سپنتا کتاب اکسپرس
کتاب سیستم‌های توصیه‌گر شخصی‌سازی شده با پایتون: از پایگاه داده تا الگوریتم

کتاب سیستم‌های توصیه‌گر شخصی‌سازی شده با پایتون: از پایگاه داده تا الگوریتم

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 سیستم‌های توصیه‌گر شخصی‌سازی شده با پایتون: از پایگاه داده تا الگوریتم

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: اتوماسیون در حوزه شخصی‌سازی تجربه مشتری

📋 سرفصل‌های دوره

  • 1. مقدمه: سیستم‌های توصیه‌گر و اهمیت شخصی‌سازی
  • 2. فصل 1: آشنایی با مفاهیم سیستم‌های توصیه‌گر
  • 3. فصل 2: انواع سیستم‌های توصیه‌گر
  • 4. فصل 3: اهمیت داده‌ها در سیستم‌های توصیه‌گر
  • 5. فصل 4: پایگاه داده‌های رابطه‌ای و NoSQL برای توصیه‌گرها
  • 6. فصل 5: طراحی پایگاه داده برای داده‌های تعاملی
  • 7. فصل 6: جمع‌آوری و پاکسازی داده‌های کاربر
  • 8. فصل 7: ویژگی‌های کاربر و آیتم
  • 9. فصل 8: تحلیل اکتشافی داده‌ها (EDA)
  • 10. فصل 9: اصول یادگیری ماشین برای توصیه‌گرها
  • 11. فصل 10: مقدمه‌ای بر پایتون و کتابخانه‌های کلیدی
  • 12. فصل 11: NumPy برای محاسبات عددی
  • 13. فصل 12: Pandas برای دستکاری داده‌ها
  • 14. فصل 13: Matplotlib و Seaborn برای بصری‌سازی
  • 15. فصل 14: Scikit-learn برای الگوریتم‌های یادگیری ماشین
  • 16. فصل 15: الگوریتم‌های توصیه‌گر مبتنی بر محتوا
  • 17. فصل 16: نمایش متنی آیتم‌ها (TF-IDF)
  • 18. فصل 17: نمایش معنایی آیتم‌ها (Word Embeddings)
  • 19. فصل 18: محاسبه شباهت بین آیتم‌ها
  • 20. فصل 19: ساخت توصیه‌گرهای مبتنی بر محتوا
  • 21. فصل 20: الگوریتم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی
  • 22. فصل 21: فیلترینگ مشارکتی کاربر-محور
  • 23. فصل 22: فیلترینگ مشارکتی آیتم-محور
  • 24. فصل 23: ماتریس تعاملات کاربر-آیتم
  • 25. فصل 24: تخمین مقادیر گمشده در ماتریس
  • 26. فصل 25: الگوریتم‌های مجاورت (Similarity Measures)
  • 27. فصل 26: پیاده‌سازی فیلترینگ مشارکتی با Scikit-learn
  • 28. فصل 27: الگوریتم‌های تجزیه ماتریس (Matrix Factorization)
  • 29. فصل 28: تجزیه مقدار منفرد (SVD)
  • 30. فصل 29: فاکتورگیری ماتریس پنهان (Funk SVD)
  • 31. فصل 30: کاربرد SVD در سیستم‌های توصیه‌گر
  • 32. فصل 31: الگوریتم‌های مبتنی بر مدل‌های پیچیده
  • 33. فصل 32: شبکه‌های عصبی برای توصیه‌گرها
  • 34. فصل 33: شبکه‌های عصبی کانولوشنال (CNN)
  • 35. فصل 34: شبکه‌های عصبی بازگشتی (RNN)
  • 36. فصل 35: مدل‌های ترکیبی (Hybrid Recommender Systems)
  • 37. فصل 36: ترکیب مبتنی بر وزن
  • 38. فصل 37: ترکیب مبتنی بر رتبه‌بندی
  • 39. فصل 38: ترکیب با استفاده از یادگیری ماشین
  • 40. فصل 39: معرفی TensorFlow و Keras
  • 41. فصل 40: ساخت یک مدل توصیه‌گر با Keras
  • 42. فصل 41: معرفی PyTorch
  • 43. فصل 42: ساخت یک مدل توصیه‌گر با PyTorch
  • 44. فصل 43: سیستم‌های توصیه‌گر برای محتوای پویا
  • 45. فصل 44: در نظر گرفتن زمینه (Context-Aware Recommenders)
  • 46. فصل 45: توصیه‌گرهای مبتنی بر زمان
  • 47. فصل 46: توصیه‌گرهای مبتنی بر مکان
  • 48. فصل 47: توصیه‌گرهای مبتنی بر دستگاه
  • 49. فصل 48: شخصی‌سازی در زمان واقعی (Real-time Personalization)
  • 50. فصل 49: ارزیابی سیستم‌های توصیه‌گر
  • 51. فصل 50: معیارهای دقت (Accuracy Metrics)
  • 52. فصل 51: معیارهای بازیابی (Recall Metrics)
  • 53. فصل 52: معیارهای پوشش (Coverage Metrics)
  • 54. فصل 53: معیارهای تنوع (Diversity Metrics)
  • 55. فصل 54: معیارهای جذابیت (Serendipity Metrics)
  • 56. فصل 55: تقسیم داده‌ها برای آموزش و تست
  • 57. فصل 56: اعتبارسنجی متقابل (Cross-validation)
  • 58. فصل 57: تست A/B در سیستم‌های توصیه‌گر
  • 59. فصل 58: مشکلات و چالش‌های سیستم‌های توصیه‌گر
  • 60. فصل 59: مشکل سرآغاز سرد (Cold Start Problem)
  • 61. فصل 60: راه‌حل‌های مشکل سرآغاز سرد
  • 62. فصل 61: مشکل عدم تعادل داده‌ها (Data Sparsity)
  • 63. فصل 62: راه‌حل‌های مشکل عدم تعادل داده‌ها
  • 64. فصل 63: مشکل سوگیری (Bias) در سیستم‌های توصیه‌گر
  • 65. فصل 64: شناسایی و کاهش سوگیری
  • 66. فصل 65: مقیاس‌پذیری سیستم‌های توصیه‌گر
  • 67. فصل 66: معماری سیستم‌های توصیه‌گر مقیاس‌پذیر
  • 68. فصل 67: پردازش داده‌های بزرگ (Big Data)
  • 69. فصل 68: Apache Spark برای سیستم‌های توصیه‌گر
  • 70. فصل 69: استفاده از Spark MLlib
  • 71. فصل 70: دیتابیس‌های گراف (Graph Databases)
  • 72. فصل 71: معرفی Neo4j
  • 73. فصل 72: مدل‌سازی داده‌ها در پایگاه داده گراف
  • 74. فصل 73: پرس‌وجو در پایگاه داده گراف
  • 75. فصل 74: سیستم‌های توصیه‌گر مبتنی بر گراف
  • 76. فصل 75: الگوریتم‌های پیمایش گراف
  • 77. فصل 76: معرفی LightFM
  • 78. فصل 77: ساخت توصیه‌گرهای ترکیبی با LightFM
  • 79. فصل 78: معرفی Surprise Library
  • 80. فصل 79: استفاده از Surprise برای فیلترینگ مشارکتی
  • 81. فصل 80: الگوریتم‌های SVD در Surprise
  • 82. فصل 81: توصیه‌گرهای محتوا محور در Surprise
  • 83. فصل 82: کاربردهای عملی سیستم‌های توصیه‌گر
  • 84. فصل 83: توصیه‌گرها در تجارت الکترونیک
  • 85. فصل 84: توصیه‌گرها در رسانه‌های اجتماعی
  • 86. فصل 85: توصیه‌گرها در سرویس‌های پخش موسیقی
  • 87. فصل 86: توصیه‌گرها در سرویس‌های پخش ویدئو
  • 88. فصل 87: توصیه‌گرها در سایت‌های خبری
  • 89. فصل 88: حریم خصوصی و امنیت در سیستم‌های توصیه‌گر
  • 90. فصل 89: مسائل اخلاقی در توصیه‌گرها
  • 91. فصل 90: شفافیت و قابلیت توضیح (Explainability)
  • 92. فصل 91: آینده سیستم‌های توصیه‌گر
  • 93. فصل 92: یادگیری عمیق پیشرفته در توصیه‌گرها
  • 94. فصل 93: سیستم‌های توصیه‌گر قابل فهم (Explainable Recommenders)
  • 95. فصل 94: توصیه‌گرهای با هدف‌گذاری شخصی (Goal-Oriented Recommenders)
  • 96. فصل 95: یادگیری تقویتی (Reinforcement Learning) برای توصیه‌گرها
  • 97. فصل 96: پیاده‌سازی یک پروژه کامل توصیه‌گر
  • 98. فصل 97: جمع‌بندی و مراحل بعدی
  • 99. فصل 98: منابع بیشتر برای مطالعه
  • 100. فصل 99: پرسش و پاسخ متداول

📚 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.