, ,

کتاب از پرسپترون تا درختان تصمیم: اصول یادگیری ماشین با پایتون

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 از پرسپترون تا درختان تصمیم: اصول یادگیری ماشین با پایتون

موضوع کلی: مبانی برنامه نویسی یادگیری ماشین

موضوع میانی: الگوریتم های پایه و پیاده سازی

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر یادگیری ماشین
  • 2. تاریخچه یادگیری ماشین
  • 3. مفاهیم پایه یادگیری ماشین
  • 4. انواع یادگیری ماشین: نظارت شده
  • 5. انواع یادگیری ماشین: بدون نظارت
  • 6. انواع یادگیری ماشین: تقویتی
  • 7. مجموعه داده ها و ویژگی ها
  • 8. نمونه ها و ویژگی ها
  • 9. داده های آموزشی و آزمایشی
  • 10. پیش پردازش داده ها
  • 11. مقیاس بندی ویژگی ها
  • 12. نرمال سازی داده ها
  • 13. کدگذاری مقوله ای
  • 14. حذف داده های پرت
  • 15. مدل پرسپترون
  • 16. نورون مصنوعی
  • 17. تابع فعال سازی
  • 18. یادگیری پرسپترون
  • 19. الگوریتم گرادیان نزولی
  • 20. بهینه سازی مدل
  • 21. محدودیت های پرسپترون
  • 22. یادگیری ماشین خطی
  • 23. رگرسیون خطی
  • 24. معادله خطی
  • 25. تخمین پارامترها
  • 26. تابع هزینه
  • 27. بهینه سازی تابع هزینه
  • 28. مدل های رگرسیون چندگانه
  • 29. پیش بینی مقادیر پیوسته
  • 30. کاربرد رگرسیون خطی
  • 31. طبقه‌بندی با پرسپترون
  • 32. مرز تصمیم
  • 33. جدایی پذیری خطی
  • 34. الگوریتم آموزش پرسپترون
  • 35. تعداد اپوک ها
  • 36. نرخ یادگیری
  • 37. تشخیص الگو
  • 38. کاربرد طبقه‌بندی با پرسپترون
  • 39. مقدمه ای بر شبکه های عصبی
  • 40. نورون های چند لایه
  • 41. لایه های ورودی، پنهان و خروجی
  • 42. توابع فعال سازی غیرخطی
  • 43. مثال: تابع سیگموئید
  • 44. مثال: تابع ReLU
  • 45. الگوریتم پس انتشار خطا
  • 46. محاسبه گرادیان ها
  • 47. به روز رسانی وزن ها
  • 48. آموزش شبکه های عصبی عمیق
  • 49. مقدمه ای بر درختان تصمیم
  • 50. ایده اصلی درختان تصمیم
  • 51. گره ها و شاخه ها
  • 52. گره برگ
  • 53. تصمیم گیری بر اساس ویژگی ها
  • 54. معیارهای تقسیم
  • 55. معیار ناخالصی گینی
  • 56. آنتروپی
  • 57. از دست دادن اطلاعات
  • 58. انتخاب بهترین ویژگی برای تقسیم
  • 59. الگوریتم ID3
  • 60. الگوریتم C4.5
  • 61. الگوریتم CART
  • 62. ساخت درخت تصمیم
  • 63. رشد درخت
  • 64. هرس درخت
  • 65. جلوگیری از بیش برازش
  • 66. کاربرد درختان تصمیم
  • 67. مزایای درختان تصمیم
  • 68. معایب درختان تصمیم
  • 69. یادگیری ماشین با پایتون
  • 70. مقدمه ای بر کتابخانه Scikit-learn
  • 71. نصب Scikit-learn
  • 72. ساختار Scikit-learn
  • 73. ماژول های اصلی
  • 74. بردارهای داده (DataFrames) با Pandas
  • 75. خواندن داده ها
  • 76. دستکاری داده ها
  • 77. تجزیه و تحلیل اکتشافی داده ها
  • 78. مصورسازی داده ها با Matplotlib و Seaborn
  • 79. رسم نمودار پراکندگی
  • 80. رسم هیستوگرام
  • 81. رسم نمودار جعبه ای
  • 82. پیاده سازی پرسپترون با Scikit-learn
  • 83. کلاس Perceptron
  • 84. آموزش مدل
  • 85. پیش بینی
  • 86. ارزیابی مدل
  • 87. پیاده سازی رگرسیون خطی با Scikit-learn
  • 88. کلاس LinearRegression
  • 89. آموزش مدل
  • 90. پیش بینی
  • 91. ارزیابی مدل
  • 92. پیاده سازی درختان تصمیم با Scikit-learn
  • 93. کلاس DecisionTreeClassifier
  • 94. آموزش مدل
  • 95. پیش بینی
  • 96. ارزیابی مدل
  • 97. پیاده سازی درختان تصمیم برای رگرسیون
  • 98. کلاس DecisionTreeRegressor
  • 99. آموزش مدل
  • 100. پیش بینی

📚 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 از پرسپترون تا درختان تصمیم: اصول یادگیری ماشین با پایتون”

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

پیمایش به بالا