فلش‌کارت‌های آموزشی پیش‌پردازش داده‌ها و مهندسی ویژگی برای MLP

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌پردازش داده‌ها و مهندسی ویژگی برای MLP

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی پرسپترون چند لایه (MLP)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری ماشین و شبکه‌های عصبی
• 2. آشنایی با پرسپترون تک لایه
• 3. آموزش پرسپترون تک لایه
• 4. محدودیت‌های پرسپترون تک لایه
• 5. شبکه‌های عصبی چند لایه (MLP)
• 6. تابع فعال‌سازی سیگموئید
• 7. تابع فعال‌سازی ReLU
• 8. تابع فعال‌سازی تانژانت هیپربولیک
• 9. تابع فعال‌سازی Softmax
• 10. ساختار لایه‌ها در MLP
• 11. لایه ورودی
• 12. لایه‌های پنهان
• 13. لایه خروجی
• 14. انتخاب تعداد لایه‌های پنهان
• 15. انتخاب تعداد نورون‌ها در لایه‌های پنهان
• 16. انتشار پیشرو (Forward Propagation)
• 17. محاسبه خروجی شبکه
• 18. انتشار پسرو (Backpropagation)
• 19. محاسبه گرادیان خطا
• 20. قانون دلتا
• 21. بهینه‌سازی با استفاده از گرادیان کاهشی
• 22. نرخ یادگیری
• 23. تنظیم نرخ یادگیری
• 24. گرادیان کاهشی دسته‌ای (Batch Gradient Descent)
• 25. گرادیان کاهشی تصادفی (Stochastic Gradient Descent)
• 26. گرادیان کاهشی مینی‌بچ (Mini-batch Gradient Descent)
• 27. تابع هزینه (Loss Function)
• 28. خطای میانگین مربعات (MSE)
• 29. آنتروپی متقاطع (Cross-Entropy)
• 30. تنظیم وزن‌ها با استفاده از گرادیان کاهشی
• 31. نرمال‌سازی ورودی‌ها
• 32. اهمیت نرمال‌سازی
• 33. روش‌های نرمال‌سازی
• 34. نرمال‌سازی Min-Max
• 35. استانداردسازی (Z-score Normalization)
• 36. نرمال‌سازی Batch Normalization
• 37. تاثیر Batch Normalization بر آموزش
• 38. پیش‌پردازش داده‌ها برای MLP
• 39. پاکسازی داده‌های پرت (Outliers)
• 40. شناسایی داده‌های پرت
• 41. روش‌های حذف داده‌های پرت
• 42. جایگزینی داده‌های پرت
• 43. مهندسی ویژگی (Feature Engineering)
• 44. اهمیت مهندسی ویژگی
• 45. ایجاد ویژگی‌های جدید
• 46. ترکیب ویژگی‌ها
• 47. تبدیل ویژگی‌ها
• 48. مقیاس‌بندی ویژگی‌ها
• 49. کدگذاری ویژگی‌های دسته‌ای (Categorical Features)
• 50. کدگذاری One-Hot
• 51. کدگذاری Label Encoding
• 52. کدگذاری Target Encoding
• 53. انتخاب ویژگی (Feature Selection)
• 54. روش‌های مبتنی بر فیلتر
• 55. روش‌های مبتنی بر wrapper
• 56. روش‌های مبتنی بر embedded
• 57. کاهش ابعاد (Dimensionality Reduction)
• 58. تحلیل مولفه‌های اصلی (PCA)
• 59. کاربرد PCA در MLP
• 60. تکنیک‌های کاهش ابعاد دیگر
• 61. بررسی همبستگی ویژگی‌ها
• 62. تشخیص هم‌خطی (Multicollinearity)
• 63. تاثیر هم‌خطی بر مدل
• 64. روش‌های مقابله با هم‌خطی
• 65. انتقال یادگیری (Transfer Learning)
• 66. آشنایی با انتقال یادگیری
• 67. کاربرد انتقال یادگیری در MLP
• 68. تنظیم دقیق مدل (Fine-tuning)
• 69. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 70. جستجوی شبکه‌ای (Grid Search)
• 71. جستجوی تصادفی (Random Search)
• 72. روش‌های بهینه‌سازی ابرپارامترها
• 73. اعتبارسنجی متقابل (Cross-Validation)
• 74. K-Fold Cross-Validation
• 75. استراتژی‌های تقسیم داده
• 76. مجموعه آموزش، اعتبارسنجی و تست
• 77. اهمیت مجموعه تست
• 78. بیش‌برازش (Overfitting)
• 79. شناسایی بیش‌برازش
• 80. روش‌های مقابله با بیش‌برازش
• 81. تنظیم‌گری (Regularization)
• 82. L1 Regularization
• 83. L2 Regularization
• 84. Dropout
• 85. کاربرد Dropout در MLP
• 86. کم‌برازش (Underfitting)
• 87. شناسایی کم‌برازش
• 88. روش‌های مقابله با کم‌برازش
• 89. تنظیم معماری شبکه
• 90. تنظیم تابع فعال‌سازی
• 91. تنظیم تابع هزینه
• 92. تنظیم بهینه‌ساز
• 93. تنظیم نرخ یادگیری پویا
• 94. روش‌های پیشرفته بهینه‌سازی
• 95. Adam Optimizer
• 96. RMSprop Optimizer
• 97. Adagrad Optimizer
• 98. Momentum
• 99. تنظیم پارامترهای بهینه‌سازها
• 100. جمع‌بندی و مراحل نهایی آموزش