فلش‌کارت‌های آموزشی پیش‌پردازش داده‌ها برای یادگیری ماشین با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌پردازش داده‌ها برای یادگیری ماشین با پایتون

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پیش‌پردازش داده‌ها در یادگیری ماشین
• 2. اهمیت پیش‌پردازش داده‌ها
• 3. آشنایی با محیط توسعه پایتون برای علوم داده
• 4. نصب و پیکربندی کتابخانه‌های ضروری (NumPy, Pandas, Scikit-learn)
• 5. مفاهیم پایه‌ای ساختارهای داده در پایتون (لیست‌ها، تاپل‌ها، دیکشنری‌ها)
• 6. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 7. آرایه‌های NumPy: ایجاد، دستکاری و عملیات
• 8. نمایه‌گذاری و برش در آرایه‌های NumPy
• 9. عملیات برداری در NumPy
• 10. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 11. ساختارهای داده Pandas: سری‌ها و دیتافریم‌ها
• 12. بارگذاری و ذخیره داده‌ها (CSV, Excel)
• 13. دستکاری دیتافریم‌ها: انتخاب، فیلتر و مرتب‌سازی
• 14. مدیریت مقادیر گمشده در دیتافریم‌ها
• 15. شناسایی و مدیریت مقادیر گمشده
• 16. روش‌های جایگزینی مقادیر گمشده (میانگین، میانه، مد)
• 17. درون‌یابی مقادیر گمشده
• 18. حذف داده‌های دارای مقادیر گمشده
• 19. کار با داده‌های دسته‌ای (Categorical Data)
• 20. کدگذاری متغیرهای دسته‌ای (One-Hot Encoding)
• 21. کدگذاری ترتیبی (Ordinal Encoding)
• 22. برچسب‌گذاری متغیرهای دسته‌ای
• 23. کار با داده‌های متنی
• 24. پیش‌پردازش متن: پاکسازی، حذف علائم نگارشی
• 25. توکن‌سازی و حذف کلمات توقف (Stop Words)
• 26. تبدیل متن به بردار (Bag-of-Words, TF-IDF)
• 27. نرمال‌سازی و استانداردسازی داده‌ها
• 28. تکنیک‌های نرمال‌سازی (Min-Max Scaling)
• 29. تکنیک‌های استانداردسازی (Z-score Standardization)
• 30. اهمیت استانداردسازی برای الگوریتم‌های یادگیری ماشین
• 31. شناسایی و مدیریت داده‌های پرت (Outliers)
• 32. روش‌های شناسایی داده‌های پرت (نمودار جعبه‌ای، IQR)
• 33. روش‌های حذف داده‌های پرت
• 34. روش‌های جایگزینی داده‌های پرت
• 35. مهندسی ویژگی (Feature Engineering)
• 36. ایجاد ویژگی‌های جدید از ویژگی‌های موجود
• 37. ترکیب ویژگی‌ها
• 38. استخراج ویژگی از تاریخ و زمان
• 39. استخراج ویژگی از داده‌های مکانی (در صورت کاربرد)
• 40. کاهش ابعاد (Dimensionality Reduction)
• 41. تحلیل مؤلفه‌های اصلی (PCA)
• 42. کاربرد PCA در کاهش ابعاد
• 43. تجزیه مقادیر منفرد (SVD)
• 44. تجزیه و تحلیل تشابه (LDA)
• 45. انتخاب ویژگی (Feature Selection)
• 46. روش‌های فیلتر (Filter Methods)
• 47. روش‌های بسته‌بندی (Wrapper Methods)
• 48. روش‌های تعبیه شده (Embedded Methods)
• 49. انتخاب ویژگی با استفاده از درخت‌های تصمیم
• 50. استفاده از اهمیت ویژگی در مدل‌های خطی
• 51. پیش‌پردازش داده‌ها برای طبقه‌بندی
• 52. پیش‌پردازش داده‌ها برای رگرسیون
• 53. کاربرد تکنیک‌های پیش‌پردازش در مدل‌های مختلف
• 54. آماده‌سازی داده‌ها برای الگوریتم‌های مبتنی بر فاصله
• 55. آماده‌سازی داده‌ها برای شبکه‌های عصبی
• 56. آماده‌سازی داده‌ها برای الگوریتم‌های درختی
• 57. ارزیابی کیفیت پیش‌پردازش
• 58. بازنگری و اعتبارسنجی مراحل پیش‌پردازش
• 59. مستندسازی فرآیند پیش‌پردازش
• 60. مدیریت توازن داده‌ها (Data Balancing)
• 61. شناسایی عدم توازن کلاس‌ها
• 62. روش‌های نمونه‌برداری بیش از حد (Oversampling)
• 63. روش‌های نمونه‌برداری کمتر از حد (Undersampling)
• 64. استفاده از کتابخانه imbalanced-learn
• 65. پیش‌پردازش داده‌های سری زمانی
• 66. شناسایی الگوها در داده‌های سری زمانی
• 67. نرمال‌سازی داده‌های سری زمانی
• 68. تبدیل داده‌های سری زمانی برای مدل‌ها
• 69. پیش‌پردازش داده‌های تصویر
• 70. بارگذاری و نمایش تصاویر
• 71. تبدیل تصاویر به فرمت عددی
• 72. نرمال‌سازی مقادیر پیکسل تصاویر
• 73. تکنیک‌های افزایش داده (Data Augmentation) برای تصاویر
• 74. پیش‌پردازش داده‌های صوتی
• 75. فشرده‌سازی و کاهش ابعاد داده‌های صوتی
• 76. استخراج ویژگی از سیگنال صوتی
• 77. پیش‌پردازش داده‌های گراف
• 78. نمایش و دستکاری گراف‌ها
• 79. تبدیل گراف به فرمت قابل استفاده برای یادگیری ماشین
• 80. پیش‌پردازش داده‌های ترکیبی (Heterogeneous Data)
• 81. ادغام منابع داده مختلف
• 82. چالش‌های پیش‌پردازش داده‌های ترکیبی
• 83. ملاحظات اخلاقی در پیش‌پردازش داده‌ها
• 84. حفظ حریم خصوصی داده‌ها
• 85. کاهش سوگیری در داده‌ها
• 86. پیش‌پردازش داده‌ها در عمل: مطالعات موردی
• 87. مثال: پیش‌پردازش داده‌های مالی
• 88. مثال: پیش‌پردازش داده‌های پزشکی
• 89. مثال: پیش‌پردازش داده‌های فروشگاه‌های آنلاین
• 90. آینده پیش‌پردازش داده‌ها در یادگیری ماشین
• 91. چالش‌های جدید در پیش‌پردازش داده‌ها
• 92. ابزارها و تکنیک‌های نوظهور
• 93. جمع‌بندی و گام‌های بعدی در یادگیری ماشین