-واریانس تریدآف
• 56. فصل پنجاه و ششم: سطوح بایاس و واریانس
• 57. فصل پنجاه و هفتم: کاهش بایاس با افزایش پیچیدگی مدل
• 58. فصل پنجاه و هشتم: کاهش واریانس با کاهش پیچیدگی مدل
• 59. فصل پنجاه و نهم: یافتن نقطه بهینه در بایاس-واریانس
• 60. فصل شصتم: بیش برازش و مدل‌های خطی
• 61. فصل شصت و یکم: بیش برازش و مدل‌های غیرخطی
• 62. فصل شصت و دوم: بیش برازش در درخت‌های تصمیم
• 63. فصل شصت و سوم: بیش برازش در ماشین‌های بردار پشتیبان (SVM)
• 64. فصل شصت و چهارم: بیش برازش در شبکه‌های عصبی عمیق
• 65. فصل شصت و پنجم: تحلیل اهمیت ویژگی در مدل‌های بیش برازش‌شده
• 66. فصل شصت و ششم: متد SHAP برای توضیح‌پذیری
• 67. فصل شصت و هفتم: متد LIME برای توضیح‌پذیری
• 68. فصل شصت و هشتم: تجسم و تفسیر نتایج بیش برازش
• 69. فصل شصت و نهم: پایش مداوم مدل‌ها
• 70. فصل هفتادم: شناسایی انحراف داده (Data Drift)
• 71. فصل هفتاد و یکم: شناسایی انحراف مفهوم (Concept Drift)
• 72. فصل هفتاد و دوم: بازآموزی (Retraining) مدل‌ها
• 73. فصل هفتاد و سوم: استراتژی‌های بازآموزی
• 74. فصل هفتاد و چهارم: مدیریت مجموعه داده‌های بزرگ
• 75. فصل هفتاد و پنجم: تکنیک‌های نمونه‌برداری (Sampling)
• 76. فصل هفتاد و ششم: نمونه‌برداری طبقه‌بندی (Stratified Sampling)
• 77. فصل هفتاد و هفتم: نمونه‌برداری دسته‌ای (Batch Sampling)
• 78. فصل هفتاد و هشتم: بیش برازش و مقادیر پرت (Outliers)
• 79. فصل هفتاد و نهم: شناسایی و مدیریت مقادیر پرت
• 80. فصل هشتادم: تبدیل داده برای مقادیر پرت
• 81. فصل هشتاد و یکم: مدل‌سازی مبتنی بر قواعد (Rule-Based Modeling)
• 82. فصل هشتاد و دوم: مدل‌های آماری قوی (Robust Statistical Models)
• 83. فصل هشتاد و سوم: تکنیک‌های مبتنی بر همسایه (Neighbor-Based Methods)
• 84. فصل هشتاد و چهارم: K-نزدیک‌ترین همسایه (K-NN) و بیش برازش
• 85. فصل هشتاد و پنجم: الگوریتم‌های خوشه‌بندی و بیش برازش
• 86. فصل هشتاد و ششم: بیش برازش در مدل‌های سری زمانی املاک
• 87. فصل هشتاد و هفتم: تجزیه سری زمانی و بیش برازش
• 88. فصل هشتاد و هشتم: مدل‌های ARIMA و بیش برازش
• 89. فصل هشتاد و نهم: مدل‌های LSTM و بیش برازش
• 90. فصل نودم: ارزیابی مدل در سناریوهای واقعی
• 91. فصل نود و یکم: هزینه‌های اقتصادی بیش برازش
• 92. فصل نود و دوم: اهمیت اعتبار سنجی دامنه (Domain Validation)
• 93. فصل نود و سوم: نقش متخصصان دامنه در پیشگیری از بیش برازش
• 94. فصل نود و چهارم: طراحی آزمایشات برای سنجش بیش برازش
• 95. فصل نود و پنجم: مستندسازی مدل‌ها و فرآیندها
• 96. فصل نود و ششم: مقایسه تکنیک‌های پیشگیری از بیش برازش
• 97. فصل نود و هفتم: انتخاب بهترین تکنیک بر اساس مسئله
• 98. فصل نود و هشتم: مسیر آینده در مدل‌سازی املاک بدون بیش برازش
• 99. فصل نود و نهم: درس‌های آموخته شده از پرونده‌های واقعی
• 100. فصل صدم: چکیده و جمع‌بندی نهایی