کتاب صوتی آموزش مدل حداکثر امتیاز برای طبقه بندی دودویی با برنامه ریزی خطی: رویکردی نوآورانه

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب آموزش مدل حداکثر امتیاز برای طبقه بندی دودویی با برنامه ریزی خطی: رویکردی نوآورانه

موضوع کلی: یادگیری ماشین

موضوع میانی: طبقه بندی با داده های گسسته و پیوسته

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری ماشین
• 2. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 3. مفاهیم پایه ای یادگیری تحت نظارت
• 4. مسئله طبقه بندی: تعریف و اهمیت
• 5. داده ها در یادگیری ماشین: ویژگی ها، برچسب ها و انواع داده
• 6. پیش پردازش داده ها: پاکسازی و تکمیل
• 7. مهندسی ویژگی: انتخاب و ایجاد ویژگی
• 8. مقیاس بندی ویژگی ها: نرمال سازی و استانداردسازی
• 9. تقسیم داده ها: مجموعه آموزش، اعتبارسنجی و آزمون
• 10. معیار ارزیابی مدل های طبقه بندی: دقت (Accuracy)
• 11. معیار ارزیابی مدل های طبقه بندی: ماتریس درهم ریختگی (Confusion Matrix)
• 12. معیار ارزیابی مدل های طبقه بندی: صحت (Precision) و بازیابی (Recall)
• 13. معیار ارزیابی مدل های طبقه بندی: امتیاز F1
• 14. منحنی ROC و مساحت زیر منحنی (AUC)
• 15. بیش برازش (Overfitting) و کم برازش (Underfitting)
• 16. مقدمه ای بر مسائل بهینه سازی
• 17. اجزای یک مسئله بهینه سازی: تابع هدف، متغیرها، قیود
• 18. بهینه سازی خطی در مقابل غیرخطی
• 19. تعریف برنامه ریزی خطی (Linear Programming)
• 20. فرم استاندارد مسائل برنامه ریزی خطی
• 21. متغیرهای تصمیم، تابع هدف و قیود در LP
• 22. ناحیه شدنی (Feasible Region) و جواب بهینه
• 23. روش ترسیمی برای حل مسائل LP (دو متغیره)
• 24. مقدمه ای بر الگوریتم سیمپلکس (Simplex Algorithm)
• 25. مفاهیم پایه ای دوگانگی در LP (Duality)
• 26. حساسیت سنجی در برنامه ریزی خطی
• 27. نرم افزارهای حل کننده LP (Solvers): معرفی
• 28. کتابخانه های برنامه نویسی برای LP (مانند PuLP در پایتون)
• 29. مثال های کاربردی ساده از برنامه ریزی خطی
• 30. چالش های عملی در برنامه ریزی خطی
• 31. طبقه بندی دودویی: یادآوری و مرور
• 32. رگرسیون لجستیک (Logistic Regression): اصول
• 33. تابع سیگموئید و تفسیر احتمال
• 34. تابع هزینه در رگرسیون لجستیک (Cross-Entropy)
• 35. بهینه سازی رگرسیون لجستیک با گرادیان کاهشی
• 36. ماشین بردار پشتیبان (Support Vector Machine - SVM): معرفی
• 37. مفهوم حاشیه (Margin) در SVM
• 38. SVM با هسته خطی (Linear Kernel SVM)
• 39. تابع زیان Hinge در SVM
• 40. مقایسه کلی مدل های طبقه بندی: رگرسیون لجستیک و SVM
• 41. معرفی مدل حداکثر امتیاز (Maximum Score Model - MSM)
• 42. انگیزه برای مدل حداکثر امتیاز: حداکثرسازی مستقیم صحت
• 43. تفاوت MSM با مدل های مبتنی بر احتمال یا حاشیه
• 44. تابع علامت (Sign Function) و کاربرد آن در MSM
• 45. تعریف "امتیاز" در مدل حداکثر امتیاز
• 46. فرمول اولیه تابع هدف MSM (جمع توابع علامت)
• 47. چالش های بهینه سازی مستقیم تابع هدف MSM (ناپیوستگی و ناهمواری)
• 48. تبدیل مسئله MSM به یک مسئله برنامه ریزی خطی: ایده اصلی
• 49. معرفی متغیرهای کمکی (Slack Variables) برای خطی سازی
• 50. خطی سازی تابع علامت: گام به گام
• 51. بازنویسی شرط طبقه بندی صحیح با استفاده از متغیرهای کمکی
• 52. تدوین تابع هدف LP برای مدل حداکثر امتیاز
• 53. تدوین قیود LP برای طبقه بندی صحیح نمونه های مثبت
• 54. تدوین قیود LP برای طبقه بندی صحیح نمونه های منفی
• 55. مدیریت جمله عرض از مبدا (Intercept) در فرمولاسیون LP
• 56. فرمولاسیون کامل برنامه ریزی خطی مدل حداکثر امتیاز (بخش اول)
• 57. فرمولاسیون کامل برنامه ریزی خطی مدل حداکثر امتیاز (بخش دوم)
• 58. تفسیر متغیرهای تصمیم در LP مدل حداکثر امتیاز
• 59. معنای قیود در فرمولاسیون LP مدل حداکثر امتیاز
• 60. اهمیت انتخاب درست متغیرهای کمکی
• 61. تحلیل رفتار مدل در مرز تصمیم (Decision Boundary)
• 62. مقایسه هندسی MSM با SVM (بر اساس مرز تصمیم)
• 63. مقایسه هندسی MSM با رگرسیون لجستیک
• 64. تحلیل حساسیت پارامترها در مدل حداکثر امتیاز (بر پایه LP)
• 65. استنتاج آماری و مدل حداکثر امتیاز (مقدماتی)
• 66. مدل حداکثر امتیاز برای داده های ناهمگن
• 67. تأثیر نقاط پرت (Outliers) بر مدل حداکثر امتیاز
• 68. مقاومت (Robustness) مدل حداکثر امتیاز
• 69. تعمیم MSM به مسائل غیردودویی (یادآوری چالش ها)
• 70. مزایای اصلی مدل حداکثر امتیاز
• 71. محدودیت های ذاتی مدل حداکثر امتیاز
• 72. پیشینه تاریخی و توسعه مدل های حداکثر امتیاز
• 73. ارتباط MSM با توابع زیان صفر-یک (0-1 Loss)
• 74. انتخاب بهترین ضریب برای متغیرهای کمکی (M بزرگ)
• 75. تفاوت بین Soft Margin و Maximum Score (در LP)
• 76. آماده سازی داده ها برای پیاده سازی MSM-LP
• 77. انتخاب و نصب کتابخانه های LP در پایتون (مثال PuLP)
• 78. گام به گام: تعریف متغیرهای تصمیم در PuLP
• 79. گام به گام: تعریف تابع هدف در PuLP
• 80. گام به گام: تعریف قیود در PuLP
• 81. حل مدل LP و استخراج نتایج (وزن ها و عرض از مبدا)
• 82. پیش بینی با مدل آموزش دیده حداکثر امتیاز
• 83. ارزیابی عملکرد مدل حداکثر امتیاز با معیارهای مختلف
• 84. مطالعه موردی ۱: پیاده سازی MSM-LP برای یک مجموعه داده ساده
• 85. مطالعه موردی ۲: تحلیل نتایج و تنظیم مدل
• 86. تحلیل پیچیدگی محاسباتی MSM-LP
• 87. راهکارهای بهبود کارایی برای داده های بزرگ
• 88. تکنیک های اعتبارسنجی متقابل برای MSM-LP
• 89. اضافه کردن regularization به MSM (مفهوم رگولاریزاسیون L1/L2)
• 90. فرمولاسیون LP برای MSM رگولاریزه شده (با مثال L1)
• 91. انتخاب هایپرپارامترها در MSM (در صورت وجود)
• 92. تفسیر ضرایب (Coefficients) در مدل حداکثر امتیاز
• 93. مقایسه عملی MSM با رگرسیون لجستیک و SVM در پایتون
• 94. سناریوهای مناسب برای استفاده از مدل حداکثر امتیاز
• 95. محدودیت های عملی و چالش های پیاده سازی MSM
• 96. مدل های ترکیبی با ایده حداکثر امتیاز
• 97. تحقیقات جاری و جهت گیری های آینده در MSM
• 98. ملاحظات اخلاقی در استفاده از مدل های طبقه بندی
• 99. مروری بر نکات کلیدی و جمع بندی دوره
• 100. منابع تکمیلی و گام های بعدی برای یادگیری عمیق تر