فلش‌کارت‌های آموزشی روش‌های تجمیعی در پایتون برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های تجمیعی در پایتون برای تحلیل داده

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و داده‌کاوی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده با پایتون
• 2. مبانی یادگیری ماشین
• 3. مفاهیم اساسی روش‌های تجمیعی
• 4. مقدمه‌ای بر جنگل‌های تصادفی
• 5. پیاده‌سازی جنگل‌های تصادفی در پایتون
• 6. بهینه‌سازی پارامترهای جنگل‌های تصادفی
• 7. کاربرد جنگل‌های تصادفی در طبقه‌بندی
• 8. کاربرد جنگل‌های تصادفی در رگرسیون
• 9. مقدمه‌ای بر تقویت گرادیان
• 10. الگوریتم AdaBoost
• 11. پیاده‌سازی AdaBoost در پایتون
• 12. بهینه‌سازی پارامترهای AdaBoost
• 13. کاربرد AdaBoost در طبقه‌بندی
• 14. کاربرد AdaBoost در رگرسیون
• 15. الگوریتم Gradient Boosting Machines (GBM)
• 16. پیاده‌سازی GBM در پایتون
• 17. تنظیم پارامترهای GBM
• 18. کاربرد GBM در مسائل واقعی
• 19. مقدمه‌ای بر Stacked Generalization (Stacking)
• 20. پیاده‌سازی Stacking در پایتون
• 21. انتخاب مدل‌های پایه برای Stacking
• 22. انتخاب متا مدل برای Stacking
• 23. ارزیابی عملکرد مدل‌های تجمیعی
• 24. معیارهای ارزیابی در طبقه‌بندی
• 25. معیارهای ارزیابی در رگرسیون
• 26. اعتبارسنجی متقابل (Cross-Validation)
• 27. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 28. جستجوی شبکه‌ای (Grid Search)
• 29. جستجوی تصادفی (Random Search)
• 30. روش‌های بیزی برای تنظیم ابرپارامترها
• 31. تجمیع در مسائل پیش‌پردازش داده
• 32. تجمیع برای کاهش ابعاد
• 33. تجمیع برای تشخیص ناهنجاری
• 34. تجمیع در پردازش زبان طبیعی (NLP)
• 35. تجمیع در بینایی ماشین (Computer Vision)
• 36. مقدمه‌ای بر شبکه‌های عصبی
• 37. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 38. پیاده‌سازی MLP با Scikit-learn
• 39. مقدمه‌ای بر یادگیری عمیق
• 40. شبکه‌های عصبی کانولوشنی (CNN)
• 41. کاربرد CNN در تحلیل تصاویر
• 42. شبکه‌های عصبی بازگشتی (RNN)
• 43. کاربرد RNN در تحلیل توالی‌ها
• 44. شبکه‌های عصبی ترنسفورمر
• 45. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 46. کاربرد LLMs در وظایف NLP
• 47. آموزش مدل‌های تجمیعی از ابتدا
• 48. تنظیم داده‌ها برای آموزش مدل‌های تجمیعی
• 49. مدیریت داده‌های نامتوازن
• 50. تکنیک‌های افزایش داده (Data Augmentation)
• 51. ملاحظات اخلاقی در تحلیل داده
• 52. حریم خصوصی داده‌ها
• 53. امنیت داده‌ها در مدل‌های تجمیعی
• 54. تفسیرپذیری مدل‌های تجمیعی
• 55. روش‌های توضیح مدل (Explainable AI - XAI)
• 56. تکنیک LIME برای تفسیر مدل
• 57. تکنیک SHAP برای تفسیر مدل
• 58. کاربرد تجمیع در سیستم‌های توصیه‌گر
• 59. طراحی سیستم‌های توصیه‌گر با رویکرد تجمیعی
• 60. ارزیابی سیستم‌های توصیه‌گر
• 61. تجمیع در تحلیل داده‌های سری زمانی
• 62. مدل‌سازی سری زمانی با روش‌های تجمیعی
• 63. کاربرد تجمیع در تحلیل داده‌های مکانی
• 64. بهینه‌سازی منابع با استفاده از مدل‌های تجمیعی
• 65. پیش‌بینی تقاضا با مدل‌های تجمیعی
• 66. تحلیل ریسک با مدل‌های تجمیعی
• 67. کاربرد تجمیع در کشف تقلب
• 68. کشف تقلب در تراکنش‌های مالی
• 69. کشف تقلب در بیمه
• 70. تجمیع در بهینه‌سازی فرآیندها
• 71. بهینه‌سازی زنجیره تأمین
• 72. بهینه‌سازی تولید
• 73. تجمیع در حوزه سلامت
• 74. پیش‌بینی بیماری‌ها با مدل‌های تجمیعی
• 75. تشخیص زودهنگام بیماری‌ها
• 76. کاربرد تجمیع در حوزه آموزش
• 77. شخصی‌سازی یادگیری
• 78. پیش‌بینی موفقیت تحصیلی
• 79. تجمیع در حوزه حقوق و قضا
• 80. تحلیل پرونده‌های قضایی
• 81. پیش‌بینی نتایج دعاوی
• 82. روش‌های پیشرفته در جنگل‌های تصادفی
• 83. مدل‌های مبتنی بر Boosting پیشرفته
• 84. روش‌های نوین در Stacking
• 85. تجمیع مدل‌های یادگیری عمیق
• 86. ترکیب مدل‌های کلاسیک و عمیق
• 87. مبانی داده‌کاوی در پایتون
• 88. استخراج قوانین وابستگی (Association Rule Mining)
• 89. الگوریتم Apriori
• 90. کاربرد Apriori در تحلیل سبد خرید
• 91. خوشه‌بندی (Clustering)
• 92. الگوریتم K-Means
• 93. کاربرد K-Means در بخش‌بندی مشتریان
• 94. تحلیل آماری در پایتون
• 95. آزمون‌های فرض آماری
• 96. مفاهیم آمار توصیفی
• 97. آمار استنباطی در پایتون
• 98. مقدمه‌ای بر یادگیری تقویتی
• 99. مفاهیم اساسی یادگیری تقویتی
• 100. کاربرد یادگیری تقویتی در پایتون