سپنتا کتاب اکسپرس
کتاب چگونه ماشین‌ها فکر می‌کنند: سفری به قلب هوش مصنوعی مدرن

کتاب چگونه ماشین‌ها فکر می‌کنند: سفری به قلب هوش مصنوعی مدرن

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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره چگونه ماشین‌ها فکر می‌کنند: سفری به قلب هوش مصنوعی مدرن

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: درک عمیق مفاهیم هوش مصنوعی

📋 سرفصل‌های دوره

  • 1. در اینجا 100 سرفصل برای دوره آموزشی "چگونه ماشین‌ها فکر می‌کنند: سفری به قلب هوش مصنوعی مدرن" با الهام از کتاب "How Smart Machines Think" آورده شده است:
  • 2. آغاز سفر: چرا ماشین‌ها می‌توانند فکر کنند؟
  • 3. تعریف هوش مصنوعی: فراتر از ربات‌های انسان‌نما
  • 4. تاریخچه مختصر هوش مصنوعی: از افسانه‌ها تا واقعیت
  • 5. انواع هوش مصنوعی: محدود، عمومی و فوق هوشمند
  • 6. یادگیری ماشین: موتور محرکه هوش مصنوعی
  • 7. یادگیری نظارت شده: یادگیری از معلم
  • 8. یادگیری بدون نظارت: کشف الگوهای پنهان
  • 9. یادگیری تقویتی: یادگیری از طریق آزمون و خطا
  • 10. شبکه‌های عصبی مصنوعی: الهام از مغز انسان
  • 11. نورون‌های مصنوعی: واحدهای سازنده شبکه‌های عصبی
  • 12. لایه‌های شبکه‌های عصبی: ورودی، پنهان و خروجی
  • 13. توابع فعال‌سازی: افزودن غیرخطی بودن به مدل
  • 14. آموزش شبکه‌های عصبی: چگونه مدل یاد می‌گیرد؟
  • 15. پس‌انتشار (Backpropagation): الگوریتم کلیدی آموزش
  • 16. بهینه‌سازی: یافتن بهترین پارامترها
  • 17. نرخ یادگیری: سرعت پیشرفت مدل
  • 18. تابع زیان (Loss Function): اندازه‌گیری خطا
  • 19. بهینه‌سازهای پیشرفته: Adam، SGD و غیره
  • 20. شبکه‌های عصبی کانولوشنال (CNN): برای پردازش تصاویر
  • 21. لایه‌های کانولوشن: استخراج ویژگی‌های بصری
  • 22. لایه‌های پولینگ: کاهش ابعاد و افزایش مقاومت
  • 23. کاربرد CNN در تشخیص تصویر
  • 24. شبکه‌های عصبی بازگشتی (RNN): برای داده‌های ترتیبی
  • 25. حافظه در RNN: پردازش اطلاعات گذشته
  • 26. کاربرد RNN در پردازش زبان طبیعی
  • 27. شبکه‌های حافظه طولانی کوتاه مدت (LSTM) و GRU
  • 28. معماری ترانسفورمر: انقلابی در پردازش زبان
  • 29. مکانیزم توجه (Attention Mechanism): تمرکز بر بخش‌های مهم
  • 30. مدل‌های زبان بزرگ (LLM): قدرت پیش‌بینی متن
  • 31. آموزش مدل‌های زبان: داده‌های عظیم و محاسبات سنگین
  • 32. تولید متن با LLM
  • 33. درک زبان طبیعی (NLU): فهم معنای متن
  • 34. تولید زبان طبیعی (NLG): تولید متن منسجم
  • 35. کاربردهای NLU و NLG: چت‌بات‌ها، خلاصه‌سازی و ترجمه
  • 36. یادگیری عمیق (Deep Learning): زیرمجموعه قدرتمند یادگیری ماشین
  • 37. مزایای یادگیری عمیق: استخراج خودکار ویژگی
  • 38. چالش‌های یادگیری عمیق: نیاز به داده و قدرت محاسباتی
  • 39. یادگیری انتقالی (Transfer Learning): استفاده از دانش قبلی
  • 40. تنظیم دقیق (Fine-tuning): انطباق مدل‌های از پیش آموزش دیده
  • 41. هوش مصنوعی مولد (Generative AI): خلق محتوای جدید
  • 42. شبکه‌های مولد تخاصمی (GAN): دو شبکه در رقابت
  • 43. تولید تصویر با GAN
  • 44. تولید متن و موسیقی با هوش مصنوعی مولد
  • 45. یادگیری با نیمه نظارت (Semi-supervised Learning): ترکیبی از داده‌های برچسب‌دار و بدون برچسب
  • 46. یادگیری خود نظارت (Self-supervised Learning): یادگیری از داده‌های بدون برچسب با ایجاد وظایف مصنوعی
  • 47. یادگیری فعال (Active Learning): انتخاب هوشمندانه داده‌ها برای برچسب‌گذاری
  • 48. هوش مصنوعیExplainable (XAI): درک چرایی تصمیمات هوش مصنوعی
  • 49. تفسیرپذیری در مقابل قابلیت توضیح
  • 50. روش‌های XAI: LIME، SHAP و غیره
  • 51. اخلاق در هوش مصنوعی: تعصب، شفافیت و مسئولیت‌پذیری
  • 52. تعصب در داده‌ها و مدل‌ها
  • 53. راه‌های مقابله با تعصب
  • 54. حریم خصوصی و هوش مصنوعی
  • 55. امنیت هوش مصنوعی: حملات و دفاع
  • 56. نظارت بر هوش مصنوعی: چالش‌ها و رویکردها
  • 57. هوش مصنوعی در دنیای واقعی: کاربردهای عملی
  • 58. هوش مصنوعی در سلامت: تشخیص بیماری و کشف دارو
  • 59. هوش مصنوعی در امور مالی: معاملات الگوریتمی و تشخیص تقلب
  • 60. هوش مصنوعی در حمل و نقل: خودروهای خودران
  • 61. هوش مصنوعی در سرگرمی: بازی‌ها و توصیه‌گرها
  • 62. هوش مصنوعی در رباتیک: تعامل با محیط فیزیکی
  • 63. هوش مصنوعی در علم: کشفیات جدید
  • 64. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
  • 65. یادگیری تقویتی در بازی‌ها: AlphaGo و AlphaStar
  • 66. یادگیری تقویتی در رباتیک و کنترل
  • 67. هوش مصنوعی و آگاهی: آیا ماشین‌ها واقعاً فکر می‌کنند؟
  • 68. مفهوم آگاهی در فلسفه و علوم اعصاب
  • 69. آزمون تورینگ: سنجش هوش ماشینی
  • 70. نظریه‌های هوش مصنوعی: رویکردهای نمادین در مقابل رویکردهای اتصال‌گرا
  • 71. سیستم‌های خبره (Expert Systems): هوش مصنوعی مبتنی بر قواعد
  • 72. پردازش زبان طبیعی (NLP) در عمل
  • 73. تحلیل احساسات (Sentiment Analysis)
  • 74. ترجمه ماشینی (Machine Translation)
  • 75. شناسایی موجودیت نام‌گذاری شده (Named Entity Recognition)
  • 76. مدل‌سازی موضوع (Topic Modeling)
  • 77. مدل‌های گراف دانش (Knowledge Graph Models)
  • 78. هوش مصنوعی و تصمیم‌گیری: منطق فازی و احتمالات
  • 79. پردازش تصویر پیشرفته: تشخیص اشیاء و بخش‌بندی تصاویر
  • 80. بینایی ماشین (Computer Vision)
  • 81. یادگیری خودکار (Autoencoders): فشرده‌سازی و تولید داده
  • 82. شبکه‌های مولد پیشرفته: VAEs و StyleGAN
  • 83. یادگیری چند وظیفه‌ای (Multi-task Learning)
  • 84. یادگیری مداوم (Continual Learning): یادگیری بدون فراموشی
  • 85. یادگیری فدرال (Federated Learning): یادگیری حفظ حریم خصوصی
  • 86. هوش مصنوعی توزیع شده (Distributed AI)
  • 87. شبکه‌های عصبی اسپایکی (Spiking Neural Networks): الهام از پردازش عصبی واقعی
  • 88. یادگیری عمیق برای داده‌های گراف (Graph Neural Networks)
  • 89. کاربرد GNN در شبکه‌های اجتماعی و مولکولی
  • 90. هوش مصنوعی و خلاقیت: آیا ماشین‌ها می‌توانند هنرمند باشند؟
  • 91. هنر تولید شده توسط هوش مصنوعی
  • 92. موسیقی و ادبیات تولید شده توسط هوش مصنوعی
  • 93. چالش‌های آینده هوش مصنوعی: AGI و فراتر از آن
  • 94. همزیستی انسان و هوش مصنوعی: آینده همکاری
  • 95. آینده پژوهش در هوش مصنوعی
  • 96. نگاهی به کتاب "How Smart Machines Think" و ارتباط آن با دوره
  • 97. جمع‌بندی و چشم‌انداز آینده هوش مصنوعی
  • 98. سفر ما در دنیای هوش مصنوعی به پایان می‌رسد.

📚 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.