کتاب صوتی الگوریتم K-Means: پیاده‌سازی و مثال‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم K-Means: پیاده‌سازی و مثال‌های کاربردی

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: K-Means Clustering

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری ماشین
• 2. مقدمه ای بر خوشه بندی
• 3. مفهوم الگوریتم K-Means
• 4. تاریخچه K-Means
• 5. کاربردهای K-Means
• 6. مزایای K-Means
• 7. معایب K-Means
• 8. نحوه کار K-Means: گام اول
• 9. نحوه کار K-Means: گام دوم
• 10. نحوه کار K-Means: گام سوم
• 11. نحوه کار K-Means: گام چهارم
• 12. نحوه کار K-Means: گام پنجم
• 13. فرمول فاصله اقلیدسی
• 14. تفسیر مرکز خوشه (Centroid)
• 15. انتخاب تعداد K
• 16. روش Elbow Method
• 17. روش Silhouette Score
• 18. روش Davies-Bouldin Index
• 19. پیاده سازی K-Means از ابتدا
• 20. کتابخانه Scikit-learn
• 21. تابع KMeans در Scikit-learn
• 22. آرگومان n_clusters
• 23. آرگومان init
• 24. آرگومان n_init
• 25. آرگومان max_iter
• 26. آرگومان tol
• 27. آرگومان random_state
• 28. متغیر labels_
• 29. متغیر cluster_centers_
• 30. متغیر inertia_
• 31. مثال کاربردی: تقسیم بندی مشتریان
• 32. مجموعه داده مشتریان
• 33. پیش پردازش داده ها
• 34. مقیاس بندی ویژگی ها
• 35. اجرای K-Means بر روی داده ها
• 36. تحلیل نتایج
• 37. تصویرسازی خوشه ها
• 38. مثال کاربردی: فشرده سازی تصویر
• 39. مفهوم فشرده سازی تصویر
• 40. تطبیق K-Means با فشرده سازی تصویر
• 41. اجرای K-Means برای فشرده سازی
• 42. تفسیر نتایج فشرده سازی
• 43. مثال کاربردی: تشخیص ناهنجاری
• 44. مفهوم تشخیص ناهنجاری
• 45. تطبیق K-Means با تشخیص ناهنجاری
• 46. تعریف ناهنجاری با K-Means
• 47. اجرای K-Means برای تشخیص ناهنجاری
• 48. مثال کاربردی: دسته بندی اسناد
• 49. مفهوم دسته بندی اسناد
• 50. نمایش اسناد به صورت برداری
• 51. اجرای K-Means برای دسته بندی اسناد
• 52. تحلیل دسته بندی اسناد
• 53. بهینه سازی پارامتر K
• 54. تأثیر مقیاس گذاری ویژگی ها
• 55. انواع معیار فاصله
• 56. محدودیت های K-Means
• 57. K-Means و داده های غیر کروی
• 58. K-Means و داده های نویزی
• 59. K-Means و داده های با ابعاد بالا
• 60. روش های بهبود K-Means
• 61. K-Means++
• 62. مقایسه K-Means و K-Means++
• 63. نکات پیاده سازی پیشرفته
• 64. ارزیابی عملکرد K-Means
• 65. شاخص های ارزیابی داخلی
• 66. شاخص های ارزیابی خارجی
• 67. اعتبار سنجی متقابل (Cross-validation)
• 68. آماده سازی داده برای K-Means
• 69. انواع داده های ورودی
• 70. داده های عددی
• 71. داده های دسته ای
• 72. تبدیل داده های دسته ای
• 73. K-Means و داده های ترکیبی
• 74. چالش های داده های ترکیبی
• 75. راه حل برای داده های ترکیبی
• 76. استاندارد سازی در مقابل نرمال سازی
• 77. تأثیر outlier ها بر K-Means
• 78. روش های مقابله با outlier ها
• 79. K-Means و یادگیری افزایشی (Incremental Learning)
• 80. الگوریتم Mini-Batch K-Means
• 81. مزایای Mini-Batch K-Means
• 82. معایب Mini-Batch K-Means
• 83. پیاده سازی Mini-Batch K-Means
• 84. مقایسه K-Means و Mini-Batch K-Means
• 85. K-Means و تجزیه و تحلیل مؤلفه های اصلی (PCA)
• 86. ترکیب K-Means و PCA
• 87. کاربرد K-Means در پردازش زبان طبیعی (NLP)
• 88. K-Means و تحلیل احساسات
• 89. K-Means و موضوع یابی (Topic Modeling)
• 90. K-Means و سیستم های توصیه گر
• 91. K-Means و داده های مکانی
• 92. K-Means و تحلیل شبکه های اجتماعی
• 93. K-Means و بیوانفورماتیک
• 94. K-Means و حوزه سلامت
• 95. K-Means و حوزه مالی
• 96. K-Means و حوزه بازاریابی
• 97. K-Means و حوزه تولید
• 98. K-Means و حوزه آموزش
• 99. K-Means و حوزه علمی
• 100. K-Means و حوزه دولتی