فلش‌کارت‌های آموزشی حل مسائل رگرسیون با Scikit-Learn

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره حل مسائل رگرسیون با Scikit-Learn

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علم داده و یادگیری ماشین
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده و بدون نظارت
• 5. مفاهیم اساسی رگرسیون
• 6. انواع مسائل رگرسیون
• 7. مقدمه‌ای بر Scikit-Learn
• 8. نصب و راه‌اندازی Scikit-Learn
• 9. ساختار داده‌ها در Scikit-Learn
• 10. بارگذاری مجموعه داده‌ها
• 11. پیش‌پردازش داده‌ها
• 12. پاکسازی داده‌ها
• 13. مدیریت مقادیر گمشده
• 14. تبدیل ویژگی‌ها
• 15. استانداردسازی و نرمال‌سازی
• 16. رمزگذاری ویژگی‌های دسته‌ای
• 17. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 18. ارزیابی مدل‌های رگرسیون
• 19. معیارهای ارزیابی رگرسیون
• 20. میانگین مربعات خطا (MSE)
• 21. ریشه میانگین مربعات خطا (RMSE)
• 22. میانگین قدر مطلق خطا (MAE)
• 23. ضریب تعیین (R-squared)
• 24. مدل‌های رگرسیون خطی ساده
• 25. مفاهیم رگرسیون خطی
• 26. نحوه برازش مدل خطی
• 27. تفسیر ضرایب رگرسیون خطی
• 28. رگرسیون خطی چندگانه
• 29. پیاده‌سازی رگرسیون خطی با Scikit-Learn
• 30. مدل‌های رگرسیون چندجمله‌ای
• 31. نحوه برازش منحنی رگرسیون
• 32. مدل‌های رگرسیون منظم شده (Regularized Regression)
• 33. رگرسیون ریج (Ridge Regression)
• 34. رگرسیون لاسو (Lasso Regression)
• 35. رگرسیون الاستیک نت (Elastic Net Regression)
• 36. تنظیم هایپرپارامترها
• 37. جستجوی شبکه‌ای (Grid Search)
• 38. جستجوی تصادفی (Random Search)
• 39. اعتبارسنجی متقابل (Cross-Validation)
• 40. مدل‌های درخت تصمیم برای رگرسیون
• 41. نحوه ساخت درخت تصمیم
• 42. مزایا و معایب درخت تصمیم
• 43. تنظیم پارامترهای درخت تصمیم
• 44. مدل‌های جنگل تصادفی برای رگرسیون
• 45. نحوه ساخت جنگل تصادفی
• 46. مزایای جنگل تصادفی
• 47. تنظیم پارامترهای جنگل تصادفی
• 48. مدل‌های تقویت گرادیان (Gradient Boosting)
• 49. مقدمه‌ای بر تقویت گرادیان
• 50. پیاده‌سازی تقویت گرادیان با Scikit-Learn
• 51. تنظیم پارامترهای تقویت گرادیان
• 52. مدل‌های ماشین بردار پشتیبان (SVM) برای رگرسیون (SVR)
• 53. مفاهیم SVR
• 54. نحوه استفاده از هسته‌ها در SVR
• 55. تنظیم پارامترهای SVR
• 56. مدل‌های K-نزدیکترین همسایه (KNN) برای رگرسیون
• 57. نحوه استفاده از KNN برای رگرسیون
• 58. انتخاب مقدار K
• 59. مدل‌های رگرسیون مبتنی بر توازن (Bayesian Regression)
• 60. مقدمه‌ای بر رگرسیون بیزی
• 61. مدل‌های پیش‌بینی سری زمانی
• 62. مقدمه‌ای بر پیش‌بینی سری زمانی
• 63. مدل ARIMA
• 64. مدل‌های رگرسیون سری زمانی با Scikit-Learn
• 65. تشخیص و مدیریت داده‌های پرت (Outliers)
• 66. روش‌های شناسایی داده‌های پرت
• 67. حذف یا تبدیل داده‌های پرت
• 68. مهندسی ویژگی (Feature Engineering)
• 69. ایجاد ویژگی‌های جدید
• 70. انتخاب ویژگی (Feature Selection)
• 71. روش‌های انتخاب ویژگی
• 72. اهمیت ویژگی‌ها
• 73. مدل‌سازی پیشرفته رگرسیون
• 74. نکات و ترفندهای پیشرفته
• 75. عیب‌یابی مدل‌های رگرسیون
• 76. بهینه‌سازی عملکرد مدل
• 77. کاربرد رگرسیون در حوزه‌های مختلف
• 78. تحلیل داده‌های بازار سهام
• 79. پیش‌بینی قیمت مسکن
• 80. تحلیل داده‌های پزشکی
• 81. تحلیل داده‌های فروش
• 82. مقدمه‌ای بر یادگیری عمیق برای رگرسیون
• 83. شبکه‌های عصبی برای رگرسیون
• 84. معماری‌های شبکه‌های عصبی
• 85. پیاده‌سازی شبکه‌های عصبی با کتابخانه‌های مرتبط
• 86. آموزش شبکه‌های عصبی
• 87. ارزیابی مدل‌های یادگیری عمیق
• 88. کاربرد یادگیری عمیق در رگرسیون
• 89. مقدمه‌ای بر مدل‌های ترکیبی (Ensemble Methods)
• 90. ترکیب مدل‌های رگرسیون
• 91. روش‌های Stacking و Blending
• 92. پیاده‌سازی مدل‌های ترکیبی
• 93. بهبود دقت پیش‌بینی با مدل‌های ترکیبی
• 94. تحلیل حساسیت و عدم قطعیت در مدل‌ها
• 95. مفهوم تحلیل حساسیت
• 96. روش‌های تحلیل عدم قطعیت
• 97. مدل‌سازی ریسک با رگرسیون
• 98. کاربرد مدل‌های رگرسیون در مدیریت ریسک
• 99. مقدمه‌ای بر اخلاق در علم داده
• 100. مسائل اخلاقی در مدل‌سازی رگرسیون