کتاب صوتی تکنیک‌های پیشرفته تقسیم مجموعه داده برای یادگیری ماشین قابل اعتماد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های پیشرفته تقسیم مجموعه داده برای یادگیری ماشین قابل اعتماد

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: مجموعه داده های آموزشی، اعتبارسنجی و تست

📋 سرفصل‌های دوره

• 1. پیشگفتار: اهمیت تقسیم مجموعه داده
• 2. فصل ۱: مبانی تقسیم مجموعه داده
• 3. فصل ۲: روش‌های کلاسیک تقسیم
• 4. فصل ۳: تقسیم آموزش، اعتبارسنجی و آزمون
• 5. فصل ۴: تقسیم تصادفی و ملاحظات آن
• 6. فصل ۵: تقسیم طبقه بندی شده (Stratified)
• 7. فصل ۶: تقسیم بر اساس گروه‌ها (Group Split)
• 8. فصل ۷: تقسیم بر اساس زمان (Time-Series Split)
• 9. فصل ۸: تقسیم بر اساس مکان جغرافیایی
• 10. فصل ۹: تقسیم بر اساس خصوصیات کاربر
• 11. فصل ۱۰: تقسیم با در نظر گرفتن توازن کلاس‌ها
• 12. فصل ۱۱: مشکلات و چالش‌های تقسیم داده
• 13. فصل ۱۲: سوگیری در تقسیم مجموعه داده
• 14. فصل ۱۳: بیش‌برازش و کم‌برازش در تقسیم
• 15. فصل ۱۴: اعتبارسنجی متقابل (Cross-Validation)
• 16. فصل ۱۵: انواع اعتبارسنجی متقابل
• 17. فصل ۱۶: اعتبارسنجی K-Fold
• 18. فصل ۱۷: اعتبارسنجی Loo-CV (Leave-One-Out)
• 19. فصل ۱۸: اعتبارسنجی Stratified K-Fold
• 20. فصل ۱۹: اعتبارسنجی Time-Series Cross-Validation
• 21. فصل ۲۰: اعتبارسنجی Group K-Fold
• 22. فصل ۲۱: اعتبارسنجی پیچیدگی محاسباتی
• 23. فصل ۲۲: انتخاب بهترین استراتژی تقسیم
• 24. فصل ۲۳: ملاحظات حجم مجموعه داده
• 25. فصل ۲۴: تقسیم داده‌های حجیم (Big Data)
• 26. فصل ۲۵: تکنیک‌های نمونه‌برداری در تقسیم
• 27. فصل ۲۶: نمونه‌برداری تصادفی ساده
• 28. فصل ۲۷: نمونه‌برداری طبقه‌ای
• 29. فصل ۲۸: نمونه‌برداری خوشه‌ای
• 30. فصل ۲۹: نمونه‌برداری سیستماتیک
• 31. فصل ۳۰: نمونه‌برداری با توجه به توازن
• 32. فصل ۳۱: تقسیم مجموعه داده‌های نامتوازن
• 33. فصل ۳۲: تکنیک‌های متعادل‌سازی داده
• 34. فصل ۳۳: Oversampling و Undersampling
• 35. فصل ۳۴: SMOTE (Synthetic Minority Over-sampling Technique)
• 36. فصل ۳۵: ADASYN (Adaptive Synthetic Sampling)
• 37. فصل ۳۶: تقسیم داده‌ها در یادگیری تقویتی
• 38. فصل ۳۷: تجربه و اپیزود در RL
• 39. فصل ۳۸: تقسیم حالت-اقدام
• 40. فصل ۳۹: تقسیم بر اساس پاداش
• 41. فصل ۴۰: تقسیم داده‌ها در یادگیری عمیق
• 42. فصل ۴۱: تقسیم در شبکه‌های عصبی کانولوشنی
• 43. فصل ۴۲: تقسیم در شبکه‌های عصبی بازگشتی
• 44. فصل ۴۳: تقسیم در مدل‌های ترنسفورمر
• 45. فصل ۴۴: تقسیم داده‌های تصاویر
• 46. فصل ۴۵: تقسیم بر اساس اشیاء
• 47. فصل ۴۶: تقسیم بر اساس صحنه
• 48. فصل ۴۷: تقسیم داده‌های متنی
• 49. فصل ۴۸: تقسیم بر اساس سند
• 50. فصل ۴۹: تقسیم بر اساس جمله
• 51. فصل ۵۰: تقسیم داده‌های صوتی
• 52. فصل ۵۱: تقسیم بر اساس گفتار
• 53. فصل ۵۲: تقسیم بر اساس گوینده
• 54. فصل ۵۳: تقسیم داده‌های سری زمانی
• 55. فصل ۵۴: پیش‌بینی روندهای آینده
• 56. فصل ۵۵: شناسایی ناهنجاری در سری زمانی
• 57. فصل ۵۶: تجزیه و تحلیل داده‌های پرت
• 58. فصل ۵۷: روش‌های جایگزینی داده‌های پرت
• 59. فصل ۵۸: مدیریت داده‌های گمشده در تقسیم
• 60. فصل ۵۹: استراتژی‌های حذف داده‌های گمشده
• 61. فصل ۶۰: استراتژی‌های جایگزینی داده‌های گمشده
• 62. فصل ۶۱: تقسیم و مهندسی ویژگی (Feature Engineering)
• 63. فصل ۶۲: تأثیر تقسیم بر انتخاب ویژگی
• 64. فصل ۶۳: تقسیم و کاهش ابعاد
• 65. فصل ۶۴: PCA و اثر آن بر تقسیم
• 66. فصل ۶۵: t-SNE و ملاحظات آن
• 67. فصل ۶۶: تقسیم داده‌ها در یادگیری فدرال (Federated Learning)
• 68. فصل ۶۷: حفظ حریم خصوصی در FL
• 69. فصل ۶۸: تقسیم غیرمتمرکز داده
• 70. فصل ۶۹: تقسیم داده‌ها در یادگیری انتقالی (Transfer Learning)
• 71. فصل ۷۰: تنظیم دقیق (Fine-tuning) و تقسیم
• 72. فصل ۷۱: تقسیم داده‌های کوچک
• 73. فصل ۷۲: روش‌های افزایش داده (Data Augmentation)
• 74. فصل ۷۳:Augmentation برای تصاویر
• 75. فصل ۷۴: Augmentation برای متن
• 76. فصل ۷۵: Augmentation برای داده‌های عددی
• 77. فصل ۷۶: ارزیابی مدل با تقسیم صحیح
• 78. فصل ۷۷: معیارهای ارزیابی عملکرد
• 79. فصل ۷۸: خطای مطلق میانگین (MAE)
• 80. فصل ۷۹: خطای مربع میانگین (MSE)
• 81. فصل ۸۰: ریشه خطای مربع میانگین (RMSE)
• 82. فصل ۸۱: دقت (Accuracy)
• 83. فصل ۸۲: دقت و بازیابی (Precision and Recall)
• 84. فصل ۸۳: امتیاز F1
• 85. فصل ۸۴: منحنی ROC و AUC
• 86. فصل ۸۵: تقسیم و تفسیرپذیری مدل (Interpretability)
• 87. فصل ۸۶: تأثیر تقسیم بر تفسیرپذیری
• 88. فصل ۸۷: تقسیم در مدل‌های جعبه سیاه
• 89. فصل ۸۸: تقسیم و قابلیت اطمینان مدل
• 90. فصل ۸۹: تست‌های استحکام (Robustness Tests)
• 91. فصل ۹۰: حملات مغرضانه (Adversarial Attacks)
• 92. فصل ۹۱: تقسیم داده‌های نامتعارف
• 93. فصل ۹۲: داده‌های پراکنده (Sparse Data)
• 94. فصل ۹۳: داده‌های نویزی (Noisy Data)
• 95. فصل ۹۴: تقسیم در سناریوهای دنیای واقعی
• 96. فصل ۹۵: چالش‌های پیاده‌سازی عملی
• 97. فصل ۹۶: ابزارها و کتابخانه‌های تقسیم داده
• 98. فصل ۹۷: Scikit-learn و ابزارهای آن
• 99. فصل ۹۸: TensorFlow و PyTorch
• 100. فصل ۹۹: بهترین شیوه‌ها در تقسیم داده