کتاب یادگیری عمیق از مبانی تا پیاده‌سازی با رویکرد عملی
, ,

کتاب یادگیری عمیق از مبانی تا پیاده‌سازی با رویکرد عملی

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000020191 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 یادگیری عمیق از مبانی تا پیاده‌سازی با رویکرد عملی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق کاربردی

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
  • 2. چرا یادگیری عمیق در حال حاضر؟
  • 3. مروری بر مفاهیم پایه یادگیری ماشین
  • 4. انواع مسائل و داده‌ها در یادگیری ماشین
  • 5. مراحل کلی پروژه یادگیری ماشین
  • 6. نصب و راه‌اندازی محیط توسعه (پایتون، ژوپیتر، کتابخانه‌ها)
  • 7. معرفی کتابخانه‌های پایه: NumPy برای محاسبات عددی
  • 8. معرفی کتابخانه‌های پایه: Pandas برای دستکاری داده‌ها
  • 9. معرفی کتابخانه‌های پایه: Matplotlib و Seaborn برای بصری‌سازی
  • 10. آشنایی با Tensors و عملیات پایه در PyTorch/TensorFlow (مقدمه عملی)
  • 11. مرور جبر خطی: بردارها و ماتریس‌ها
  • 12. عملیات ماتریسی و ضرب ماتریس‌ها
  • 13. مشتق و گرادیان: قلب بهینه‌سازی
  • 14. قاعده زنجیری در مشتق‌گیری (Chain Rule)
  • 15. مقدمه‌ای بر احتمالات و آمار در یادگیری عمیق
  • 16. توابع توزیع احتمال و مفهوم درست‌نمایی
  • 17. رگرسیون خطی: اولین مدل یادگیری
  • 18. رگرسیون لجستیک: طبقه‌بندی دوتایی
  • 19. تابع هزینه (Loss Function) و هدف بهینه‌سازی
  • 20. گرادیان کاهشی (Gradient Descent): مبانی و انواع
  • 21. نورون مصنوعی و پرسپترون
  • 22. محدودیت‌های پرسپترون و نیاز به شبکه‌های عمیق‌تر
  • 23. شبکه عصبی چند لایه (MLP) یا پرسپترون چند لایه
  • 24. لایه‌های ورودی، پنهان و خروجی
  • 25. توابع فعال‌سازی (Activation Functions): ReLU, Sigmoid, Tanh, Softmax
  • 26. چرا توابع فعال‌سازی غیرخطی ضروری هستند؟
  • 27. انتشار رو به جلو (Forward Propagation) در شبکه‌های عصبی
  • 28. انتشار رو به عقب (Backpropagation) برای محاسبه گرادیان‌ها
  • 29. گام‌های پیاده‌سازی Backpropagation
  • 30. بهینه‌سازی شبکه‌های عصبی با گرادیان کاهشی
  • 31. تنظیم نرخ یادگیری (Learning Rate)
  • 32. معرفی Keras/TensorFlow 2.0 API برای ساخت مدل
  • 33. پیاده‌سازی یک MLP ساده برای طبقه‌بندی با Keras
  • 34. آموزش، ارزیابی و پیش‌بینی با Keras
  • 35. بررسی دیتاست‌های استاندارد: MNIST و Fashion MNIST
  • 36. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
  • 37. تقسیم داده‌ها: آموزش، اعتبارسنجی و آزمون
  • 38. اعتبارسنجی متقابل (Cross-Validation)
  • 39. تنظیم‌کننده‌های L1 و L2 (Weight Decay)
  • 40. رهاسازی (Dropout) به عنوان روش تنظیم‌کننده
  • 41. دسته‌بندی دسته‌ای (Batch Normalization)
  • 42. بهینه‌سازهای پیشرفته: Momentum
  • 43. بهینه‌سازهای پیشرفته: AdaGrad و RMSprop
  • 44. بهینه‌ساز پیشرفته و پرکاربرد: Adam
  • 45. استراتژی‌های مقداردهی اولیه وزن‌ها
  • 46. زمان‌بندی نرخ یادگیری (Learning Rate Schedulers)
  • 47. نظارت بر روند آموزش: Loss و Metric Plots
  • 48. هایپرپارامترها و روش‌های تنظیم آن‌ها
  • 49. جستجوی شبکه‌ای (Grid Search) و تصادفی (Random Search)
  • 50. استفاده از Callbacks در Keras برای بهبود آموزش
  • 51. معرفی شبکه‌های عصبی پیچشی: چرا و چگونه؟
  • 52. لایه پیچشی (Convolutional Layer) و فیلترها (Kernels)
  • 53. عملیات پیچش (Convolution Operation) گام به گام
  • 54. لایه تجمیع (Pooling Layer): Max Pooling و Average Pooling
  • 55. لایه‌های Flatten و Fully Connected در CNN
  • 56. ساختار یک CNN ساده برای طبقه‌بندی تصاویر
  • 57. معرفی معماری LeNet-5
  • 58. معرفی معماری AlexNet و چالش ImageNet
  • 59. معماری VGG و عمق شبکه
  • 60. معماری ResNet: اتصالات پرش (Skip Connections)
  • 61. معماری Inception/GoogLeNet
  • 62. انتقال یادگیری (Transfer Learning) با CNNها
  • 63. استخراج ویژگی (Feature Extraction) با مدل‌های از پیش آموزش‌دیده
  • 64. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
  • 65. دیتاسازی (Data Augmentation) برای بهبود مدل‌های CNN
  • 66. تشخیص شیء (Object Detection): مروری بر مفاهیم
  • 67. روش‌های یک مرحله‌ای در تشخیص شیء: YOLO (مقدمه)
  • 68. روش‌های دو مرحله‌ای در تشخیص شیء: R-CNN (مقدمه)
  • 69. بخش‌بندی معنایی (Semantic Segmentation): مفاهیم پایه
  • 70. شبکه‌های UNet برای بخش‌بندی تصاویر
  • 71. بخش‌بندی نمونه (Instance Segmentation): Mask R-CNN (مقدمه)
  • 72. Generative Adversarial Networks (GANs): مفاهیم اساسی
  • 73. ساختار و نحوه کار Generator و Discriminator در GAN
  • 74. کاربردهای GANs: تولید تصاویر و تبدیل سبک
  • 75. محدودیت‌ها و چالش‌های آموزش GANs
  • 76. شبکه‌های عصبی بازگشتی (RNNs): پردازش داده‌های توالی
  • 77. مشکل گرادیان ناپدید شونده/منفجر شونده در RNN
  • 78. واحد حافظه بلند-کوتاه مدت (LSTM)
  • 79. واحدهای دروازه‌ای بازگشتی (GRU)
  • 80. پیاده‌سازی RNN، LSTM و GRU با Keras
  • 81. کاربرد RNN در تحلیل احساسات (Sentiment Analysis)
  • 82. مدل‌های Sequence-to-Sequence (Seq2Seq)
  • 83. مکانیسم توجه (Attention Mechanism) در Seq2Seq
  • 84. ترجمه ماشینی عصبی (Neural Machine Translation)
  • 85. تولید متن و موسیقی با RNN/LSTM
  • 86. پردازش زبان طبیعی (NLP) با یادگیری عمیق: مقدمه
  • 87. پیش‌پردازش متن: توکن‌سازی، نرمال‌سازی
  • 88. نمایش کلمات: One-Hot Encoding و Word Embeddings
  • 89. Word2Vec, GloVe و FastText: بردارهای کلمه
  • 90. کاربرد Word Embeddings در مدل‌های NLP
  • 91. معماری ترنسفورمر (Transformer): Attention Is All You Need
  • 92. Self-Attention و Multi-Head Attention
  • 93. رمزگذار (Encoder) و رمزگشا (Decoder) در ترنسفورمر
  • 94. معرفی مدل‌های BERT: فهم بافتار (Contextual Embeddings)
  • 95. معرفی مدل‌های GPT: تولید زبان (Generative Pre-trained Transformers)
  • 96. هوش مصنوعی توضیح‌پذیر (XAI): چرا مدل‌ها چنین تصمیمی گرفتند؟
  • 97. آموزش خودنظارتی (Self-supervised Learning)
  • 98. استقرار مدل‌های یادگیری عمیق در محیط عملیاتی
  • 99. بهینه‌سازی مدل برای دیپلوی: Quantization, Pruning
  • 100. اخلاق، سوگیری و مسئولیت‌پذیری در هوش مصنوعی

📚 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 یادگیری عمیق از مبانی تا پیاده‌سازی با رویکرد عملی”

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

محصولات مشابه

پیمایش به بالا