کتاب ساخت و پیاده سازی مدل های یادگیری ماشین از ابتدا
, ,

کتاب ساخت و پیاده سازی مدل های یادگیری ماشین از ابتدا

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000021805 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 ساخت و پیاده سازی مدل های یادگیری ماشین از ابتدا

موضوع کلی: یادگیری ماشین برای برنامه نویسان

موضوع میانی: مبانی و کاربردهای یادگیری ماشین

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر یادگیری ماشین
  • 2. چرا یادگیری ماشین؟
  • 3. انواع یادگیری ماشین
  • 4. یادگیری با نظارت
  • 5. یادگیری بدون نظارت
  • 6. یادگیری تقویتی
  • 7. مراحل کلی در ساخت مدل ML
  • 8. جمع‌آوری و آماده‌سازی داده‌ها
  • 9. درک داده‌ها
  • 10. کاوش داده‌ها
  • 11. مصورسازی داده‌ها
  • 12. پیش‌پردازش داده‌ها
  • 13. پاکسازی داده‌ها
  • 14. مدیریت مقادیر گمشده
  • 15. مدیریت داده‌های پرت
  • 16. مهندسی ویژگی
  • 17. انتخاب ویژگی
  • 18. تبدیل ویژگی
  • 19. نرمال‌سازی و مقیاس‌بندی ویژگی‌ها
  • 20. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
  • 21. مفاهیم اساسی مدل‌سازی
  • 22. مدل‌های خطی
  • 23. رگرسیون خطی
  • 24. منطق رگرسیون
  • 25. مرز تصمیم
  • 26. مدل‌های طبقه‌بندی
  • 27. K-نزدیکترین همسایه (KNN)
  • 28. درخت تصمیم
  • 29. قوانین انجمن
  • 30. الگوریتم Apriori
  • 31. شبکه‌های عصبی مصنوعی
  • 32. ساختار شبکه عصبی
  • 33. تابع فعال‌سازی
  • 34. پس‌انتشار خطا (Backpropagation)
  • 35. آموزش شبکه‌های عصبی
  • 36. یادگیری عمیق
  • 37. شبکه‌های عصبی کانولوشنال (CNN)
  • 38. شبکه‌های عصبی بازگشتی (RNN)
  • 39. ماشین‌های بردار پشتیبان (SVM)
  • 40. هسته‌ها در SVM
  • 41. تکنیک‌های انتخاب مدل
  • 42. اعتبارسنجی متقابل (Cross-validation)
  • 43. تنظیم هایپرپارامترها
  • 44. جستجوی شبکه‌ای (Grid Search)
  • 45. جستجوی تصادفی (Random Search)
  • 46. معیارهای ارزیابی مدل
  • 47. برای رگرسیون: MSE، MAE، R-squared
  • 48. برای طبقه‌بندی: دقت (Accuracy)، صحت (Precision)، بازیابی (Recall)، امتیاز F1، منحنی ROC، AUC
  • 49. اضافه‌برازش (Overfitting) و کم‌برازش (Underfitting)
  • 50. روش‌های جلوگیری از اضافه‌برازش
  • 51. منظم‌سازی (Regularization)
  • 52. کاهش ابعاد
  • 53. تحلیل مولفه‌های اصلی (PCA)
  • 54. تکنیک‌های کاهش ابعاد مبتنی بر مدل
  • 55. مدل‌های بدون نظارت
  • 56. خوشه‌بندی (Clustering)
  • 57. K-Means
  • 58. خوشه‌بندی سلسله مراتبی
  • 59. مدل‌های مخلوط گوسی (GMM)
  • 60. کاهش ابعاد
  • 61. تحلیل مولفه‌های اصلی (PCA)
  • 62. توزیع یکنواخت (t-SNE)
  • 63. قوانین انجمن
  • 64. الگوریتم Apriori
  • 65. تکنیک‌های یادگیری تقویتی
  • 66. محیط، عامل، پاداش
  • 67. یادگیری Q
  • 68. یادگیری Q عمیق (DQN)
  • 69. پیاده‌سازی مدل‌های ML
  • 70. کتابخانه‌های محبوب پایتون
  • 71. NumPy
  • 72. Pandas
  • 73. Scikit-learn
  • 74. TensorFlow
  • 75. PyTorch
  • 76. مدل‌سازی با Scikit-learn
  • 77. رگرسیون خطی با Scikit-learn
  • 78. رگرسیون لجستیک با Scikit-learn
  • 79. KNN با Scikit-learn
  • 80. درخت تصمیم با Scikit-learn
  • 81. SVM با Scikit-learn
  • 82. خوشه‌بندی K-Means با Scikit-learn
  • 83. PCA با Scikit-learn
  • 84. مدل‌سازی با TensorFlow
  • 85. ساخت یک مدل ساده با TensorFlow
  • 86. آموزش مدل با TensorFlow
  • 87. مدل‌سازی با PyTorch
  • 88. ساخت یک مدل ساده با PyTorch
  • 89. آموزش مدل با PyTorch
  • 90. استقرار مدل‌های ML
  • 91. ذخیره و بارگذاری مدل‌ها
  • 92. APIهای برای استقرار
  • 93. ساخت یک API ساده با Flask/FastAPI
  • 94. ملاحظات اخلاقی در ML
  • 95. سوگیری در داده‌ها و مدل‌ها
  • 96. شفافیت و تفسیرپذیری مدل
  • 97. حریم خصوصی داده‌ها
  • 98. کاربرد ML در دنیای واقعی
  • 99. مثال‌های کاربردی در پزشکی
  • 100. مثال‌های کاربردی در مالی

📚 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 ساخت و پیاده سازی مدل های یادگیری ماشین از ابتدا”

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

محصولات مشابه

پیمایش به بالا