فلش‌کارت‌های آموزشی طبقه‌بندی داده‌ها با Scikit-Learn

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طبقه‌بندی داده‌ها با Scikit-Learn

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر طبقه‌بندی داده‌ها
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع مسائل طبقه‌بندی
• 4. معرفی Scikit-Learn
• 5. نصب و راه‌اندازی Scikit-Learn
• 6. مجموعه داده‌های نمونه
• 7. پیش‌پردازش داده‌ها: پاکسازی
• 8. پیش‌پردازش داده‌ها: مقیاس‌بندی
• 9. پیش‌پردازش داده‌ها: کدگذاری متغیرهای دسته‌ای
• 10. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 11. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 12. دقت (Accuracy)
• 13. صحت (Precision)
• 14. بازیابی (Recall)
• 15. امتیاز F1
• 16. ماتریس درهم‌ریختگی (Confusion Matrix)
• 17. مدل رگرسیون لجستیک (Logistic Regression)
• 18. تنظیم هایپرپارامترهای رگرسیون لجستیک
• 19. مدل ماشین بردار پشتیبان (Support Vector Machine - SVM)
• 20. انواع کرنل در SVM
• 21. تنظیم هایپرپارامترهای SVM
• 22. مدل درخت تصمیم (Decision Tree)
• 23. تنظیم هایپرپارامترهای درخت تصمیم
• 24. مدل جنگل تصادفی (Random Forest)
• 25. تنظیم هایپرپارامترهای جنگل تصادفی
• 26. مدل تقویت گرادیان (Gradient Boosting)
• 27. تنظیم هایپرپارامترهای تقویت گرادیان
• 28. مدل K-نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
• 29. تنظیم هایپرپارامترهای KNN
• 30. مدل طبقه‌بندی بیز ساده (Naive Bayes Classifier)
• 31. انواع Naive Bayes
• 32. مدل شبکه‌های عصبی (Neural Networks)
• 33. مقدمه‌ای بر طبقه‌بندی با شبکه‌های عصبی
• 34. آموزش مدل‌های طبقه‌بندی
• 35. اعتبارسنجی متقابل (Cross-Validation)
• 36. تنظیم هایپرپارامترها با جستجوی شبکه‌ای (Grid Search)
• 37. تنظیم هایپرپارامترها با جستجوی تصادفی (Random Search)
• 38. انتخاب بهترین مدل
• 39. مدیریت داده‌های نامتوازن (Imbalanced Data)
• 40. تکنیک‌های نمونه‌برداری داده‌های نامتوازن
• 41. بازنمایی داده‌ها (Feature Engineering)
• 42. شناسایی ویژگی‌های مهم
• 43. کاهش ابعاد داده‌ها (Dimensionality Reduction)
• 44. تحلیل مولفه‌های اصلی (PCA)
• 45. تحلیل تفکیک‌کننده خطی (LDA)
• 46. کاربرد طبقه‌بندی در تشخیص اسپم
• 47. کاربرد طبقه‌بندی در تشخیص بیماری
• 48. کاربرد طبقه‌بندی در تحلیل احساسات
• 49. کاربرد طبقه‌بندی در تشخیص تقلب
• 50. کاربرد طبقه‌بندی در پیش‌بینی ریزش مشتری
• 51. مقدمه‌ای بر تفسیرپذیری مدل‌ها (Model Interpretability)
• 52. تفسیر مدل‌های خطی
• 53. تفسیر مدل‌های درختی
• 54. تفسیر مدل‌های مبتنی بر SVM
• 55. تفسیر مدل‌های مبتنی بر شبکه‌های عصبی
• 56. تکنیک‌های LIME و SHAP
• 57. پیاده‌سازی عملی طبقه‌بندی با Scikit-Learn
• 58. مثال ۱: طبقه‌بندی گل زنبق (Iris Dataset)
• 59. مثال ۲: طبقه‌بندی سرطان پستان (Breast Cancer Dataset)
• 60. مثال ۳: طبقه‌بندی ایمیل اسپم
• 61. مثال ۴: طبقه‌بندی تصاویر (با استفاده از ویژگی‌های استخراج شده)
• 62. کاربرد داده‌کاوی در طبقه‌بندی
• 63. اصول اخلاقی در استفاده از هوش مصنوعی
• 64. حریم خصوصی داده‌ها در طبقه‌بندی
• 65. امنیت مدل‌های طبقه‌بندی
• 66. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 67. شبکه‌های عصبی کانولوشنی (CNN) برای طبقه‌بندی تصاویر
• 68. شبکه‌های عصبی بازگشتی (RNN) برای طبقه‌بندی متن
• 69. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 70. طبقه‌بندی متن با استفاده از Scikit-Learn
• 71. بردارهای کلمه (Word Embeddings)
• 72. تکنیک‌های TF-IDF
• 73. مقدمه‌ای بر طبقه‌بندی چندبرچسبی (Multi-label Classification)
• 74. پیاده‌سازی طبقه‌بندی چندبرچسبی
• 75. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 76. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 77. کاربرد یادگیری انتقالی در طبقه‌بندی
• 78. مقدمه‌ای بر مدل‌های مولد (Generative Models)
• 79. کاربرد مدل‌های مولد در طبقه‌بندی
• 80. ملاحظات عملی در استقرار مدل‌های طبقه‌بندی
• 81. نظارت بر عملکرد مدل در طول زمان
• 82. به‌روزرسانی مدل‌های طبقه‌بندی
• 83. مقایسه الگوریتم‌های مختلف طبقه‌بندی
• 84. نکات پیشرفته در تنظیم هایپرپارامترها
• 85. روش‌های جلوگیری از بیش‌برازش (Overfitting)
• 86. روش‌های جلوگیری از کم‌برازش (Underfitting)
• 87. اهمیت انتخاب صحیح ویژگی‌ها
• 88. مبانی آماری در یادگیری ماشین
• 89. مقدمه‌ای بر تئوری اطلاعات
• 90. کاربرد تئوری اطلاعات در انتخاب ویژگی
• 91. بررسی مطالعات موردی پیشرفته
• 92. آینده طبقه‌بندی داده‌ها
• 93. جمع‌بندی و مسیرهای یادگیری بیشتر
• 94. مرور مفاهیم کلیدی
• 95. تمرین‌های عملی پایانی