کتاب صوتی مهندسی ویژگی در زبان برنامه‌نویسی R برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی در زبان برنامه‌نویسی R برای تحلیل داده

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مهندسی ویژگی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی ویژگی در R
• 2. مبانی تحلیل داده با R
• 3. نصب و راه‌اندازی R و RStudio
• 4. آشنایی با ساختارهای داده در R
• 5. کار با بردارها و لیست‌ها در R
• 6. کار با ماتریس‌ها و آرایه‌ها در R
• 7. کار با دیتا فریم‌ها در R
• 8. مقدمه‌ای بر کتابخانه dplyr
• 9. فیلتر کردن داده‌ها در dplyr
• 10. مرتب‌سازی داده‌ها در dplyr
• 11. انتخاب ستون‌ها در dplyr
• 12. ایجاد ستون‌های جدید در dplyr
• 13. تجمع و خلاصه‌سازی داده‌ها در dplyr
• 14. اتصال دیتا فریم‌ها در dplyr
• 15. مقدمه‌ای بر کتابخانه tidyr
• 16. نرمال‌سازی داده‌ها در tidyr
• 17. مرتب‌سازی داده‌ها در tidyr
• 18. تغییر شکل دیتا فریم‌ها در tidyr
• 19. داده‌های گمشده و روش‌های مدیریت آن‌ها
• 20. شناسایی و بررسی داده‌های گمشده
• 21. حذف داده‌های گمشده
• 22. جایگزینی داده‌های گمشده با میانگین
• 23. جایگزینی داده‌های گمشده با میانه
• 24. جایگزینی داده‌های گمشده با مد
• 25. جایگزینی داده‌های گمشده با روش‌های پیشرفته‌تر
• 26. شناسایی و مدیریت داده‌های پرت
• 27. روش‌های بصری شناسایی داده‌های پرت
• 28. روش‌های آماری شناسایی داده‌های پرت
• 29. حذف داده‌های پرت
• 30. تبدیل داده‌های پرت
• 31. کدگذاری متغیرهای دسته‌ای
• 32. کدگذاری وان-هات (One-Hot Encoding)
• 33. کدگذاری برچسب (Label Encoding)
• 34. کدگذاری فرکانس (Frequency Encoding)
• 35. کدگذاری مقیاس‌بندی (Scaling Encoding)
• 36. کدگذاری مبتنی بر هدف (Target Encoding)
• 37. کدگذاری متغیرهای ترتیبی
• 38. مقدمه‌ای بر مقیاس‌بندی ویژگی‌ها
• 39. نرمال‌سازی (Min-Max Scaling)
• 40. استانداردسازی (Z-Score Standardization)
• 41. مقیاس‌بندی قوی (Robust Scaling)
• 42. تبدیل‌های لگاریتمی
• 43. تبدیل‌های جذر
• 44. تبدیل‌های جعبه-کاکس (Box-Cox Transformation)
• 45. ایجاد ویژگی‌های جدید از تاریخ و زمان
• 46. استخراج سال، ماه، روز از تاریخ
• 47. استخراج ساعت، دقیقه، ثانیه از زمان
• 48. محاسبه فاصله زمانی بین دو تاریخ
• 49. ایجاد ویژگی‌های روز هفته و تعطیلات
• 50. استخراج فصل و سال کبیسه
• 51. ایجاد ویژگی‌های ترکیبی
• 52. ترکیب دو یا چند ویژگی عددی
• 53. ترکیب ویژگی‌های دسته‌ای
• 54. ایجاد ویژگی‌های تعاملی
• 55. استفاده از توابع چند جمله‌ای
• 56. ایجاد ویژگی‌های مبتنی بر دانش دامنه
• 57. تحلیل اکتشافی داده‌ها (EDA)
• 58. تجسم داده‌ها برای درک بهتر
• 59. نمودارهای هیستوگرام و چگالی
• 60. نمودارهای جعبه‌ای (Box Plots)
• 61. نمودارهای پراکندگی (Scatter Plots)
• 62. نمودارهای میله‌ای (Bar Charts)
• 63. نمودارهای خطی (Line Charts)
• 64. ماتریس همبستگی
• 65. شناسایی الگوها و روابط در داده‌ها
• 66. انتخاب ویژگی‌ها (Feature Selection)
• 67. روش‌های فیلتر (Filter Methods)
• 68. روش‌های پوشش (Wrapper Methods)
• 69. روش‌های جاسازی شده (Embedded Methods)
• 70. انتخاب ویژگی با استفاده از تحلیل مؤلفه‌های اصلی (PCA)
• 71. مقدمه‌ای بر کاهش ابعاد
• 72. تکنیک‌های کاهش ابعاد
• 73. استفاده از PCA در مهندسی ویژگی
• 74. کاربرد PCA در مصورسازی داده‌ها
• 75. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 76. انواع مدل‌های یادگیری ماشین
• 77. رگرسیون خطی
• 78. رگرسیون لجستیک
• 79. درخت تصمیم
• 80. جنگل تصادفی
• 81. ماشین بردار پشتیبان (SVM)
• 82. شبکه‌های عصبی
• 83. مقدمه‌ای بر اعتبارسنجی مدل
• 84. اعتبارسنجی متقابل (Cross-Validation)
• 85. تقسیم داده به مجموعه‌های آموزش و آزمون
• 86. ارزیابی عملکرد مدل
• 87. معیارهای ارزیابی مدل‌های رگرسیون
• 88. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 89. کاربرد مهندسی ویژگی در بهبود مدل‌ها
• 90. مثال عملی: مهندسی ویژگی برای پیش‌بینی قیمت مسکن
• 91. مثال عملی: مهندسی ویژگی برای تشخیص تقلب
• 92. مثال عملی: مهندسی ویژگی برای تحلیل احساسات متن
• 93. نکات پیشرفته در مهندسی ویژگی
• 94. خودکارسازی مهندسی ویژگی
• 95. ابزارها و کتابخانه‌های خودکارسازی
• 96. چالش‌های مهندسی ویژگی
• 97. آینده مهندسی ویژگی