کتاب صوتی تنظیم منظم‌سازی: ابزاری قدرتمند برای مقابله با بیش برازش در مدل‌های ملکی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیم منظم‌سازی: ابزاری قدرتمند برای مقابله با بیش برازش در مدل‌های ملکی

موضوع کلی: مدل‌سازی آماری و ارزیابی املاک

موضوع میانی: بیش برازش (Overfitting) و کم برازش (Underfitting) و راهکارهای آن

📋 سرفصل‌های دوره

• 1. مقدمه: بیش برازش و چالش‌های آن در مدل‌های ملکی
• 2. فصل اول: درک عمیق بیش برازش (Overfitting)
• 3. فصل دوم: چرا مدل‌های ملکی مستعد بیش برازش هستند؟
• 4. فصل سوم: مفاهیم کلیدی در تنظیم منظم‌سازی (Regularization)
• 5. فصل چهارم: انواع تنظیم منظم‌سازی: L1 و L2
• 6. فصل پنجم: منظم‌سازی L1 (Lasso): انتخاب ویژگی و پراکندگی
• 7. فصل ششم: منظم‌سازی L2 (Ridge): کاهش وزن‌ها و اثرات
• 8. فصل هفتم: نحوه‌ی پیاده‌سازی منظم‌سازی L1 در پایتون
• 9. فصل هشتم: نحوه‌ی پیاده‌سازی منظم‌سازی L2 در پایتون
• 10. فصل نهم: تنظیم هایپرپارامترها: آلفا و لامبدا
• 11. فصل دهم: اعتبارسنجی متقابل (Cross-validation) برای تنظیم منظم‌سازی
• 12. فصل یازدهم: تنظیم منظم‌سازی با شبکه‌های عصبی
• 13. فصل دوازدهم: منظم‌سازی در مدل‌های خطی قیمت‌گذاری املاک
• 14. فصل سیزدهم: منظم‌سازی در مدل‌های درخت تصمیم و جنگل‌های تصادفی
• 15. فصل چهاردهم: منظم‌سازی در مدل‌های گرادیان بوستینگ (Gradient Boosting)
• 16. فصل پانزدهم: منظم‌سازی و تأثیر آن بر قابلیت تفسیر مدل
• 17. فصل شانزدهم: کاربردهای عملی منظم‌سازی در پیش‌بینی قیمت مسکن
• 18. فصل هفدهم: کاربردهای عملی منظم‌سازی در پیش‌بینی اجاره
• 19. فصل هجدهم: کاربردهای عملی منظم‌سازی در ارزیابی املاک تجاری
• 20. فصل نوزدهم: مدیریت داده‌های پرت (Outliers) و منظم‌سازی
• 21. فصل بیستم: منظم‌سازی و تأثیر آن بر کاهش واریانس (Variance)
• 22. فصل بیست و یکم: منظم‌سازی و تأثیر آن بر کاهش بایاس (Bias)
• 23. فصل بیست و دوم: چالش‌های تنظیم منظم‌سازی: بیش برازش یا کم برازش؟
• 24. فصل بیست و سوم: منظم‌سازی تطبیقی (Adaptive Regularization)
• 25. فصل بیست و چهارم: منظم‌سازی و انواع مدل‌های رگرسیون
• 26. فصل بیست و پنجم: منظم‌سازی در مدل‌های شبکه‌های عصبی کانولوشنال (CNN) برای املاک
• 27. فصل بیست و ششم: منظم‌سازی در مدل‌های شبکه‌های عصبی بازگشتی (RNN) برای املاک
• 28. فصل بیست و هفتم: ترکیب منظم‌سازی با تکنیک‌های دیگر کاهش بیش برازش
• 29. فصل بیست و هشتم: منظم‌سازی در داده‌های سری زمانی املاک
• 30. فصل بیست و نهم: منظم‌سازی و تأثیر آن بر تعمیم‌پذیری (Generalization)
• 31. فصل سی‌ام: منظم‌سازی با استفاده از مدل‌های مبتنی بر قوانین (Rule-based Models)
• 32. فصل سی و یکم: منظم‌سازی و اهمیت نرمال‌سازی داده‌ها (Data Normalization)
• 33. فصل سی و دوم: منظم‌سازی و تأثیر آن بر انتخاب ویژگی (Feature Selection)
• 34. فصل سی و سوم: منظم‌سازی در مدل‌های چند مرحله‌ای (Ensemble Methods)
• 35. فصل سی و چهارم: منظم‌سازی و تأثیر آن بر مدل‌های مبتنی بر فاصله (Distance-based Models)
• 36. فصل سی و پنجم: منظم‌سازی و مدل‌های مبتنی بر شباهت (Similarity-based Models)
• 37. فصل سی و ششم: منظم‌سازی و تأثیر آن بر مدل‌های مبتنی بر دانش (Knowledge-based Models)
• 38. فصل سی و هفتم: منظم‌سازی و مدل‌های توضیحی (Explainable AI) در املاک
• 39. فصل سی و هشتم: منظم‌سازی و ریسک‌های ناشی از تنظیم نادرست
• 40. فصل سی و نهم: منظم‌سازی و تأثیر آن بر معیارهای ارزیابی مدل (Evaluation Metrics)
• 41. فصل چهلم: منظم‌سازی در مدل‌های مبتنی بر یادگیری عمیق (Deep Learning)
• 42. فصل چهل و یکم: منظم‌سازی و تأثیر آن بر تحلیل آماری مدل‌های ملکی
• 43. فصل چهل و دوم: منظم‌سازی و مدل‌های اکتشافی (Exploratory Models)
• 44. فصل چهل و سوم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بین (Predictive Models)
• 45. فصل چهل و چهارم: منظم‌سازی و نقش آن در مدل‌سازی ریسک املاک
• 46. فصل چهل و پنجم: منظم‌سازی و تأثیر آن بر تشخیص ناهنجاری (Anomaly Detection)
• 47. فصل چهل و ششم: منظم‌سازی و مدل‌های طبقه‌بندی (Classification Models) در املاک
• 48. فصل چهل و هفتم: منظم‌سازی و تأثیر آن بر مدل‌های خوشه‌بندی (Clustering Models)
• 49. فصل چهل و هشتم: منظم‌سازی و مدل‌های رگرسیون چندگانه (Multiple Regression)
• 50. فصل چهل و نهم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون نمایی (Exponential Regression)
• 51. فصل پنجاهم: منظم‌سازی و مدل‌های رگرسیون لجستیک (Logistic Regression)
• 52. فصل پنجاه و یکم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون پواسون (Poisson Regression)
• 53. فصل پنجاه و دوم: منظم‌سازی و مدل‌های رگرسیون منفی دوجمله‌ای (Negative Binomial Regression)
• 54. فصل پنجاه و سوم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون گام به گام (Stepwise Regression)
• 55. فصل پنجاه و چهارم: منظم‌سازی و مدل‌های رگرسیون غیرخطی (Non-linear Regression)
• 56. فصل پنجاه و پنجم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون آلتمن (Altman Regression)
• 57. فصل پنجاه و ششم: منظم‌سازی و مدل‌های رگرسیون سهمی (Quadratic Regression)
• 58. فصل پنجاه و هفتم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون نمایی-خطی (Exponential-Linear Regression)
• 59. فصل پنجاه و هشتم: منظم‌سازی و مدل‌های رگرسیون چند جمله‌ای (Polynomial Regression)
• 60. فصل پنجاه و نهم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون مقیاس‌پذیر (Scalable Regression)
• 61. فصل شصتم: منظم‌سازی و مدل‌های رگرسیون مقیاس‌بندی شده (Scaled Regression)
• 62. فصل شصت و یکم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون فازی (Fuzzy Regression)
• 63. فصل شصت و دوم: منظم‌سازی و مدل‌های رگرسیون مبتنی بر داده‌های حجیم (Big Data Regression)
• 64. فصل شصت و سوم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون در زمان واقعی (Real-time Regression)
• 65. فصل شصت و چهارم: منظم‌سازی و مدل‌های رگرسیون مبتنی بر یادگیری ماشینی (Machine Learning Regression)
• 66. فصل شصت و پنجم: منظم‌سازی و تأثیر آن بر مدل‌های رگرسیون مبتنی بر هوش مصنوعی (AI Regression)
• 67. فصل شصت و ششم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر عوامل خارجی
• 68. فصل شصت و هفتم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر نوسانات بازار
• 69. فصل شصت و هشتم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر شاخص‌های اقتصادی
• 70. فصل شصت و نهم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر روندهای تاریخی
• 71. فصل هفتادم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های جغرافیایی
• 72. فصل هفتاد و یکم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر ویژگی‌های ساختاری
• 73. فصل هفتاد و دوم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر عوامل اجتماعی
• 74. فصل هفتاد و سوم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر سیاست‌های دولتی
• 75. فصل هفتاد و چهارم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر رویدادهای پیش‌بینی نشده
• 76. فصل هفتاد و پنجم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر تحلیل احساسات (Sentiment Analysis)
• 77. فصل هفتاد و ششم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر پردازش زبان طبیعی (NLP)
• 78. فصل هفتاد و هفتم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر بینایی ماشین (Computer Vision)
• 79. فصل هفتاد و هشتم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های حسگر
• 80. فصل هفتاد و نهم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر داده‌های واقعیت مجازی (VR)
• 81. فصل هشتادم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های واقعیت افزوده (AR)
• 82. فصل هشتاد و یکم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر تحلیل شبکه‌های اجتماعی
• 83. فصل هشتاد و دوم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های تاریخی معاملات
• 84. فصل هشتاد و سوم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر داده‌های نقشه
• 85. فصل هشتاد و چهارم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های شهری
• 86. فصل هشتاد و پنجم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر داده‌های منطقه‌ای
• 87. فصل هشتاد و ششم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های منطقه‌ای کلان
• 88. فصل هشتاد و هفتم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر داده‌های جهانی
• 89. فصل هشتاد و هشتم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های بین‌المللی
• 90. فصل هشتاد و نهم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر داده‌های در حال تغییر
• 91. فصل نودم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های پویا
• 92. فصل نود و یکم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر داده‌های ایستا
• 93. فصل نود و دوم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های ساختاریافته
• 94. فصل نود و سوم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر داده‌های نیمه ساختاریافته
• 95. فصل نود و چهارم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر داده‌های بدون ساختار
• 96. فصل نود و پنجم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر ترکیب داده‌ها
• 97. فصل نود و ششم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر یادگیری فعال (Active Learning)
• 98. فصل نود و هفتم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر یادگیری تقویتی (Reinforcement Learning)
• 99. فصل نود و هشتم: منظم‌سازی و مدل‌های پیش‌بینی مبتنی بر یادگیری نیمه نظارت شده (Semi-Supervised Learning)
• 100. فصل نود و نهم: منظم‌سازی و تأثیر آن بر مدل‌های پیش‌بینی مبتنی بر یادگیری خود نظارت شده (Self-Supervised Learning)