سپنتا کتاب اکسپرس
کتاب پیاده‌سازی شبکه‌های عصبی عمیق با TensorFlow و Keras

کتاب پیاده‌سازی شبکه‌های عصبی عمیق با TensorFlow و Keras

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 پیاده‌سازی شبکه‌های عصبی عمیق با TensorFlow و Keras

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

  • 1. مقدمه به شبکه‌های عصبی عمیق
  • 2. یادگیری عمیق و جایگاه آن
  • 3. تاریخچه مختصر شبکه‌های عصبی
  • 4. چرا TensorFlow و Keras؟
  • 5. نصب TensorFlow و Keras
  • 6. محیط توسعه مناسب
  • 7. مفاهیم پایه شبکه‌های عصبی
  • 8. نورون و لایه‌ها
  • 9. تابع فعال‌سازی
  • 10. انواع توابع فعال‌سازی
  • 11. شبکه‌های عصبی پیشخور
  • 12. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 13. فرایند آموزش شبکه عصبی
  • 14. توابع هزینه (Loss Functions)
  • 15. بهینه‌سازها (Optimizers)
  • 16. گرادیان کاهشی و انواع آن
  • 17. بچ گرادیان کاهشی
  • 18. مینی بچ گرادیان کاهشی
  • 19. استوکاستیک گرادیان کاهشی
  • 20. نرخ یادگیری
  • 21. تنظیم نرخ یادگیری
  • 22. تنظیمات هایپرپارامترها
  • 23. اعتبارسنجی و تست
  • 24. بیش‌برازش (Overfitting)
  • 25. کم‌برازش (Underfitting)
  • 26. روش‌های تنظیم‌کننده (Regularization)
  • 27. L1 و L2 Regularization
  • 28. Dropout
  • 29. Batch Normalization
  • 30. Data Augmentation
  • 31. ساخت اولین مدل با Keras
  • 32. مدل ترتیبی (Sequential Model)
  • 33. مدل فانکشنال (Functional API)
  • 34. لایه‌های Dense (Fully Connected)
  • 35. لایه‌های ورودی (Input Layer)
  • 36. لایه‌های خروجی (Output Layer)
  • 37. کامپایل کردن مدل
  • 38. متد fit برای آموزش
  • 39. متد predict برای پیش‌بینی
  • 40. متد evaluate برای ارزیابی
  • 41. آموزش مدل MLP برای طبقه‌بندی
  • 42. مجموعه داده MNIST
  • 43. پیش‌پردازش داده‌ها
  • 44. ساخت مدل MLP برای MNIST
  • 45. آموزش و ارزیابی مدل MLP
  • 46. کار با داده‌های تصویری
  • 47. کانولوشنال ن
  • 48. لایه‌های کانولوشن (Conv2D)
  • 49. فیلترها و کرنل‌ها
  • 50. انتخاب اندازه کرنل
  • 51. گام (Stride) در لایه‌های کانولوشن
  • 52. Padding در لایه‌های کانولوشن
  • 53. لایه‌های pooling (MaxPooling2D, AveragePooling2D)
  • 54. لایه‌های Flatten
  • 55. ساخت مدل CNN برای طبقه‌بندی تصاویر
  • 56. مجموعه داده CIFAR-10
  • 57. پیش‌پردازش تصاویر CIFAR-10
  • 58. ساخت مدل CNN برای CIFAR-10
  • 59. آموزش و ارزیابی مدل CNN
  • 60. شبکه‌های عصبی بازگشتی (RNN)
  • 61. لایه RNN
  • 62. حالت پنهان (Hidden State)
  • 63. شبکه‌های LSTM (Long Short-Term Memory)
  • 64. مشکل محوشدگی گرادیان در RNN
  • 65. لایه LSTM
  • 66. لایه‌های GRU (Gated Recurrent Unit)
  • 67. شبکه GRU
  • 68. کار با داده‌های متوالی (Sequential Data)
  • 69. پردازش زبان طبیعی (NLP)
  • 70. کار با متون
  • 71. کلمات و توکن‌ها
  • 72. بردارهای کلمه (Word Embeddings)
  • 73. Word2Vec
  • 74. GloVe
  • 75. آموزش یک مدل RNN/LSTM برای طبقه‌بندی متن
  • 76. مجموعه داده IMDB برای بررسی احساسات
  • 77. پیش‌پردازش متون
  • 78. ساخت مدل LSTM برای طبقه‌بندی متن
  • 79. آموزش و ارزیابی مدل LSTM
  • 80. مدل‌های پیشرفته‌تر
  • 81. شبکه‌های پیچشی (Transformer Networks)
  • 82. مکانیزم توجه (Attention Mechanism)
  • 83. کدگذار-رمزگشا (Encoder-Decoder)
  • 84. کاربرد شبکه‌های Transformer
  • 85. تکنیک‌های انتقال یادگیری (Transfer Learning)
  • 86. مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
  • 87. Fine-tuning مدل‌ها
  • 88. استفاده از VGG16، ResNet، Inception
  • 89. آموزش مدل با انتقال یادگیری
  • 90. تولید مدل (Generative Models)
  • 91. شبکه‌های مولد تخاصمی (GANs)
  • 92. شبکه مولد (Generator)
  • 93. شبکه تمایزدهنده (Discriminator)
  • 94. آموزش GANs
  • 95. تولید تصاویر با GANs
  • 96. آموزش مدل‌های سفارشی (Custom Models)
  • 97. تعریف توابع هزینه سفارشی
  • 98. تعریف بهینه‌سازهای سفارشی
  • 99. پیاده‌سازی لایه‌های سفارشی
  • 100. ذخیره و بارگذاری مدل‌ها

📚 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.