کتاب پاکسازی و آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
, ,

کتاب پاکسازی و آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000023295 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پاکسازی و آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: هوش مصنوعی و یادگیری ماشین (AI/ML)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه و اهمیت پاکسازی داده‌ها
  • 2. چرایی نیاز به آماده‌سازی داده‌ها
  • 3. مراحل کلی فرآیند پاکسازی و آماده‌سازی
  • 4. نقش متخصص داده در پاکسازی
  • 5. فهم دامنه مسئله و داده‌ها
  • 6. اهمیت مستندسازی فرآیند پاکسازی
  • 7. انواع داده‌ها و چالش‌های مربوط به هر کدام
  • 8. داده‌های ساختاریافته، نیمه‌ساختاریافته و بدون ساختار
  • 9. داده‌های عددی، دسته‌ای، متنی، زمانی
  • 10. شناسایی و مدیریت داده‌های پرت (Outliers)
  • 11. روش‌های آماری برای شناسایی داده‌های پرت
  • 12. روش‌های بصری برای شناسایی داده‌های پرت
  • 13. مدیریت داده‌های پرت: حذف، تبدیل یا جایگزینی
  • 14. تاثیر داده‌های پرت بر مدل‌های یادگیری ماشین
  • 15. شناسایی و مدیریت مقادیر گمشده (Missing Values)
  • 16. انواع مقادیر گمشده: MNAR، MAR، MCAR
  • 17. روش‌های شناسایی مقادیر گمشده
  • 18. روش‌های جایگزینی مقادیر گمشده: حذف، میانگین، میانه، مد
  • 19. روش‌های پیشرفته جایگزینی: رگرسیون، KNN Imputation
  • 20. مدیریت مقادیر گمشده در داده‌های دسته‌ای
  • 21. مدیریت مقادیر گمشده در داده‌های عددی
  • 22. تاثیر مقادیر گمشده بر مدل‌های یادگیری ماشین
  • 23. شناسایی و مدیریت داده‌های تکراری (Duplicate Data)
  • 24. روش‌های شناسایی ردیف‌های تکراری
  • 25. استراتژی‌های حذف یا ادغام داده‌های تکراری
  • 26. اهمیت حذف داده‌های تکراری
  • 27. پاکسازی داده‌های متنی
  • 28. پاکسازی اولیه متن: حذف علائم نگارشی، اعداد، کاراکترهای خاص
  • 29. تبدیل به حروف کوچک (Lowercasing)
  • 30. حذف کلمات توقف (Stop Words)
  • 31. ریشه‌یابی کلمات (Stemming)
  • 32. لمتایزاسیون (Lemmatization)
  • 33. مدیریت غلط‌های املایی و تایپی
  • 34. تبدیل متن به نمایش عددی: Bag-of-Words
  • 35. تبدیل متن به نمایش عددی: TF-IDF
  • 36. تبدیل متن به نمایش عددی: Word Embeddings (Word2Vec, GloVe)
  • 37. پاکسازی داده‌های دسته‌ای
  • 38. شناسایی و مدیریت مقادیر ناسازگار یا اشتباه در دسته‌ها
  • 39. استانداردسازی نام دسته‌ها
  • 40. مدیریت دسته‌های با فراوانی کم (Rare Categories)
  • 41. کدگذاری دسته‌ای: One-Hot Encoding
  • 42. کدگذاری دسته‌ای: Label Encoding
  • 43. کدگذاری دسته‌ای: Target Encoding
  • 44. کدگذاری دسته‌ای: Binary Encoding
  • 45. کدگذاری دسته‌ای: Ordinal Encoding
  • 46. کدگذاری دسته‌ای: Feature Hashing
  • 47. کدگذاری دسته‌ای: Sum Encoding
  • 48. کدگذاری دسته‌ای: Helmert Encoding
  • 49. کدگذاری دسته‌ای: Backward Difference Encoding
  • 50. کدگذاری دسته‌ای: Polynomial Encoding
  • 51. کدگذاری دسته‌ای: Contrast Encoding
  • 52. پاکسازی داده‌های عددی
  • 53. استانداردسازی (Standardization)
  • 54. نرمال‌سازی (Normalization)
  • 55. مقیاس‌بندی Min-Max
  • 56. مقیاس‌بندی Robust Scaler
  • 57. مقیاس‌بندی MaxAbsScaler
  • 58. مقیاس‌بندی Power Transformer (Yeo-Johnson)
  • 59. مقیاس‌بندی Quantile Transformer
  • 60. تبدیل لگاریتمی
  • 61. تبدیل ریشه‌ی دوم
  • 62. تبدیل جعبه-کاکس (Box-Cox Transformation)
  • 63. مدیریت داده‌های نامتعارف (Skewed Data)
  • 64. مقابله با اعوجاج در توزیع داده‌ها
  • 65. پاکسازی داده‌های زمانی
  • 66. استانداردسازی فرمت تاریخ و زمان
  • 67. استخراج ویژگی از داده‌های زمانی (روز هفته، ماه، سال، ساعت)
  • 68. مدیریت شکاف‌های زمانی (Time Gaps)
  • 69. تبدیل داده‌های زمانی به ویژگی‌های قابل استفاده
  • 70. فصل‌بندی داده‌های زمانی
  • 71. ترکیب ویژگی‌ها (Feature Engineering)
  • 72. ایجاد ویژگی‌های جدید از ویژگی‌های موجود
  • 73. ترکیب ویژگی‌های عددی
  • 74. ترکیب ویژگی‌های دسته‌ای
  • 75. ترکیب ویژگی‌های متنی
  • 76. ترکیب ویژگی‌های زمانی
  • 77. نرمال‌سازی و استانداردسازی ویژگی‌های مهندسی شده
  • 78. فیلتر کردن ویژگی‌ها (Feature Selection)
  • 79. اهمیت انتخاب ویژگی
  • 80. روش‌های مبتنی بر فیلتر (Filter Methods)
  • 81. روش‌های مبتنی بر لفاف (Wrapper Methods)
  • 82. روش‌های مبتنی بر جاسازی (Embedded Methods)
  • 83. اهمیت و کاربرد PCA (Principal Component Analysis)
  • 84. اهمیت و کاربرد t-SNE (t-Distributed Stochastic Neighbor Embedding)
  • 85. اهمیت و کاربرد UMAP (Uniform Manifold Approximation and Projection)
  • 86. بررسی و مدیریت عدم تعادل کلاس‌ها (Class Imbalance)
  • 87. روش‌های Oversampling (SMOTE)
  • 88. روش‌های Undersampling
  • 89. ترکیب روش‌های Oversampling و Undersampling
  • 90. مدیریت عدم تعادل کلاس‌ها با استفاده از الگوریتم‌های مناسب
  • 91. بررسی و مدیریت همبستگی بین ویژگی‌ها (Multicollinearity)
  • 92. تشخیص همبستگی بالا (VIF – Variance Inflation Factor)
  • 93. روش‌های کاهش همبستگی: حذف ویژگی، استفاده از PCA
  • 94. اعتبارسنجی فرآیند پاکسازی
  • 95. اهمیت اعتبارسنجی متقابل (Cross-Validation)
  • 96. تست مدل بر روی داده‌های پاکسازی شده
  • 97. بررسی تاثیر پاکسازی بر عملکرد مدل
  • 98. ابزارها و کتابخانه‌های پرکاربرد برای پاکسازی داده‌ها
  • 99. Pandas در پایتون
  • 100. NumPy در پایتون

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب پاکسازی و آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا