فلش‌کارت‌های آموزشی مهندسی ویژگی مقیاس‌پذیر: پردازش حجم عظیم داده برای مدل‌های قوی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی مقیاس‌پذیر: پردازش حجم عظیم داده برای مدل‌های قوی

موضوع کلی: تصمیم‌گیری بهینه در شرایط عدم قطعیت

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

• 1. مبانی مهندسی ویژگی در پردازش داده‌های حجیم
• 2. مقدمه‌ای بر مقیاس‌پذیری در مهندسی ویژگی
• 3. انواع داده‌های حجیم و چالش‌های آن‌ها
• 4. اصول طراحی ویژگی‌های مقیاس‌پذیر
• 5. تکنیک‌های کاهش ابعاد در داده‌های حجیم
• 6. تحلیل مؤلفه‌های اصلی (PCA) برای داده‌های حجیم
• 7. تجزیه مقادیر منفرد (SVD) در مقیاس بزرگ
• 8. انتخاب ویژگی با روش‌های فیلترینگ
• 9. انتخاب ویژگی با روش‌های بسته‌بندی (Wrapper)
• 10. انتخاب ویژگی با روش‌های تعبیه‌شده (Embedded)
• 11. مهندسی ویژگی مبتنی بر درخت تصمیم
• 12. مهندسی ویژگی برای یادگیری عمیق
• 13. شبکه‌های عصبی کانولوشنال (CNN) برای استخراج ویژگی
• 14. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 15. ترنسفورمرها و استخراج ویژگی‌های متنی
• 16. مهندسی ویژگی برای داده‌های گراف
• 17. شبکه‌های گراف عصبی (GNN)
• 18. پردازش زبان طبیعی (NLP) و مهندسی ویژگی
• 19. بردارهای کلمه (Word Embeddings)
• 20. استخراج ویژگی از متن با TF-IDF
• 21. استخراج ویژگی از متن با مدل‌های زبانی
• 22. مهندسی ویژگی برای داده‌های تصویری
• 23. استخراج ویژگی از تصاویر با SIFT و SURF
• 24. استخراج ویژگی از تصاویر با شبکه‌های یادگیری عمیق
• 25. مهندسی ویژگی برای داده‌های صوتی
• 26. استخراج ویژگی از صوت با MFCC
• 27. مهندسی ویژگی برای داده‌های سری زمانی
• 28. استخراج ویژگی از سری زمانی با استفاده از تبدیل فوریه
• 29. استخراج ویژگی از سری زمانی با استفاده از تجزیه ویولت
• 30. پردازش داده‌های حجیم با Apache Spark
• 31. مفاهیم اولیه Apache Spark
• 32. Spark SQL برای پردازش داده‌های ساختاریافته
• 33. Spark Streaming برای پردازش داده‌های زنده
• 34. MLlib در Spark برای یادگیری ماشین
• 35. مهندسی ویژگی با استفاده از MLlib
• 36. مدل‌های یادگیری مقیاس‌پذیر در Spark
• 37. تکنیک‌های نمونه‌برداری در داده‌های حجیم
• 38. نمونه‌برداری تصادفی ساده
• 39. نمونه‌برداری طبقه‌ای
• 40. نمونه‌گیری مجدد (Resampling)
• 41. مهندسی ویژگی برای داده‌های نامتوازن
• 42. روش‌های تولید داده‌های مصنوعی (SMOTE)
• 43. ارزیابی مدل‌ها در داده‌های نامتوازن
• 44. بهینه‌سازی هایپرپارامترها در مقیاس بزرگ
• 45. جستجوی شبکه‌ای (Grid Search)
• 46. جستجوی تصادفی (Random Search)
• 47. بهینه‌سازی بیزی (Bayesian Optimization)
• 48. مدیریت داده‌های حجیم و ذخیره‌سازی
• 49. پایگاه‌های داده NoSQL برای داده‌های حجیم
• 50. ذخیره‌سازی توزیع‌شده HDFS
• 51. مهندسی ویژگی در پایگاه‌های داده NoSQL
• 52. تکنیک‌های ساخت ویژگی‌های ترکیبی
• 53. ترکیب ویژگی‌های عددی و دسته‌ای
• 54. تکنیک‌های نگاشت ویژگی‌های دسته‌ای
• 55. ترکیب ویژگی‌های متنی و عددی
• 56. مهندسی ویژگی در سیستم‌های توصیه‌گر
• 57. فیلترینگ مبتنی بر محتوا
• 58. فیلترینگ مشارکتی
• 59. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 60. مهندسی ویژگی برای تشخیص ناهنجاری
• 61. تکنیک‌های مبتنی بر چگالی
• 62. تکنیک‌های مبتنی بر فاصله
• 63. تکنیک‌های مبتنی بر مدل‌های یادگیری ماشین
• 64. مهندسی ویژگی در حوزه سلامت دیجیتال
• 65. استخراج ویژگی از پرونده الکترونیک سلامت
• 66. مهندسی ویژگی در پیش‌بینی بیماری
• 67. مهندسی ویژگی در تحلیل داده‌های شبکه‌های اجتماعی
• 68. استخراج ویژگی‌های کاربران و روابط
• 69. تحلیل احساسات و نظرات کاربران
• 70. مهندسی ویژگی در حوزه مالی و اقتصادی
• 71. استخراج ویژگی از داده‌های تراکنش
• 72. پیش‌بینی روند بازار
• 73. مدیریت ریسک با مهندسی ویژگی
• 74. مهندسی ویژگی در حوزه اینترنت اشیاء (IoT)
• 75. استخراج ویژگی از داده‌های سنسورها
• 76. تشخیص الگو در داده‌های IoT
• 77. بهینه‌سازی مصرف انرژی با مهندسی ویژگی
• 78. مهندسی ویژگی در سیستم‌های خودران
• 79. استخراج ویژگی از داده‌های حسگرهای خودرو
• 80. پیش‌بینی رفتار سایر خودروها
• 81. مهندسی ویژگی در پردازش تصویر پزشکی
• 82. استخراج ویژگی از تصاویر MRI و CT
• 83. تشخیص تومور و ناهنجاری‌ها
• 84. مهندسی ویژگی در تحلیل ترافیک شهری
• 85. استخراج ویژگی از داده‌های دوربین‌ها و سنسورها
• 86. پیش‌بینی ازدحام و بهینه‌سازی جریان ترافیک
• 87. مهندسی ویژگی در امنیت سایبری
• 88. تشخیص نفوذ و بدافزار
• 89. تحلیل رفتارهای مشکوک
• 90. مهندسی ویژگی در بهینه‌سازی زیرساخت‌های ابری
• 91. مدیریت منابع و پیش‌بینی بار
• 92. تکنیک‌های مهندسی ویژگی در یادگیری تقویتی
• 93. استخراج ویژگی از محیط برای عامل
• 94. یادگیری نمایش ویژگی‌ها در یادگیری تقویتی
• 95. مهندسی ویژگی در پردازش ویدئو
• 96. استخراج ویژگی‌های مکانی-زمانی
• 97. تشخیص فعالیت و رویداد در ویدئو
• 98. ملاحظات اخلاقی و حریم خصوصی در مهندسی ویژگی
• 99. حفاظت از داده‌های حساس
• 100. روش‌های گمنام‌سازی داده‌ها