سپنتا کتاب اکسپرس
کتاب درک عمیق الگوریتم‌های یادگیری ماشین و پیاده‌سازی کاربردی آن‌ها

کتاب درک عمیق الگوریتم‌های یادگیری ماشین و پیاده‌سازی کاربردی آن‌ها

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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 درک عمیق الگوریتم‌های یادگیری ماشین و پیاده‌سازی کاربردی آن‌ها

موضوع کلی: مبانی، الگوریتم‌ها و کاربردهای یادگیری ماشین

موضوع میانی: یادگیری ماشین پیشرفته

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر یادگیری ماشین
  • 2. مفاهیم بنیادین یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. یادگیری نظارت شده
  • 5. یادگیری بدون نظارت
  • 6. یادگیری تقویتی
  • 7. مدل‌های آماری در یادگیری ماشین
  • 8. احتمال و آمار برای یادگیری ماشین
  • 9. مفاهیم پایه احتمال
  • 10. متغیرهای تصادفی
  • 11. توزیع‌های احتمال
  • 12. قضیه بیز
  • 13. استنتاج بیزی
  • 14. رگرسیون خطی
  • 15. رگرسیون چندگانه
  • 16. مدل‌های خطی تعمیم یافته
  • 17. توابع فعال‌سازی
  • 18. رگرسیون لجستیک
  • 19. طبقه‌بندی با رگرسیون لجستیک
  • 20. حداکثر درستنمایی
  • 21. روش‌های بهینه‌سازی
  • 22. گرادیان کاهشی
  • 23. مفاهیم بهینه‌سازی
  • 24. انواع گرادیان کاهشی
  • 25. بهینه‌سازی تصادفی
  • 26. بهینه‌سازی دسته‌ای
  • 27. بهینه‌سازی مینی-دسته‌ای
  • 28. تنظیم نرخ یادگیری
  • 29. نظم‌دهی (Regularization)
  • 30. L1 و L2 Regularization
  • 31. تکنیک‌های کاهش بیش‌برازش
  • 32. حذف خودکار ویژگی‌ها
  • 33. مدل‌های درخت تصمیم
  • 34. درختان تصمیم برای رگرسیون
  • 35. درختان تصمیم برای طبقه‌بندی
  • 36. معیار ناخالصی (Impurity Measures)
  • 37. اطلاعات متقابل (Information Gain)
  • 38. شاخص جینی (Gini Index)
  • 39. تقسیم‌بندی بهینه در درختان تصمیم
  • 40. روش‌های جوانه‌زنی (Pruning)
  • 41. مجموعه‌های تقویتی (Ensemble Methods)
  • 42. تقویت گرادیان (Gradient Boosting)
  • 43. ماشین‌های بردار پشتیبان (SVM)
  • 44. هسته‌های SVM (Kernel Trick)
  • 45. SVM برای طبقه‌بندی
  • 46. SVM برای رگرسیون
  • 47. شبکه‌های عصبی مصنوعی
  • 48. مقدمه‌ای بر نورون مصنوعی
  • 49. توابع فعال‌سازی در شبکه‌های عصبی
  • 50. شبکه‌های عصبی پیشخور (Feedforward Networks)
  • 51. پس‌انتشار خطا (Backpropagation)
  • 52. بهینه‌سازی شبکه‌های عصبی
  • 53. شبکه‌های عصبی کانولوشنال (CNN)
  • 54. لایه‌های کانولوشنال
  • 55. لایه‌های پولینگ (Pooling Layers)
  • 56. معماری‌های CNN
  • 57. کاربرد CNN در بینایی ماشین
  • 58. شبکه‌های عصبی بازگشتی (RNN)
  • 59. حافظه در RNN
  • 60. شبکه‌های LSTM و GRU
  • 61. کاربرد RNN در پردازش زبان طبیعی
  • 62. یادگیری بدون نظارت
  • 63. خوشه‌بندی (Clustering)
  • 64. K-Means Clustering
  • 65. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
  • 66. خوشه‌بندی مبتنی بر چگالی (DBSCAN)
  • 67. کاهش ابعاد (Dimensionality Reduction)
  • 68. تحلیل مؤلفه‌های اصلی (PCA)
  • 69. تحلیل مؤلفه‌های مستقل (ICA)
  • 70. توزیع توده‌ای غیرخطی (t-SNE)
  • 71. مدل‌های مخلوط گوسی (Gaussian Mixture Models)
  • 72. یادگیری تقویتی
  • 73. مفاهیم پایه یادگیری تقویتی
  • 74. عامل و محیط
  • 75. حالت، عمل و پاداش
  • 76. سیاست (Policy)
  • 77. تابع ارزش (Value Function)
  • 78. معادله بلمن (Bellman Equation)
  • 79. یادگیری Q (Q-Learning)
  • 80. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
  • 81. مدل‌های مبتنی بر مدل (Model-Based RL)
  • 82. مدل‌های بدون مدل (Model-Free RL)
  • 83. الگوریتم‌های Policy Gradient
  • 84. روش‌های Actor-Critic
  • 85. ارزیابی مدل‌ها
  • 86. معیارهای ارزیابی برای رگرسیون
  • 87. معیارهای ارزیابی برای طبقه‌بندی
  • 88. دقت (Accuracy)
  • 89. دقت و بازیابی (Precision and Recall)
  • 90. امتیاز F1 (F1-Score)
  • 91. منحنی ROC و AUC
  • 92. اعتبارسنجی متقابل (Cross-Validation)
  • 93. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 94. جستجوی شبکه‌ای (Grid Search)
  • 95. جستجوی تصادفی (Random Search)
  • 96. بهینه‌سازی بیزی (Bayesian Optimization)
  • 97. پیاده‌سازی کاربردی
  • 98. مقدمه‌ای بر کتابخانه‌های یادگیری ماشین
  • 99. Scikit-learn
  • 100. TensorFlow

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.