دوره طبقه‌بندی (Classification) و الگوریتم های مختلف آن

طبقه‌بندی (Classification) یکی از زیرشاخه های اصلی داده‌کاوی و یادگیری ماشین است. با استفاده از طبقه‌بندی میتوان به صورت هوشمند، اشیا مختلف را در یک تصویر شناسایی کرد، مشتریان ناراضی را قبل از خروج از یک شرکت شناسایی و ترمیم کرد، پلاک اتومبیل ها را با دقت بالا خواند، ماشین های خودران (بدون راننده) ساخت و هزار کار دیگر که در حوزه یادگیری ماشین انجام می شود. در این درس به آشنایی هر چه بیشتر با مبانی و کاربردهای مختلف طبقه‌بندی در صنایع و مسئله های مختلف خواهیم پرداخت. همچنین به آشنایی هر چه بیشتر با الگوریتم های طبقه‌بندی توجه خواهیم کرد و مزایا و معایب هر یک را شرح خواهیم داد. ترتیب پیشنهادی این درس به شرح زیر است:

 درس ۱طبقه بند K نزدیک ترین همسایه (KNN)
درس ۲طبقه‌بندی درخت تصمیم (Decision Tree)
درس ۳طبقه‌بندی درخت تصمیم ID3 و ساختار Entropy و Gain
درس ۴آشنایی با مفهوم Overfitting و Underfitting در طبقه‌بندی
درس ۵آشنایی با مفهوم Bias و Variance
درس ۶الگوریتم طبقه‌بندی درخت تصمیم C4.5
درس ۷الگوریتم طبقه‌بندی درخت تصمیم CART
درس ۸طبقه‌بندهای ترکیبی (Ensemble Classifiers)
درس ۹الگوریتم طبقه‌بندی جنگل تصادفی (Random Forest)
درس ۱۰الگوریتم رگرسیون لجستیک (Logistic Regression)
درس ۱۱ مسائل طبقه‌بندی دودویی (binary)، چند کلاسه (Multi Class)، چند برچسبه (Multi Label) و تفاوت آن‌ها
درس ۱۲روش «یک در مقابل همه (One vs. All)» برای طبقه‌بندی داده‌های چند کلاسه
درس ۱۳روش «یک در مقابل یک (One vs. One)» در طبقه‌بندی
درس ۱۴مدل‌های احتمالی در مقابل مدل‌های قطعی در طبقه‌بندی داده‌ها
درس ۱۵ماتریس اغتشاش (Confusion Matrix) و معیار دقت (Accuracy)
درس ۱۶معیار صحت (Precision)، پوشش (Recall) و معیار F
درس ۱۷معیار کاپا (Kappa) برای ارزیابی طبقه‌بندی‌های چندکلاسه
این دوره در حال تکمیل است…