کتاب یادگیری عمیق پیشرفته با TensorFlow و PyTorch
, ,

کتاب یادگیری عمیق پیشرفته با TensorFlow و PyTorch

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000027770 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 یادگیری عمیق پیشرفته با TensorFlow و PyTorch

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه و مرور مفاهیم پایه یادگیری عمیق
  • 2. معماری‌های شبکه‌های عصبی
  • 3. توابع فعال‌سازی
  • 4. تابع هزینه و بهینه‌سازی
  • 5. روش‌های گرادیان نزولی
  • 6. تنظیم نرخ یادگیری
  • 7. تنظیم‌کننده‌ها (Regularizers)
  • 8. پایان‌نامه‌ها (Optimizers)
  • 9. فعال‌سازی پیشرفته
  • 10. معماری‌های شبکه‌های کانولوشنال (CNN)
  • 11. لایه کانولوشن
  • 12. لایه پولینگ
  • 13. معماری‌های معروف CNN (مانند LeNet، AlexNet، VGG، ResNet، Inception)
  • 14. کاربرد CNN در بینایی ماشین
  • 15. شناسایی اشیاء
  • 16. تقسیم‌بندی تصویر (Image Segmentation)
  • 17. تشخیص چهره
  • 18. تولید تصویر
  • 19. معماری‌های شبکه‌های بازگشتی (RNN)
  • 20. لایه RNN ساده
  • 21. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
  • 22. شبکه‌های واحد بازگشتی دروازه‌دار (GRU)
  • 23. کاربرد RNN در پردازش زبان طبیعی (NLP)
  • 24. مدل‌سازی زبان
  • 25. ترجمه ماشینی
  • 26. تحلیل احساسات
  • 27. تولید متن
  • 28. شبکه‌های مولد تخاصمی (GAN)
  • 29. معماری Generator و Discriminator
  • 30. آموزش GAN
  • 31. انواع GAN (DCGAN، StyleGAN، CycleGAN)
  • 32. کاربرد GAN در تولید تصویر
  • 33. تولید تصاویر واقع‌گرایانه
  • 34. افزایش داده (Data Augmentation)
  • 35. تبدیل سبک تصویر (Style Transfer)
  • 36. شبکه‌های ترنسفورمر (Transformer)
  • 37. مکانیزم توجه (Attention Mechanism)
  • 38. معماری Encoder-Decoder
  • 39. مدل‌های زبانی مبتنی بر ترنسفورمر (مانند BERT، GPT)
  • 40. کاربرد ترنسفورمر در NLP
  • 41. ترجمه ماشینی پیشرفته
  • 42. خلاصه‌سازی متن
  • 43. پاسخ به سوال
  • 44. TensorFlow: مقدمات و اصول
  • 45. نصب TensorFlow
  • 46. مفاهیم تنسور
  • 47. عملیات بر روی تنسورها
  • 48. گراف محاسباتی
  • 49. تابع GradientTape
  • 50. نحوه ساخت مدل با TensorFlow
  • 51. لایه‌های پیش‌ساخته TensorFlow
  • 52. آموزش مدل با TensorFlow
  • 53. ارزیابی مدل با TensorFlow
  • 54. ذخیره و بارگذاری مدل TensorFlow
  • 55. TensorFlow برای CNN
  • 56. پیاده‌سازی CNN با TensorFlow
  • 57. کاربرد TensorFlow در پروژه‌های بینایی ماشین
  • 58. TensorFlow برای RNN
  • 59. پیاده‌سازی RNN با TensorFlow
  • 60. کاربرد TensorFlow در پروژه‌های NLP
  • 61. TensorFlow Extended (TFX)
  • 62. TensorFlow Lite
  • 63. TensorFlow.js
  • 64. PyTorch: مقدمات و اصول
  • 65. نصب PyTorch
  • 66. مفاهیم تنسور (Tensors)
  • 67. عملیات بر روی تنسورها
  • 68. Autograd و محاسبه گرادیان
  • 69. نحوه ساخت مدل با PyTorch
  • 70. ماژول nn (Neural Network)
  • 71. لایه‌های پیش‌ساخته PyTorch
  • 72. آموزش مدل با PyTorch
  • 73. ارزیابی مدل با PyTorch
  • 74. ذخیره و بارگذاری مدل PyTorch
  • 75. PyTorch برای CNN
  • 76. پیاده‌سازی CNN با PyTorch
  • 77. کاربرد PyTorch در پروژه‌های بینایی ماشین
  • 78. PyTorch برای RNN
  • 79. پیاده‌سازی RNN با PyTorch
  • 80. کاربرد PyTorch در پروژه‌های NLP
  • 81. TorchServe
  • 82. PyTorch Mobile
  • 83. PyTorch Lightning
  • 84. موضوعات پیشرفته در یادگیری عمیق
  • 85. یادگیری تقویتی (Reinforcement Learning)
  • 86. مقدمات RL
  • 87. الگوریتم‌های RL (مانند Q-Learning، Policy Gradients)
  • 88. کاربرد RL در بازی‌ها و رباتیک
  • 89. یادگیری با نظارت ناخودآگاه (Self-Supervised Learning)
  • 90. مفاهیم و کاربردها
  • 91. یادگیری انتقالی (Transfer Learning)
  • 92. روش‌های Fine-tuning
  • 93. کاربرد در مسائل مختلف
  • 94. یادگیری چندوظیفه‌ای (Multi-Task Learning)
  • 95. مفاهیم و مزایا
  • 96. یادگیری فدرال (Federated Learning)
  • 97. مفاهیم و چالش‌ها
  • 98. یادگیری قابل توضیح (Explainable AI – XAI)
  • 99. روش‌های تفسیر مدل‌های یادگیری عمیق
  • 100. کاربرد XAI در مسائل حساس

📚 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 یادگیری عمیق پیشرفته با TensorFlow و PyTorch”

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

محصولات مشابه

پیمایش به بالا