فلش‌کارت‌های آموزشی پیاده‌سازی و ارزیابی جنگل‌های تصادفی در پایتون برای یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی و ارزیابی جنگل‌های تصادفی در پایتون برای یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. آشنایی با پایتون برای علم داده
• 5. نصب و پیکربندی محیط پایتون
• 6. کتابخانه‌های ضروری: NumPy، Pandas، Matplotlib
• 7. آشنایی با ساختار داده در پایتون
• 8. عملیات پایه روی آرایه‌های NumPy
• 9. کار با دیتافریم‌ها در Pandas
• 10. فیلتر کردن و انتخاب داده در Pandas
• 11. تجزیه و تحلیل اکتشافی داده (EDA)
• 12. تصویرسازی داده با Matplotlib و Seaborn
• 13. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 14. مفهوم درخت تصمیم
• 15. کاربرد درخت تصمیم در مسائل طبقه‌بندی
• 16. کاربرد درخت تصمیم در مسائل رگرسیون
• 17. محدودیت‌های درخت تصمیم
• 18. مقدمه‌ای بر جنگل‌های تصادفی
• 19. چرا جنگل تصادفی؟
• 20. نحوه ساخت جنگل تصادفی
• 21. الگوریتم‌های نمونه‌برداری در جنگل تصادفی
• 22. مفهوم Bagging (Bootstrap Aggregating)
• 23. نحوه ترکیب پیش‌بینی‌ها در جنگل تصادفی
• 24. پیاده‌سازی جنگل تصادفی با Scikit-learn
• 25. نصب Scikit-learn
• 26. مقدمه‌ای بر ماژول `ensemble`
• 27. کلاس `RandomForestClassifier`
• 28. کلاس `RandomForestRegressor`
• 29. آماده‌سازی داده برای مدل‌سازی
• 30. پیش‌پردازش داده‌ها
• 31. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 32. رمزگذاری ویژگی‌های دسته‌ای (Categorical Features)
• 33. تقسیم داده به مجموعه آموزش و آزمون
• 34. تنظیم پارامترهای مدل جنگل تصادفی
• 35. پارامتر `n_estimators`
• 36. پارامتر `max_depth`
• 37. پارامتر `min_samples_split`
• 38. پارامتر `min_samples_leaf`
• 39. پارامتر `max_features`
• 40. اعتبارسنجی متقابل (Cross-Validation)
• 41. کلاس `KFold`
• 42. پیاده‌سازی اعتبارسنجی متقابل
• 43. ارزیابی مدل‌های طبقه‌بندی
• 44. متریک‌های ارزیابی: دقت (Accuracy)
• 45. متریک‌های ارزیابی: صحت (Precision)
• 46. متریک‌های ارزیابی: بازیابی (Recall)
• 47. متریک‌های ارزیابی: امتیاز F1
• 48. ماتریس درهم‌ریختگی (Confusion Matrix)
• 49. مقدمه‌ای بر منحنی ROC و AUC
• 50. ارزیابی مدل‌های رگرسیون
• 51. متریک‌های ارزیابی: خطای میانگین مربعات (MSE)
• 52. متریک‌های ارزیابی: ریشه خطای میانگین مربعات (RMSE)
• 53. متریک‌های ارزیابی: خطای میانگین مطلق (MAE)
• 54. متریک‌های ارزیابی: ضریب تعیین (R-squared)
• 55. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 56. جستجوی شبکه‌ای (Grid Search)
• 57. جستجوی تصادفی (Random Search)
• 58. کاربرد جنگل تصادفی در مسائل واقعی
• 59. مثال کاربردی: پیش‌بینی قیمت مسکن
• 60. مثال کاربردی: تشخیص بیماری
• 61. مثال کاربردی: تحلیل احساسات متن
• 62. مثال کاربردی: پیش‌بینی ریزش مشتری
• 63. ملاحظات اخلاقی در هوش مصنوعی
• 64. تفسیرپذیری مدل‌های یادگیری ماشین
• 65. اهمیت داده‌های تمیز و معتبر
• 66. ملاحظات مربوط به حریم خصوصی داده‌ها
• 67. قوانین و مقررات مربوط به داده‌ها در ایران
• 68. اصول طراحی مدل‌های منصفانه
• 69. رفع سوگیری در داده‌ها و مدل‌ها
• 70. کاربرد جنگل تصادفی در تحلیل ریسک مالی
• 71. کاربرد جنگل تصادفی در بهینه‌سازی فرآیندها
• 72. کاربرد جنگل تصادفی در تشخیص ناهنجاری
• 73. کاربرد جنگل تصادفی در پیش‌بینی روند بازار
• 74. کاربرد جنگل تصادفی در تحلیل داده‌های پزشکی
• 75. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 76. شبکه‌های عصبی مصنوعی
• 77. معماری‌های پرکاربرد در یادگیری عمیق
• 78. تفاوت یادگیری ماشین و یادگیری عمیق
• 79. محدودیت‌های جنگل تصادفی
• 80. مفاهیم پیشرفته در جنگل تصادفی
• 81. استفاده از ویژگی‌های مهم (Feature Importance)
• 82. تکنیک‌های کاهش ابعاد
• 83. مدل‌های ترکیبی (Ensemble Methods) دیگر
• 84. مقدمه‌ای بر Boosting
• 85. تفاوت Bagging و Boosting
• 86. نکات تکمیلی برای پیاده‌سازی موثر
• 87. مدیریت خطاهای رایج در پیاده‌سازی
• 88. بهینه‌سازی عملکرد مدل
• 89. ملاحظات عملیاتی برای استقرار مدل
• 90. مروری بر منابع علمی و فنی
• 91. مسیرهای یادگیری بیشتر در هوش مصنوعی
• 92. جمع‌بندی و چشم‌انداز آینده
• 93. پروژه عملی: ساخت یک سیستم پیش‌بینی با جنگل تصادفی
• 94. ارائه و مستندسازی پروژه
• 95. آزمون نهایی
• 96. ارزیابی نهایی دوره