کتاب مسیر جامع یادگیری عمیق: از مبانی تا طراحی هوش مصنوعی نسل آینده
, ,

کتاب مسیر جامع یادگیری عمیق: از مبانی تا طراحی هوش مصنوعی نسل آینده

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000020199 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 مسیر جامع یادگیری عمیق: از مبانی تا طراحی هوش مصنوعی نسل آینده

موضوع کلی: هوش مصنوعی (Artificial Intelligence)

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
  • 2. مفاهیم اساسی یادگیری عمیق
  • 3. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 4. توابع فعال‌سازی: ReLU، Sigmoid، Tanh
  • 5. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
  • 6. پس انتشار خطا (Backpropagation)
  • 7. تنظیم نرخ یادگیری (Learning Rate)
  • 8. مجموعه‌های داده: آماده‌سازی، اعتبارسنجی و آزمایش
  • 9. بیش‌برازش و کم‌برازش (Overfitting & Underfitting)
  • 10. تکنیک‌های منظم‌سازی (Regularization): L1 & L2
  • 11. Dropout و Batch Normalization
  • 12. شبکه‌های عصبی پیچشی (CNNs): معماری و عملکرد
  • 13. لایه‌های Convolutional و Pooling
  • 14. تشخیص ویژگی‌ها در تصاویر
  • 15. انواع معماری‌های CNN: LeNet، AlexNet، VGGNet
  • 16. ResNet و معماری‌های عمیق‌تر CNN
  • 17. InceptionNet و معماری‌های موثر CNN
  • 18. انتقال یادگیری (Transfer Learning) در CNNها
  • 19. بهینه‌سازی معماری CNN
  • 20. کاربردهای CNN در بینایی ماشین
  • 21. شبکه‌های عصبی بازگشتی (RNNs): مقدمه
  • 22. معماری RNN و چالش‌های گرادیان محو شونده
  • 23. شبکه‌های حافظه بلندمدت (LSTM)
  • 24. واحد دروازه‌ای بازگشتی (GRU)
  • 25. معماری‌های RNN یک‌طرفه و دوطرفه
  • 26. توالی به توالی (Sequence-to-Sequence) با RNN
  • 27. توجه (Attention Mechanism) در RNNها
  • 28. کاربردهای RNN در پردازش زبان طبیعی (NLP)
  • 29. مدل‌های زبانی مبتنی بر RNN
  • 30. Word Embeddings: Word2Vec، GloVe، FastText
  • 31. مدل‌های Transformer: معماری و عملکرد
  • 32. Self-Attention و Multi-Head Attention
  • 33. Encoder و Decoder در Transformer
  • 34. انتقال یادگیری در مدل‌های Transformer
  • 35. BERT: Bidirectional Encoder Representations from Transformers
  • 36. GPT: Generative Pre-trained Transformer
  • 37. کاربردهای Transformer در NLP
  • 38. یادگیری تقویتی (Reinforcement Learning): مقدمه
  • 39. محیط‌های Markov Decision Processes (MDPs)
  • 40. الگوریتم‌های مبتنی بر مقدار (Value-Based): Q-Learning
  • 41. الگوریتم‌های مبتنی بر سیاست (Policy-Based): Policy Gradient
  • 42. شبکه‌های عصبی عمیق در یادگیری تقویتی عمیق (Deep RL)
  • 43. Deep Q-Network (DQN) و انواع آن
  • 44. Actor-Critic Methods: A2C، A3C
  • 45. Proximal Policy Optimization (PPO)
  • 46. Trust Region Policy Optimization (TRPO)
  • 47. یادگیری تقویتی سلسله مراتبی (Hierarchical RL)
  • 48. کاربردهای یادگیری تقویتی در رباتیک و بازی‌ها
  • 49. شبکه‌های مولد تخاصمی (GANs): مقدمه
  • 50. مولد (Generator) و تمایزدهنده (Discriminator)
  • 51. آموزش GAN و چالش‌های آن
  • 52. Conditional GANs (cGANs)
  • 53. Deep Convolutional GANs (DCGANs)
  • 54. CycleGAN و Image-to-Image Translation
  • 55. StyleGAN و تولید تصاویر واقع‌گرایانه
  • 56. انواع مختلف GAN و کاربردهای آنها
  • 57. یادگیری خود نظارتی (Self-Supervised Learning)
  • 58. متدهای مبتنی بر کنتراستیو (Contrastive Learning)
  • 59. Masked Autoencoders (MAE)
  • 60. یادگیری نیمه نظارتی (Semi-Supervised Learning)
  • 61. یادگیری فعال (Active Learning)
  • 62. یادگیری چندوظیفه‌ای (Multi-Task Learning)
  • 63. یادگیری متقابل (Meta-Learning)
  • 64. یادگیری دامنه تطبیقی (Domain Adaptation)
  • 65. شبکه‌های عصبی گراف (Graph Neural Networks)
  • 66. معماری‌های GNN و کاربردهای آنها
  • 67. تفسیرپذیری (Interpretability) در یادگیری عمیق
  • 68. تکنیک‌های Explanation: LIME، SHAP
  • 69. حملات تخاصمی (Adversarial Attacks)
  • 70. دفاع در برابر حملات تخاصمی
  • 71. حریم خصوصی (Privacy) در یادگیری عمیق
  • 72. محاسبات تفاضلی حریم خصوصی (Differential Privacy)
  • 73. یادگیری فدرال (Federated Learning)
  • 74. بهینه‌سازی توزیع‌شده (Distributed Training)
  • 75. فشرده‌سازی مدل (Model Compression)
  • 76. کمی‌سازی (Quantization)
  • 77. هرسون سازی (Pruning)
  • 78. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
  • 79. سخت‌افزار برای یادگیری عمیق (GPUs، TPUs)
  • 80. معماری‌های جدید برای یادگیری عمیق (Attention Mechanisms)
  • 81. یادگیری عمیق در لبه (Edge Computing)
  • 82. یادگیری عمیق کوانتومی (Quantum Deep Learning)
  • 83. اخلاق (Ethics) در هوش مصنوعی و یادگیری عمیق
  • 84. تاثیر اجتماعی (Social Impact) یادگیری عمیق
  • 85. آینده یادگیری عمیق
  • 86. مبانی نظری یادگیری عمیق: تعمیم پذیری
  • 87. مبانی نظری یادگیری عمیق: ظرفیت
  • 88. تحلیل پایداری (Stability Analysis)
  • 89. بهینه‌سازی غیر محدب (Non-convex Optimization)
  • 90. تطبیق پارامترها (Hyperparameter Tuning)
  • 91. جستجوی شبکه ای (Grid Search) و جستجوی تصادفی (Random Search)
  • 92. بهینه‌سازی بیزی (Bayesian Optimization)
  • 93. بهینه‌سازی مبتنی بر گرادیان (Gradient-Based Optimization)
  • 94. استفاده از کتابخانه‌های یادگیری عمیق: TensorFlow، PyTorch
  • 95. مدیریت پروژه‌های یادگیری عمیق
  • 96. پیاده‌سازی پایپ‌لاین‌های یادگیری عمیق
  • 97. ارزیابی عملکرد مدل‌های یادگیری عمیق
  • 98. استقرار مدل‌های یادگیری عمیق
  • 99. توسعه برنامه‌های کاربردی یادگیری عمیق
  • 100. چالش‌های پیش روی یادگیری عمیق

📚 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 مسیر جامع یادگیری عمیق: از مبانی تا طراحی هوش مصنوعی نسل آینده”

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

محصولات مشابه

پیمایش به بالا