کتاب مبانی ریاضی شبکه‌های عصبی: از اصول تا کاربرد
, ,

کتاب مبانی ریاضی شبکه‌های عصبی: از اصول تا کاربرد

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000019999 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 مبانی ریاضی شبکه‌های عصبی: از اصول تا کاربرد

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مبانی ریاضی شبکه‌های عصبی: از اصول تا کاربرد
  • 2. آشنایی با هوش مصنوعی و یادگیری ماشین
  • 3. معرفی شبکه‌های عصبی مصنوعی و تاریخچه آن‌ها
  • 4. مروری بر مفاهیم ریاضی ضروری: جبر خطی
  • 5. مروری بر مفاهیم ریاضی ضروری: حساب دیفرانسیل و انتگرال
  • 6. مروری بر مفاهیم ریاضی ضروری: آمار و احتمالات
  • 7. ساختارهای داده‌ای در شبکه‌های عصبی: تانسورها
  • 8. نرم‌افزارهای محاسباتی ریاضی و ابزارهای یادگیری ماشین
  • 9. معرفی پایتون و کتابخانه‌های NumPy و PyTorch
  • 10. عناصر اساسی یک نورون مصنوعی: ورودی‌ها، وزن‌ها، بایاس
  • 11. تابع فعال‌سازی: نقش، انواع و انتخاب آن‌ها
  • 12. تابع فعال‌سازی سیگموئید و ویژگی‌های آن
  • 13. تابع فعال‌سازی تانژانت هایپربولیک (tanh)
  • 14. تابع فعال‌سازی ReLU و انواع آن (Leaky ReLU, ELU)
  • 15. معرفی مدل پرسپترون تک‌لایه
  • 16. پیاده‌سازی پرسپترون در پایتون با NumPy
  • 17. منطق بولین و پرسپترون‌ها
  • 18. محدودیت‌های پرسپترون تک‌لایه
  • 19. شبکه‌های عصبی چندلایه (MLP)
  • 20. ساختار و معماری MLP
  • 21. انتشار رو به جلو (Feedforward) در شبکه‌های عصبی
  • 22. محاسبه خروجی یک MLP
  • 23. تابع هزینه (Loss Function) و اهمیت آن
  • 24. معرفی توابع هزینه: میانگین مربعات خطا (MSE)
  • 25. معرفی توابع هزینه: آنتروپی متقابل (Cross-Entropy)
  • 26. بهینه‌سازی: هدف و مفاهیم
  • 27. الگوریتم گرادیان کاهشی (Gradient Descent)
  • 28. گرادیان کاهشی دسته‌ای (Batch Gradient Descent)
  • 29. گرادیان کاهشی تصادفی (Stochastic Gradient Descent)
  • 30. گرادیان کاهشی مینی‌بچ (Mini-Batch Gradient Descent)
  • 31. انتشار رو به عقب (Backpropagation): مفهوم و اصول
  • 32. محاسبه گرادیان برای یک لایه واحد
  • 33. انتشار رو به عقب در شبکه‌های چندلایه
  • 34. پیاده‌سازی انتشار رو به عقب
  • 35. بهینه‌سازهای پیشرفته: Momentum
  • 36. بهینه‌سازهای پیشرفته: Adam
  • 37. تنظیم نرخ یادگیری (Learning Rate)
  • 38. اعتبار سنجی داده‌ها و روش‌های آن
  • 39. توابع فعال‌سازی و مشتقات آن‌ها
  • 40. آشنایی با مسئله Overfitting و راه‌های مقابله
  • 41. روش‌های منظم‌سازی (Regularization): L1 و L2
  • 42. روش‌های منظم‌سازی: Dropout
  • 43. اعتبارسنجی متقابل (Cross-Validation)
  • 44. انتخاب مدل و ارزیابی عملکرد
  • 45. متریک‌های ارزیابی: دقت، صحت، یادآوری، F1-score
  • 46. داده‌پردازی و آماده‌سازی داده‌ها
  • 47. استانداردسازی و نرمال‌سازی داده‌ها
  • 48. معرفی شبکه‌های عصبی کانولوشن (CNNs)
  • 49. عمل کانولوشن و عملکرد آن
  • 50. لایه های کانولوشن
  • 51. لایه های Pooling
  • 52. معماری‌های CNN: LeNet, AlexNet, VGG
  • 53. کاربرد CNN ها در پردازش تصویر
  • 54. شبکه‌های عصبی بازگشتی (RNNs)
  • 55. معرفی و ساختار RNN
  • 56. انواع معماری‌های RNN: One-to-one, one-to-many, many-to-one, many-to-many
  • 57. مشکل vanishing/exploding gradients در RNN
  • 58. RNN های Long Short-Term Memory (LSTM)
  • 59. RNN های Gated Recurrent Unit (GRU)
  • 60. کاربرد RNN ها در پردازش زبان طبیعی
  • 61. توابع فعال‌سازی در لایه‌های پنهان
  • 62. توابع فعال‌سازی در لایه‌های خروجی (Classification, Regression)
  • 63. بهینه‌سازی هایپرپارامترها
  • 64. آموزش شبکه‌های عصبی از ابتدا تا انتها
  • 65. مواجهه با داده‌های گمشده (Missing Data)
  • 66. تکنیک‌های افزایش داده‌ها (Data Augmentation)
  • 67. مدیریت حافظه و بهینه‌سازی محاسبات
  • 68. آشنایی با محیط‌های محاسباتی توزیع‌شده
  • 69. استفاده از GPU برای آموزش شبکه‌های عصبی
  • 70. طراحی معماری شبکه عصبی
  • 71. انتخاب اندازه دسته (Batch Size)
  • 72. بهینه‌سازی زمان آموزش
  • 73. ادغام مدل‌های مختلف (Ensemble Learning)
  • 74. معرفی Transfer Learning
  • 75. استفاده از شبکه‌های عصبی از پیش آموزش‌دیده
  • 76. کاربرد شبکه‌های عصبی در تشخیص تصویر
  • 77. کاربرد شبکه‌های عصبی در پردازش صوت
  • 78. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
  • 79. کاربرد شبکه‌های عصبی در داده‌کاوی
  • 80. شبکه‌های مولد تخاصمی (GANs)
  • 81. معرفی و اصول کار GAN
  • 82. ساختار GAN: Generator و Discriminator
  • 83. کاربردهای GAN: تولید تصاویر و داده‌های مصنوعی
  • 84. معرفی شبکه‌های عصبی خودرمزگذار (Autoencoders)
  • 85. اصول کار Autoencoder
  • 86. انواع Autoencoder: ساده، denoising، variational
  • 87. کاربردهای Autoencoder: کاهش ابعاد داده
  • 88. Deep Reinforcement Learning
  • 89. معرفی و اصول یادگیری تقویتی
  • 90. شبکه‌های عصبی و یادگیری تقویتی
  • 91. Q-learning و شبکه‌های عصبی
  • 92. Deep Q-Network (DQN)
  • 93. آشنایی با کتابخانه‌های TensorFlow و Keras
  • 94. آشنایی با کتابخانه PyTorch
  • 95. مقایسه TensorFlow و PyTorch
  • 96. روش‌های تجسم شبکه‌های عصبی
  • 97. تفسیر نتایج و تحلیل خطاها
  • 98. آینده شبکه‌های عصبی و هوش مصنوعی
  • 99. اخلاقیات هوش مصنوعی
  • 100. مسائل امنیتی در شبکه‌های عصبی

📚 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 مبانی ریاضی شبکه‌های عصبی: از اصول تا کاربرد”

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

محصولات مشابه

پیمایش به بالا