کتاب صوتی ساخت مدل‌های پیش‌بینی رفتار مصرف‌کننده با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های پیش‌بینی رفتار مصرف‌کننده با پایتون

موضوع کلی: هوش مصنوعی و اقتصاد رفتاری

موضوع میانی: پروژه‌های عملی

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه بر رفتار مصرف‌کننده
• 2. فصل ۲: اهمیت پیش‌بینی رفتار مصرف‌کننده
• 3. فصل ۳: معرفی پایتون برای علم داده
• 4. فصل ۴: نصب و راه‌اندازی محیط پایتون
• 5. فصل ۵: کتابخانه‌های کلیدی پایتون (NumPy, Pandas)
• 6. فصل ۶: مفاهیم پایه مدیریت داده با Pandas
• 7. فصل ۷: بارگذاری و پاکسازی داده‌های مصرف‌کننده
• 8. فصل ۸: اکتشاف و مصورسازی داده‌های مصرف‌کننده (Matplotlib, Seaborn)
• 9. فصل ۹: انواع متغیرها در داده‌های مصرف‌کننده
• 10. فصل ۱۰: مهندسی ویژگی برای مدل‌های رفتاری
• 11. فصل ۱۱: انتخاب و استخراج ویژگی‌های مرتبط
• 12. فصل ۱۲: تکنیک‌های تبدیل ویژگی
• 13. فصل ۱۳: داده‌های گمشده و روش‌های مدیریت آن‌ها
• 14. فصل ۱۴: مدیریت داده‌های پرت (Outliers)
• 15. فصل ۱۵: مفاهیم پایه یادگیری ماشین
• 16. فصل ۱۶: انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 17. فصل ۱۷: وظایف پیش‌بینی در رفتار مصرف‌کننده
• 18. فصل ۱۸: رگرسیون خطی برای پیش‌بینی
• 19. فصل ۱۹: ارزیابی مدل‌های رگرسیون
• 20. فصل ۲۰: رگرسیون لجستیک برای طبقه‌بندی
• 21. فصل ۲۱: ارزیابی مدل‌های طبقه‌بندی
• 22. فصل ۲۲: ماتریس درهم‌ریختگی (Confusion Matrix)
• 23. فصل ۲۳: دقت، صحت، بازیابی و امتیاز F1
• 24. فصل ۲۴: منحنی ROC و AUC
• 25. فصل ۲۵: الگوریتم درخت تصمیم
• 26. فصل ۲۶: تنظیم پارامترهای درخت تصمیم
• 27. فصل ۲۷: الگوریتم جنگل تصادفی (Random Forest)
• 28. فصل ۲۸: مقایسه درخت تصمیم و جنگل تصادفی
• 29. فصل ۲۹: الگوریتم ماشین بردار پشتیبان (SVM)
• 30. فصل ۳۰: انتخاب هسته در SVM
• 31. فصل ۳۱: الگوریتم K-نزدیکترین همسایه (KNN)
• 32. فصل ۳۲: انتخاب مقدار K در KNN
• 33. فصل ۳۳: مقدمه بر خوشه‌بندی (Clustering)
• 34. فصل ۳۴: الگوریتم K-Means
• 35. فصل ۳۵: انتخاب تعداد خوشه‌ها (Elbow Method)
• 36. فصل ۳۶: ارزیابی نتایج خوشه‌بندی
• 37. فصل ۳۷: خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 38. فصل ۳۸: دندروگرام و تفسیر آن
• 39. فصل ۳۹: معرفی شبکه‌های عصبی مصنوعی
• 40. فصل ۴۰: پرسپترون تک لایه
• 41. فصل ۴۱: شبکه‌های عصبی چند لایه (MLP)
• 42. فصل ۴۲: توابع فعال‌سازی در شبکه‌های عصبی
• 43. فصل ۴۳: الگوریتم پس‌انتشار خطا (Backpropagation)
• 44. فصل ۴۴: معرفی کتابخانه Keras/TensorFlow
• 45. فصل ۴۵: ساخت اولین شبکه عصبی با Keras
• 46. فصل ۴۶: تنظیمات آموزش شبکه عصبی
• 47. فصل ۴۷: تکنیک‌های تنظیم (Regularization)
• 48. فصل ۴۸: Overfitting و Underfitting
• 49. فصل ۴۹: روش‌های جلوگیری از Overfitting
• 50. فصل ۵۰: اعتبار سنجی متقابل (Cross-Validation)
• 51. فصل ۵۱: K-Fold Cross-Validation
• 52. فصل ۵۲: اعتبار سنجی زمان‌بندی شده (Time Series Cross-Validation)
• 53. فصل ۵۳: معرفی مدل‌های سری زمانی
• 54. فصل ۵۴: تحلیل مولفه‌های سری زمانی
• 55. فصل ۵۵: مدل‌های ARIMA
• 56. فصل ۵۶: پیاده‌سازی ARIMA با Statsmodels
• 57. فصل ۵۷: پیش‌بینی با مدل‌های سری زمانی
• 58. فصل ۵۸: مدل‌های پیش‌بینی تقاضا
• 59. فصل ۵۹: پیش‌بینی عمر مفید مشتری (Customer Lifetime Value)
• 60. فصل ۶۰: مدل‌های RFM (Recency, Frequency, Monetary)
• 61. فصل ۶۱: پیاده‌سازی امتیازدهی RFM
• 62. فصل ۶۲: مدل‌های پیش‌بینی خرید بعدی
• 63. فصل ۶۳: مفاهیم اولیه پردازش زبان طبیعی (NLP)
• 64. فصل ۶۴: پیش‌پردازش متن (Tokenization, Stemming, Lemmatization)
• 65. فصل ۶۵: تحلیل احساسات (Sentiment Analysis)
• 66. فصل ۶۶: مدل‌های طبقه‌بندی متن
• 67. فصل ۶۷: استفاده از مدل‌های NLP برای رفتار مصرف‌کننده
• 68. فصل ۶۸: معرفی مدل‌های توصیه‌گر
• 69. فصل ۶۹: فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 70. فصل ۷۰: فیلترینگ مبتنی بر همکار (Collaborative Filtering)
• 71. فصل ۷۱: مدل‌های ماتریس فاکتورization
• 72. فصل ۷۲: پیاده‌سازی مدل توصیه‌گر با Surprise
• 73. فصل ۷۳: ارزیابی مدل‌های توصیه‌گر
• 74. فصل ۷۴: مفاهیم یادگیری تقویتی (Reinforcement Learning)
• 75. فصل ۷۵: کاربردهای یادگیری تقویتی در رفتار مصرف‌کننده
• 76. فصل ۷۶: الگوریتم Q-Learning
• 77. فصل ۷۷: معرفی ابزارهای MLOps
• 78. فصل ۷۸: مدیریت چرخه عمر مدل
• 79. فصل ۷۹: استقرار مدل‌های پیش‌بینی
• 80. فصل ۸۰: پایش عملکرد مدل در محیط واقعی
• 81. فصل ۸۱: اصول A/B Testing
• 82. فصل ۸۲: طراحی آزمایش A/B برای کمپین‌های بازاریابی
• 83. فصل ۸۳: تفسیر نتایج A/B Testing
• 84. فصل ۸۴: اخلاق در مدل‌سازی رفتار مصرف‌کننده
• 85. فصل ۸۵: حریم خصوصی داده‌ها و انطباق با مقررات
• 86. فصل ۸۶: اجتناب از سوگیری در مدل‌ها
• 87. فصل ۸۷: تفسیرپذیری مدل (Explainable AI - XAI)
• 88. فصل ۸۸: تکنیک‌های XAI (LIME, SHAP)
• 89. فصل ۸۹: پیاده‌سازی LIME برای مدل‌های طبقه‌بندی
• 90. فصل ۹۰: پیاده‌سازی SHAP برای مدل‌های رگرسیون
• 91. فصل ۹۱: کیس استادی ۱: پیش‌بینی ریزش مشتری (Churn Prediction)
• 92. فصل ۹۲: مراحل کامل ساخت مدل ریزش مشتری
• 93. فصل ۹۳: کیس استادی ۲: بخش‌بندی مشتریان (Customer Segmentation)
• 94. فصل ۹۴: پیاده‌سازی بخش‌بندی با K-Means
• 95. فصل ۹۵: تحلیل و نام‌گذاری بخش‌های مشتریان
• 96. فصل ۹۶: کیس استادی ۳: پیشنهاد محصولات (Product Recommendation)
• 97. فصل ۹۷: ساخت مدل توصیه‌گر ساده
• 98. فصل ۹۸: جمع‌بندی و مسیرهای آینده
• 99. فصل ۹۹: منابع تکمیلی و یادگیری بیشتر
• 100. فصل ۱۰۰: پروژه نهایی: ساخت یک سیستم پیش‌بینی کامل