کتاب آموزش جامع Scikit-learn
, ,

کتاب آموزش جامع Scikit-learn

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000009863 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 آموزش جامع Scikit-learn

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
  • 2. آشنایی با Scikit-learn: نصب و راه‌اندازی
  • 3. مفاهیم اولیه: داده‌ها، مدل‌ها، و پیش‌بینی
  • 4. آشنایی با انواع داده‌ها در Scikit-learn
  • 5. مفاهیم کلیدی: ویژگی‌ها، برچسب‌ها، و مجموعه داده
  • 6. بررسی پیش‌نیازهای ریاضی و آمار برای یادگیری ماشین
  • 7. آشنایی با محیط‌های توسعه: Jupyter Notebook, Google Colab
  • 8. وارد کردن داده‌ها: خواندن داده‌ها از فایل‌ها (CSV, TXT)
  • 9. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی داده‌ها
  • 10. تبدیل داده‌ها: نرمال‌سازی و استانداردسازی
  • 11. مدیریت مقادیر گمشده (NaN) در داده‌ها
  • 12. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
  • 13. معرفی ارزیابی مدل: متریک‌های ارزیابی و اعتبارسنجی
  • 14. معرفی مدل‌های یادگیری با نظارت: رگرسیون و طبقه‌بندی
  • 15. رگرسیون خطی ساده و چندگانه
  • 16. ارزیابی مدل‌های رگرسیون: MSE, RMSE, MAE
  • 17. طبقه‌بندی: مقدمه و انواع الگوریتم‌ها
  • 18. طبقه‌بندی با رگرسیون لجستیک
  • 19. ارزیابی مدل‌های طبقه‌بندی: دقت، دقت، فراخوان، F1-Score
  • 20. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 21. منحنی ROC و محاسبه AUC
  • 22. مدل‌های درختی تصمیم‌گیری
  • 23. جنگل‌های تصادفی (Random Forests)
  • 24. بهینه‌سازی هایپرپارامترها با Grid Search
  • 25. بهینه‌سازی هایپرپارامترها با Random Search
  • 26. تقاطع و ادغام ویژگی‌ها
  • 27. انتخاب ویژگی‌ها: روش‌های مبتنی بر فیلتر
  • 28. انتخاب ویژگی‌ها: روش‌های مبتنی بر رپر (Wrapper)
  • 29. انتخاب ویژگی‌ها: روش‌های مبتنی بر تعبیه‌شده (Embedded)
  • 30. یادگیری بدون نظارت: مقدمه و کاربردها
  • 31. خوشه‌بندی K-Means
  • 32. ارزیابی خوشه‌بندی: شاخص Silhouette
  • 33. خوشه‌بندی سلسله‌مراتبی
  • 34. کاهش ابعاد: روش PCA (تحلیل مؤلفه‌های اصلی)
  • 35. کاهش ابعاد: روش t-SNE
  • 36. مدل‌های مبتنی بر ماشین بردار پشتیبان (SVM)
  • 37. بهره‌گیری از Scikit-learn برای پردازش تصویر
  • 38. بهره‌گیری از Scikit-learn برای پردازش متن
  • 39. اعتبارسنجی متقابل (Cross-Validation)
  • 40. اعتبارسنجی متقابل K-Fold
  • 41. اعتبارسنجی متقابل Leave-One-Out
  • 42. تنظیم پارامترهای مدل: GridSearchCV
  • 43. تنظیم پارامترهای مدل: RandomizedSearchCV
  • 44. اعتبارسنجی داده‌های سری زمانی
  • 45. بهبود عملکرد مدل با استفاده از Boosting (AdaBoost, Gradient Boosting)
  • 46. استفاده از پایپ‌لاین‌ها در Scikit-learn
  • 47. کار با مجموعه‌داده‌های بزرگ: تکنیک‌های بهینه‌سازی
  • 48. تکنیک‌های مقابله با نامتعادلی داده‌ها
  • 49. مدل‌های Ensemble: ترکیب مدل‌های مختلف
  • 50. آشنایی با کتابخانه‌های NumPy و Pandas برای داده‌پردازی
  • 51. نقشه‌برداری ویژگی‌ها (Feature Mapping)
  • 52. به‌کارگیری تبدیل‌های غیرخطی (Polynomial Features)
  • 53. آشنایی با Scikit-learn برای حل مسائل رگرسیون پیچیده‌تر
  • 54. استفاده از مدل‌های Lasso و Ridge برای رگرسیون
  • 55. پیاده‌سازی شبکه‌های عصبی ساده با Scikit-learn
  • 56. آموزش شبکه‌های عصبی با استفاده از MLPClassifier
  • 57. انتخاب بهترین مدل: مقایسه مدل‌های مختلف
  • 58. مقابله با بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
  • 59. اعتبارسنجی با هدف تنظیم پارامترها
  • 60. استفاده از تکنیک‌های تنظیم منظم (Regularization)
  • 61. آماده‌سازی داده‌ها برای یادگیری ماشین: خلاصه و مرور
  • 62. ارزیابی مدل: انتخاب مناسب‌ترین متریک
  • 63. بررسی عمیق‌تر الگوریتم‌های یادگیری ماشین: رگرسیون
  • 64. بررسی عمیق‌تر الگوریتم‌های یادگیری ماشین: طبقه‌بندی
  • 65. بررسی عمیق‌تر الگوریتم‌های یادگیری ماشین: خوشه‌بندی
  • 66. کاربرد Scikit-learn در حوزه‌ی داده‌کاوی
  • 67. کاربرد Scikit-learn در حوزه‌ی پردازش زبان طبیعی
  • 68. بهینه‌سازی عملکرد کد و استفاده از منابع
  • 69. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
  • 70. استفاده از مدل‌های آموزش‌دیده در محیط‌های مختلف
  • 71. استفاده از کتابخانه‌های دیگر در کنار Scikit-learn
  • 72. ترکیب Scikit-learn با TensorFlow و Keras
  • 73. معرفی کتابخانه‌های یادگیری ماشین دیگر
  • 74. آشنایی با کاربردهای Scikit-learn در دنیای واقعی
  • 75. حل مسائل عملی با استفاده از Scikit-learn
  • 76. ایجاد یک پروژه کامل یادگیری ماشین
  • 77. به اشتراک گذاری کد و مستندسازی پروژه‌های یادگیری ماشین
  • 78. مفاهیم پیشرفته: پردازش داده‌های نامنظم
  • 79. بهبود دقت مدل با تکنیک‌های پیشرفته
  • 80. بهبود دقت مدل با ترکیب ویژگی‌ها
  • 81. بررسی عمیق‌تر خطاهای مدل و راه‌حل‌ها
  • 82. اهمیت تفسیرپذیری مدل‌های یادگیری ماشین
  • 83. آشنایی با ابزارهای تجسم داده‌ها در Scikit-learn
  • 84. استفاده از ابزارهای تجسم داده‌ها برای تحلیل نتایج
  • 85. بهبود تعامل با داده‌ها: تعامل با APIهای Scikit-learn
  • 86. استفاده از Scikit-learn برای پیش‌بینی سری زمانی
  • 87. پیاده‌سازی مدل‌های یادگیری ماشینی در وب
  • 88. استفاده از Scikit-learn برای تحلیل احساسات
  • 89. کاربرد Scikit-learn در سیستم‌های توصیه‌گر
  • 90. مسائل مربوط به حریم خصوصی در یادگیری ماشین
  • 91. نگهداری و به‌روزرسانی مدل‌های یادگیری ماشین
  • 92. مباحث مربوط به مقیاس‌پذیری و عملکرد در Scikit-learn
  • 93. آینده یادگیری ماشین و Scikit-learn
  • 94. مروری بر مفاهیم کلیدی و نکات مهم دوره
  • 95. منابع تکمیلی و راهنمای مطالعه بیشتر
  • 96. جمع‌بندی و نتیجه‌گیری
  • 97. پروژه‌های عملی و تمرینات پیشرفته
  • 98. نکات پایانی و توصیه‌هایی برای ادامه مسیر
  • 99. آموزش و ارزیابی مدل‌ها: معیارهای عملکرد و اعتبارسنجی
  • 100. معرفی الگوریتم‌های یادگیری ماشین با Scikit-learn: رگرسیون، طبقه‌بندی و خوشه‌بندی

📚 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 آموزش جامع Scikit-learn”

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

محصولات مشابه

پیمایش به بالا