, ,

کتاب ساخت مدل‌های یادگیری ماشین با پایتون: از مبانی تا تکنیک‌های پیشرفته

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 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 مدل‌های یادگیری ماشین با پایتون: از مبانی تا تکنیک‌های پیشرفته

موضوع کلی: یادگیری ماشین برای هکرها

موضوع میانی: از داده تا پیش‌بینی: یک رویکرد عملی

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر یادگیری ماشین
  • 2. چرا یادگیری ماشین؟
  • 3. انواع یادگیری ماشین
  • 4. یادگیری تحت نظارت
  • 5. یادگیری بدون نظارت
  • 6. یادگیری تقویتی
  • 7. کاربردها و مثال‌های واقعی
  • 8. محیط توسعه پایتون
  • 9. نصب پایتون و pip
  • 10. نصب کتابخانه‌های کلیدی (NumPy, SciPy, Pandas, Scikit-learn)
  • 11. استفاده از Jupyter Notebooks
  • 12. آشنایی با NumPy برای محاسبات عددی
  • 13. آرایه‌ها و عملیات روی آن‌ها
  • 14. ایندکس‌گذاری و برش آرایه‌ها
  • 15. عملیات ریاضی و آماری با NumPy
  • 16. آشنایی با Pandas برای تحلیل داده
  • 17. ساختار داده Series
  • 18. ساختار داده DataFrame
  • 19. بارگذاری و ذخیره داده‌ها (CSV, Excel)
  • 20. پاکسازی و پیش‌پردازش داده‌ها
  • 21. مدیریت مقادیر گمشده
  • 22. تبدیل و تغییر شکل داده‌ها
  • 23. ادغام و ترکیب DataFrameها
  • 24. آشنایی با Matplotlib و Seaborn برای بصری‌سازی
  • 25. نمودارهای خطی و پراکندگی
  • 26. هیستوگرام و نمودارهای میله‌ای
  • 27. نمودارهای جعبه‌ای و ویولن
  • 28. نقشه‌های حرارتی
  • 29. مقدمه‌ای بر مدل‌سازی آماری
  • 30. رگرسیون خطی ساده
  • 31. مفاهیم اساسی رگرسیون
  • 32. تنظیم مدل رگرسیون خطی
  • 33. ارزیابی مدل رگرسیون (MSE, R-squared)
  • 34. رگرسیون خطی چندگانه
  • 35. اضافه کردن ویژگی‌های بیشتر
  • 36. تفسیر ضرایب رگرسیون
  • 37. مقدمه‌ای بر طبقه‌بندی
  • 38. رگرسیون لجستیک
  • 39. تابع سیگموئید
  • 40. تنظیم مدل رگرسیون لجستیک
  • 41. ارزیابی مدل طبقه‌بندی (دقت، صحت، فراخوانی)
  • 42. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 43. منحنی ROC و AUC
  • 44. ماشین‌های بردار پشتیبان (SVM)
  • 45. مفهوم جداسازی خطی
  • 46. هسته‌ها (Kernels) در SVM
  • 47. تنظیم پارامترهای SVM
  • 48. درختان تصمیم (Decision Trees)
  • 49. ایجاد درخت تصمیم
  • 50. شاخص گینی و آنتروپی
  • 51. برش و هرس درختان تصمیم
  • 52. ارزیابی درختان تصمیم
  • 53. جنگل‌های تصادفی (Random Forests)
  • 54. مفهوم Bagging
  • 55. ساخت جنگل تصادفی
  • 56. تنظیم پارامترهای جنگل تصادفی
  • 57. K-نزدیکترین همسایه (K-NN)
  • 58. مفهوم فاصله‌سنجی
  • 59. انتخاب مقدار K
  • 60. تنظیم پارامتر K-NN
  • 61. مدل‌های خوشه‌بندی (Clustering)
  • 62. خوشه‌بندی K-Means
  • 63. انتخاب تعداد خوشه‌ها (K)
  • 64. الگوریتم K-Means
  • 65. ارزیابی خوشه‌بندی
  • 66. خوشه‌بندی سلسله مراتبی
  • 67. دندروگرام‌ها (Dendrograms)
  • 68. متریک‌های فاصله
  • 69. کاهش ابعاد (Dimensionality Reduction)
  • 70. تحلیل مؤلفه‌های اصلی (PCA)
  • 71. مفهوم واریانس
  • 72. محاسبه مؤلفه‌های اصلی
  • 73. تفسیر مؤلفه‌های اصلی
  • 74. کاربرد PCA در مدل‌سازی
  • 75. انتخاب ویژگی (Feature Selection)
  • 76. روش‌های مبتنی بر فیلتر
  • 77. روش‌های مبتنی بر Wrapper
  • 78. روش‌های مبتنی بر Embedded
  • 79. مهندسی ویژگی (Feature Engineering)
  • 80. ایجاد ویژگی‌های جدید
  • 81. تبدیل ویژگی‌های دسته‌ای
  • 82. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
  • 83. استانداردسازی (Standardization)
  • 84. نرمال‌سازی (Normalization)
  • 85. مدل‌های Ensemble
  • 86. مفهوم ترکیب مدل‌ها
  • 87. Bagging و Boosting
  • 88. Gradient Boosting Machines (GBM)
  • 89. تنظیم پارامترهای GBM
  • 90. LightGBM و XGBoost
  • 91. استفاده از کتابخانه Scikit-learn
  • 92. پیاده‌سازی مدل‌های مختلف در Scikit-learn
  • 93. ارزیابی و اعتبارسنجی متقابل (Cross-Validation)
  • 94. اعتبارسنجی K-Fold
  • 95. اعتبارسنجی Stratified K-Fold
  • 96. تنظیم فراپارامترها (Hyperparameter Tuning)
  • 97. جستجوی شبکه‌ای (Grid Search)
  • 98. جستجوی تصادفی (Random Search)
  • 99. تنظیمات پیشرفته در Scikit-learn
  • 100. کار با داده‌های بزرگ

📚 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 مدل‌های یادگیری ماشین با پایتون: از مبانی تا تکنیک‌های پیشرفته”

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

پیمایش به بالا