کتاب صوتی دیتا ساینس: راهنمای کاربردی استانداردسازی و نرمال سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دیتا ساینس: راهنمای کاربردی استانداردسازی و نرمال سازی

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: استانداردسازی و نرمال سازی داده

📋 سرفصل‌های دوره

• 1. فصل اول: مقدمه ای بر دیتا ساینس
• 2. فصل دوم: اهمیت استانداردسازی داده ها
• 3. فصل سوم: تکنیک های اولیه استانداردسازی
• 4. فصل چهارم: مقیاس گذاری Min-Max
• 5. فصل پنجم: مقیاس گذاری Z-Score
• 6. فصل ششم: مقیاس گذاری MaxAbsScaler
• 7. فصل هفتم: مقیاس گذاری RobustScaler
• 8. فصل هشتم: انتخاب روش مناسب استانداردسازی
• 9. فصل نهم: پیش پردازش داده های پرت
• 10. فصل دهم: تأثیر داده های پرت بر استانداردسازی
• 11. فصل یازدهم: روش های مدیریت داده های پرت
• 12. فصل دوازدهم: نرمال سازی داده ها چیست؟
• 13. فصل سیزدهم: انواع نرمال سازی
• 14. فصل چهاردهم: نرمال سازی لگاریتمی
• 15. فصل پانزدهم: نرمال سازی ریشه مربعی
• 16. فصل شانزدهم: نرمال سازی Box-Cox
• 17. فصل هفدهم: نرمال سازی Yeo-Johnson
• 18. فصل هجدهم: مقایسه نرمال سازی ها
• 19. فصل نوزدهم: نرمال سازی در مقابل استانداردسازی
• 20. فصل بیستم: موارد استفاده نرمال سازی
• 21. فصل بیست و یکم: استانداردسازی برای الگوریتم های مبتنی بر فاصله
• 22. فصل بیست و دوم: نرمال سازی برای مدل های احتمالی
• 23. فصل بیست و سوم: تأثیر بر یادگیری ماشین
• 24. فصل بیست و چهارم: استانداردسازی در رگرسیون خطی
• 25. فصل بیست و پنجم: نرمال سازی در رگرسیون خطی
• 26. فصل بیست و ششم: استانداردسازی در رگرسیون لجستیک
• 27. فصل بیست و هفتم: نرمال سازی در رگرسیون لجستیک
• 28. فصل بیست و هشتم: استانداردسازی در ماشین های بردار پشتیبان (SVM)
• 29. فصل بیست و نهم: نرمال سازی در ماشین های بردار پشتیبان (SVM)
• 30. فصل سی ام: استانداردسازی در الگوریتم های خوشه بندی (K-Means)
• 31. فصل سی و یکم: نرمال سازی در الگوریتم های خوشه بندی (K-Means)
• 32. فصل سی و دوم: استانداردسازی در درخت های تصمیم
• 33. فصل سی و سوم: نرمال سازی در درخت های تصمیم
• 34. فصل سی و چهارم: استانداردسازی در شبکه های عصبی
• 35. فصل سی و پنجم: نرمال سازی در شبکه های عصبی
• 36. فصل سی و ششم: نرمال سازی ورودی شبکه های عصبی
• 37. فصل سی و هفتم: استانداردسازی خروجی شبکه های عصبی
• 38. فصل سی و هشتم: نرمال سازی در پردازش زبان طبیعی (NLP)
• 39. فصل سی و نهم: استانداردسازی در بینایی ماشین
• 40. فصل چهلم: استانداردسازی داده های متنی
• 41. فصل چهل و یکم: نرمال سازی داده های متنی
• 42. فصل چهل و دوم: تکنیک های پاکسازی متن
• 43. فصل چهل و سوم: حذف علائم نگارشی
• 44. فصل چهل و چهارم: تبدیل به حروف کوچک
• 45. فصل چهل و پنجم: حذف کلمات توقف (Stop Words)
• 46. فصل چهل و ششم: ریشه یابی کلمات (Stemming)
• 47. فصل چهل و هفتم: لمایتیزاسیون (Lemmatization)
• 48. فصل چهل و هشتم: استانداردسازی بردارهای ویژگی
• 49. فصل چهل و نهم: نرمال سازی بردارهای ویژگی
• 50. فصل پنجاهم: استفاده از TF-IDF
• 51. فصل پنجاه و یکم: نرمال سازی TF-IDF
• 52. فصل پنجاه و دوم: استفاده از Word Embeddings
• 53. فصل پنجاه و سوم: استانداردسازی Word Embeddings
• 54. فصل پنجاه و چهارم: نرمال سازی Word Embeddings
• 55. فصل پنجاه و پنجم: استانداردسازی تصاویر
• 56. فصل پنجاه و ششم: نرمال سازی تصاویر
• 57. فصل پنجاه و هفتم: مقیاس گذاری پیکسل ها
• 58. فصل پنجاه و هشتم: نرمال سازی رنگ ها
• 59. فصل پنجاه و نهم: استانداردسازی داده های سری زمانی
• 60. فصل شصتم: نرمال سازی داده های سری زمانی
• 61. فصل شصت و یکم: نرمال سازی فصلی
• 62. فصل شصت و دوم: نرمال سازی روند
• 63. فصل شصت و سوم: استانداردسازی داده های صوتی
• 64. فصل شصت و چهارم: نرمال سازی داده های صوتی
• 65. فصل شصت و پنجم: استانداردسازی داده های گراف
• 66. فصل شصت و ششم: نرمال سازی داده های گراف
• 67. فصل شصت و هفتم: چالش های استانداردسازی
• 68. فصل شصت و هشتم: چالش های نرمال سازی
• 69. فصل شصت و نهم: انحراف داده ها
• 70. فصل هفتادم: تشخیص انحراف
• 71. فصل هفتاد و یکم: اصلاح انحراف
• 72. فصل هفتاد و دوم: معیارهای ارزیابی استانداردسازی
• 73. فصل هفتاد و سوم: معیارهای ارزیابی نرمال سازی
• 74. فصل هفتاد و چهارم: تأثیر بر دقت مدل
• 75. فصل هفتاد و پنجم: تأثیر بر سرعت آموزش
• 76. فصل هفتاد و ششم: استانداردسازی در کتابخانه Scikit-learn
• 77. فصل هفتاد و هفتم: نرمال سازی در کتابخانه Scikit-learn
• 78. فصل هفتاد و هشتم: مثال عملی استانداردسازی
• 79. فصل هفتاد و نهم: مثال عملی نرمال سازی
• 80. فصل هشتادم: ترکیب استانداردسازی و نرمال سازی
• 81. فصل هشتاد و یکم: کاربردهای پیشرفته استانداردسازی
• 82. فصل هشتاد و دوم: کاربردهای پیشرفته نرمال سازی
• 83. فصل هشتاد و سوم: استانداردسازی در یادگیری عمیق
• 84. فصل هشتاد و چهارم: نرمال سازی در یادگیری عمیق
• 85. فصل هشتاد و پنجم: Batch Normalization
• 86. فصل هشتاد و ششم: Layer Normalization
• 87. فصل هشتاد و هفتم: Instance Normalization
• 88. فصل هشتاد و هشتم: Group Normalization
• 89. فصل هشتاد و نهم: تأثیر بر واگرایی مدل
• 90. فصل نودم: استانداردسازی و مدل های آنسامبل
• 91. فصل نود و یکم: نرمال سازی و مدل های آنسامبل
• 92. فصل نود و دوم: استانداردسازی داده های نامتوازن
• 93. فصل نود و سوم: نرمال سازی داده های نامتوازن
• 94. فصل نود و چهارم: بهترین شیوه ها در استانداردسازی
• 95. فصل نود و پنجم: بهترین شیوه ها در نرمال سازی
• 96. فصل نود و ششم: ابزارهای کمکی
• 97. فصل نود و هفتم: مقایسه کتابخانه ها
• 98. فصل نود و هشتم: روندهای آینده
• 99. فصل نود و نهم: جمع بندی و نکات کلیدی
• 100. فصل صدم: منابع و مطالعات بیشتر