سپنتا کتاب اکسپرس
کتاب PyTorch برای تحلیل داده: از پیش‌پردازش تا مدل‌سازی

کتاب PyTorch برای تحلیل داده: از پیش‌پردازش تا مدل‌سازی

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 PyTorch برای تحلیل داده: از پیش‌پردازش تا مدل‌سازی

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: کار با کتابخانه‌های یادگیری ماشین (Scikit-learn، TensorFlow، PyTorch)

📋 سرفصل‌های دوره

  • 1. فصل ۱: مقدمه بر PyTorch و تحلیل داده
  • 2. فصل ۲: نصب و راه‌اندازی PyTorch
  • 3. فصل ۳: ساختارهای داده پایه در PyTorch: تنسورها
  • 4. فصل ۴: عملیات اساسی تنسورها
  • 5. فصل ۵: شاخص‌گذاری و برش تنسورها
  • 6. فصل ۶: تغییر شکل تنسورها
  • 7. فصل ۷: عملیات ریاضی بر روی تنسورها
  • 8. فصل ۸: تنسورها و GPU: محاسبات سریع‌تر
  • 9. فصل ۹: مقدمه بر یادگیری ماشین و یادگیری عمیق
  • 10. فصل ۱۰: تعریف مدل‌ها در PyTorch: کلاس nn.Module
  • 11. فصل ۱۱: لایه‌های خطی (Dense)
  • 12. فصل ۱۲: لایه‌های کانولوشن (CNN)
  • 13. فصل ۱۳: لایه‌های بازگشتی (RNN)
  • 14. فصل ۱۴: توابع فعال‌سازی (Activation Functions)
  • 15. فصل ۱۵: توابع زیان (Loss Functions)
  • 16. فصل ۱۶: بهینه‌سازها (Optimizers)
  • 17. فصل ۱۷: فرآیند آموزش مدل
  • 18. فصل ۱۸: تنظیم پارامترهای آموزش
  • 19. فصل ۱۹: ارزیابی مدل
  • 20. فصل ۲۰: تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 21. فصل ۲۱: مقدمه بر پیش‌پردازش داده
  • 22. فصل ۲۲: پاکسازی داده‌ها
  • 23. فصل ۲۳: مدیریت مقادیر گمشده
  • 24. فصل ۲۴: تشخیص و حذف داده‌های پرت (Outliers)
  • 25. فصل ۲۵: مقیاس‌بندی ویژگی‌ها (Feature Scaling)
  • 26. فصل ۲۶: نرمال‌سازی (Normalization)
  • 27. فصل ۲۷: استانداردسازی (Standardization)
  • 28. فصل ۲۸: کدگذاری دسته‌ای (Categorical Encoding)
  • 29. فصل ۲۹: کدگذاری وان-هات (One-Hot Encoding)
  • 30. فصل ۳۰: کدگذاری برچسب (Label Encoding)
  • 31. فصل ۳۱: مهندسی ویژگی (Feature Engineering)
  • 32. فصل ۳۲: ایجاد ویژگی‌های جدید
  • 33. فصل ۳۳: ترکیب ویژگی‌ها
  • 34. فصل ۳۴: انتخاب ویژگی (Feature Selection)
  • 35. فصل ۳۵: روش‌های مبتنی بر فیلتر
  • 36. فصل ۳۶: روش‌های مبتنی بر Wrapper
  • 37. فصل ۳۷: روش‌های مبتنی بر Embedding
  • 38. فصل ۳۸: کار با مجموعه داده‌های متنی
  • 39. فصل ۳۹: پردازش متن: توکنیزاسیون
  • 40. فصل ۴۰: حذف کلمات توقف (Stop Words)
  • 41. فصل ۴۱: ریشه‌یابی کلمات (Stemming) و بن‌سازی کلمات (Lemmatization)
  • 42. فصل ۴۲: نمایش متنی: Bag-of-Words
  • 43. فصل ۴۳: نمایش متنی: TF-IDF
  • 44. فصل ۴۴: نمایش متنی: Word Embeddings (Word2Vec, GloVe)
  • 45. فصل ۴۵: بارگذاری داده‌های تصویری
  • 46. فصل ۴۶: پیش‌پردازش تصاویر
  • 47. فصل ۴۷: تغییر اندازه و برش تصاویر
  • 48. فصل ۴۸: تقویت داده‌ها (Data Augmentation)
  • 49. فصل ۴۹: ساخت یک مجموعه داده سفارشی در PyTorch
  • 50. فصل ۵۰: استفاده از DataLoader و Dataset
  • 51. فصل ۵۱: تقسیم داده‌ها به بخش‌های آموزش، اعتبارسنجی و تست
  • 52. فصل ۵۲: مقدمه بر شبکه‌های عصبی کانولوشنی (CNN)
  • 53. فصل ۵۳: لایه کانولوشن ۲D
  • 54. فصل ۵۴: لایه Pooling 2D
  • 55. فصل ۵۵: ساخت یک CNN ساده برای طبقه‌بندی تصاویر
  • 56. فصل ۵۶: آموزش CNN برای مجموعه داده MNIST
  • 57. فصل ۵۷: بهبود عملکرد CNN
  • 58. فصل ۵۸: معماری‌های پیشرفته CNN (مانند VGG, ResNet)
  • 59. فصل ۵۹: مقدمه بر شبکه‌های عصبی بازگشتی (RNN)
  • 60. فصل ۶۰: واحد حافظه کوتاه-بلند مدت (LSTM)
  • 61. فصل ۶۱: واحد دروازه‌ای بازگشتی (GRU)
  • 62. فصل ۶۲: ساخت یک RNN برای تحلیل احساسات
  • 63. فصل ۶۳: آموزش RNN برای مجموعه داده متنی
  • 64. فصل ۶۴: استفاده از LSTM و GRU
  • 65. فصل ۶۵: مقدمه بر شبکه‌های عصبی ترنسفورمر (Transformer)
  • 66. فصل ۶۶: مکانیزم توجه (Attention Mechanism)
  • 67. فصل ۶۷: ساخت یک مدل ترنسفورمر ساده
  • 68. فصل ۶۸: کاربرد ترنسفورمرها در پردازش زبان طبیعی (NLP)
  • 69. فصل ۶۹: مقدمه بر مدل‌های پیش‌بینی سری زمانی
  • 70. فصل ۷۰: استفاده از RNN/LSTM برای پیش‌بینی سری زمانی
  • 71. فصل ۷۱: استفاده از CNN برای پیش‌بینی سری زمانی
  • 72. فصل ۷۲: استفاده از ترنسفورمر برای پیش‌بینی سری زمانی
  • 73. فصل ۷۳: ارزیابی مدل‌های سری زمانی
  • 74. فصل ۷۴: تحلیل داده‌های گرافی (Graph Data)
  • 75. فصل ۷۵: مقدمه بر شبکه‌های عصبی گرافی (GNN)
  • 76. فصل ۷۶: لایه‌های GNN پایه
  • 77. فصل ۷۷: ساخت یک GNN ساده
  • 78. فصل ۷۸: کاربرد GNN در شبکه‌های اجتماعی
  • 79. فصل ۷۹: مقدمه بر یادگیری غیرنظارتی
  • 80. فصل ۸۰: خوشه‌بندی (Clustering)
  • 81. فصل ۸۱: K-Means با PyTorch
  • 82. فصل ۸۲: شبکه‌های عصبی خودرمزگذار (Autoencoders)
  • 83. فصل ۸۳: ساخت یک Autoencoder ساده
  • 84. فصل ۸۴: کاربرد Autoencoder برای کاهش ابعاد
  • 85. فصل ۸۵: مقدمه بر یادگیری تقویتی
  • 86. فصل ۸۶: مفاهیم پایه یادگیری تقویتی
  • 87. فصل ۸۷: پیاده‌سازی یک عامل ساده یادگیری تقویتی
  • 88. فصل ۸۸: مقدمه بر استقرار مدل (Model Deployment)
  • 89. فصل ۸۹: ذخیره و بارگذاری مدل‌های PyTorch
  • 90. فصل ۹۰: تبدیل مدل به فرمت‌های دیگر (مانند ONNX)
  • 91. فصل ۹۱: مقدمه بر PyTorch Lite و Mobile
  • 92. فصل ۹۲: استقرار مدل بر روی دستگاه‌های موبایل
  • 93. فصل ۹۳: مقدمه بر MLOps
  • 94. فصل ۹۴: ابزارهای MLOps برای PyTorch
  • 95. فصل ۹۵: مانیتورینگ و Versioning مدل‌ها
  • 96. فصل ۹۶: اصول Code Review در پروژه‌های PyTorch
  • 97. فصل ۹۷: مدیریت وابستگی‌ها و محیط‌های توسعه
  • 98. فصل ۹۸: پیاده‌سازی تست‌های واحد (Unit Tests) برای کد PyTorch
  • 99. فصل ۹۹: اخلاق در هوش مصنوعی و تحلیل داده
  • 100. فصل ۱۰۰: جمع‌بندی و مسیرهای آینده

📚 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.