کتاب صوتی بهینه‌سازی مدل‌ها با روش‌های تجمیعی در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌ها با روش‌های تجمیعی در پایتون

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: روش‌های پیشرفته یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های تجمیعی در علم داده
• 2. مبانی طبقه‌بندی و رگرسیون
• 3. مفهوم بایاس و واریانس در مدل‌ها
• 4. روش‌های مبتنی بر Bagging
• 5. درختان تصمیم و مبانی آن
• 6. پیاده‌سازی Bagging با Scikit-learn
• 7. مزایا و معایب Bagging
• 8. روش‌های مبتنی بر Boosting
• 9. مبانی Boosting و یادگیری تدریجی
• 10. الگوریتم AdaBoost
• 11. پیاده‌سازی AdaBoost با Scikit-learn
• 12. الگوریتم Gradient Boosting
• 13. پیاده‌سازی Gradient Boosting با Scikit-learn
• 14. کاربرد Gradient Boosting در طبقه‌بندی
• 15. کاربرد Gradient Boosting در رگرسیون
• 16. الگوریتم XGBoost و بهینه‌سازی آن
• 17. پیاده‌سازی XGBoost با Scikit-learn
• 18. تنظیم پارامترهای XGBoost
• 19. الگوریتم LightGBM و کارایی آن
• 20. پیاده‌سازی LightGBM با Scikit-learn
• 21. مقایسه XGBoost و LightGBM
• 22. الگوریتم CatBoost و ویژگی‌های آن
• 23. پیاده‌سازی CatBoost با Scikit-learn
• 24. روش‌های مبتنی بر Stacking
• 25. مفهوم Stacking و لایه‌های آن
• 26. پیاده‌سازی Stacking با Scikit-learn
• 27. انتخاب مدل پایه برای Stacking
• 28. انتخاب متا-مدل برای Stacking
• 29. ارزیابی مدل‌های تجمیعی
• 30. معیارهای ارزیابی در طبقه‌بندی
• 31. معیارهای ارزیابی در رگرسیون
• 32. اعتبارسنجی متقابل (Cross-validation)
• 33. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 34. جستجوی شبکه‌ای (Grid Search)
• 35. جستجوی تصادفی (Random Search)
• 36. بهینه‌سازی بیزی (Bayesian Optimization)
• 37. کاربرد روش‌های تجمیعی در تشخیص ناهنجاری
• 38. کاربرد روش‌های تجمیعی در پیش‌بینی سری‌های زمانی
• 39. کاربرد روش‌های تجمیعی در پردازش تصویر
• 40. کاربرد روش‌های تجمیعی در پردازش زبان طبیعی
• 41. روش‌های تجمیعی برای داده‌های نامتعادل
• 42. تکنیک‌های نمونه‌برداری در داده‌های نامتعادل
• 43. استفاده از روش‌های تجمیعی با داده‌های نامتعادل
• 44. ملاحظات اخلاقی در علم داده
• 45. حریم خصوصی داده‌ها و حفاظت از اطلاعات
• 46. بی‌طرفی الگوریتم‌ها و جلوگیری از تبعیض
• 47. شفافیت و قابلیت تفسیر مدل‌ها
• 48. مفاهیم پایه یادگیری عمیق
• 49. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 50. پیاده‌سازی MLP با TensorFlow/Keras
• 51. شبکه‌های عصبی کانولوشنی (CNN)
• 52. کاربرد CNN در پردازش تصویر
• 53. پیاده‌سازی CNN با TensorFlow/Keras
• 54. شبکه‌های عصبی بازگشتی (RNN)
• 55. کاربرد RNN در پردازش زبان طبیعی
• 56. پیاده‌سازی RNN با TensorFlow/Keras
• 57. شبکه‌های عصبی ترانسفورمر (Transformer)
• 58. کاربرد Transformer در NLP
• 59. پیاده‌سازی Transformer با TensorFlow/Keras
• 60. یادگیری انتقالی (Transfer Learning)
• 61. کاربرد Transfer Learning در طبقه‌بندی تصویر
• 62. کاربرد Transfer Learning در NLP
• 63. یادگیری تقویتی (Reinforcement Learning)
• 64. مبانی یادگیری تقویتی
• 65. الگوریتم‌های Q-Learning
• 66. الگوریتم Deep Q-Networks (DQN)
• 67. کاربرد یادگیری تقویتی در رباتیک
• 68. کاربرد یادگیری تقویتی در بازی‌ها
• 69. مفاهیم پیشرفته در یادگیری ماشین
• 70. یادگیری نیمه‌نظارتی (Semi-supervised Learning)
• 71. یادگیری خودنظارتی (Self-supervised Learning)
• 72. یادگیری فدرال (Federated Learning)
• 73. تفسیرپذیری مدل‌های یادگیری ماشین (XAI)
• 74. روش‌های LIME و SHAP
• 75. تکنیک‌های کاهش ابعاد پیشرفته
• 76. تحلیل مؤلفه‌های اصلی (PCA)
• 77. تجزیه مقدار منفرد (SVD)
• 78. منیفلد لرنینگ (Manifold Learning)
• 79. کاربرد روش‌های تجمیعی در مهندسی ویژگی
• 80. بهینه‌سازی فرآیند مهندسی ویژگی
• 81. ارتباط بین روش‌های تجمیعی و یادگیری عمیق
• 82. ترکیب مدل‌های سنتی و یادگیری عمیق
• 83. مدل‌های ترکیبی برای مسائل پیچیده
• 84. بهینه‌سازی عملکرد مدل‌ها در مقیاس بزرگ
• 85. استفاده از پردازش توزیع‌شده
• 86. مدیریت چرخه عمر مدل‌های یادگیری ماشین
• 87. استقرار مدل‌ها در محیط عملیاتی
• 88. نظارت بر عملکرد مدل‌ها پس از استقرار
• 89. به‌روزرسانی و بازآموزی مدل‌ها
• 90. استفاده از پلتفرم‌های MLOps
• 91. مطالعات موردی پیشرفته در علم داده
• 92. تحلیل داده‌های سلامت با روش‌های تجمیعی
• 93. پیش‌بینی ریسک اعتباری با مدل‌های تجمیعی
• 94. کاربرد روش‌های تجمیعی در تحلیل بازار سهام
• 95. بهینه‌سازی زنجیره تأمین با علم داده
• 96. مدل‌سازی رفتار مشتری با یادگیری ماشین
• 97. تحلیل احساسات با استفاده از NLP و روش‌های تجمیعی
• 98. کاربرد روش‌های تجمیعی در بهینه‌سازی انرژی
• 99. علم داده در حوزه حکمرانی و خدمات عمومی
• 100. آینده علم داده و یادگیری ماشین