سپنتا کتاب اکسپرس
کتاب درک شهودی هوش مصنوعی قابل تفسیر: از مبانی تا کاربرد

کتاب درک شهودی هوش مصنوعی قابل تفسیر: از مبانی تا کاربرد

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 درک شهودی هوش مصنوعی قابل تفسیر: از مبانی تا کاربرد

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: Explainable AI (XAI)

📋 سرفصل‌های دوره

  • 1. فصل ۱: مقدمه‌ای بر هوش مصنوعی قابل تفسیر
  • 2. فصل ۲: چرا به هوش مصنوعی قابل تفسیر نیاز داریم؟
  • 3. فصل ۳: تاریخچه مختصر تفسیرپذیری در یادگیری ماشین
  • 4. فصل ۴: تعریف و ابعاد تفسیرپذیری
  • 5. فصل ۵: انواع مدل‌های هوش مصنوعی (جعبه سیاه در مقابل جعبه شفاف)
  • 6. فصل ۶: مبانی یادگیری ماشین: رگرسیون خطی
  • 7. فصل ۷: مبانی یادگیری ماشین: درختان تصمیم
  • 8. فصل ۸: مبانی یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
  • 9. فصل ۹: مبانی یادگیری ماشین: شبکه‌های عصبی مصنوعی
  • 10. فصل ۱۰: معیارهای ارزیابی مدل‌های هوش مصنوعی
  • 11. فصل ۱۱: چالش‌های تفسیرپذیری در مدل‌های پیچیده
  • 12. فصل ۱۲: رویکردهای کلی به تفسیرپذیری
  • 13. فصل ۱۳: روش‌های پیش از مدل (Pre-model)
  • 14. فصل ۱۴: روش‌های درون مدل (Intrinsic)
  • 15. فصل ۱۵: روش‌های پس از مدل (Post-hoc)
  • 16. فصل ۱۶: تفسیرپذیری برای مدل‌های خطی
  • 17. فصل ۱۷: تفسیرپذیری برای درختان تصمیم
  • 18. فصل ۱۸: تفسیرپذیری برای جنگل‌های تصادفی
  • 19. فصل ۱۹: تفسیرپذیری برای تقویت گرادیان (Gradient Boosting)
  • 20. فصل ۲۰: معرفی LIME (Local Interpretable Model-agnostic Explanations)
  • 21. فصل ۲۱: کاربرد LIME در عمل
  • 22. فصل ۲۲: معرفی SHAP (SHapley Additive exPlanations)
  • 23. فصل ۲۳: مبانی نظری SHAP
  • 24. فصل ۲۴: کاربرد SHAP در عمل
  • 25. فصل ۲۵: مقایسه LIME و SHAP
  • 26. فصل ۲۶: تفسیرپذیری در شبکه‌های عصبی عمیق
  • 27. فصل ۲۷: نقش فعال‌سازی‌ها در تفسیرپذیری
  • 28. فصل ۲۸: نقش وزن‌ها در تفسیرپذیری
  • 29. فصل ۲۹: روش‌های مبتنی بر گرادیان برای تفسیرپذیری
  • 30. فصل ۳۰: Saliency Maps (نقشه‌های برجستگی)
  • 31. فصل ۳۱: Grad-CAM (Gradient-weighted Class Activation Mapping)
  • 32. فصل ۳۲: Integrated Gradients
  • 33. فصل ۳۳: DeepLIFT
  • 34. فصل ۳۴: SmoothGrad
  • 35. فصل ۳۵: Captum: کتابخانه برای تفسیرپذیری شبکه‌های عصبی
  • 36. فصل ۳۶: مقدمه‌ای بر تفسیرپذیری در پردازش زبان طبیعی (NLP)
  • 37. فصل ۳۷: تفسیرپذیری مدل‌های زبانی آماری
  • 38. فصل ۳۸: تفسیرپذیری مدل‌های مبتنی بر یادگیری عمیق در NLP
  • 39. فصل ۳۹: Attention Mechanisms و تفسیرپذیری
  • 40. فصل ۴۰: Word Embeddings و تفسیرپذیری
  • 41. فصل ۴۱: مدل‌های Transformer و تفسیرپذیری
  • 42. فصل ۴۲: معرفی LIME برای NLP
  • 43. فصل ۴۳: معرفی SHAP برای NLP
  • 44. فصل ۴۴: تفسیرپذیری در بینایی ماشین (Computer Vision)
  • 45. فصل ۴۵: تفسیرپذیری شبکه‌های عصبی کانولوشنی (CNN)
  • 46. فصل ۴۶: Saliency Maps در بینایی ماشین
  • 47. فصل ۴۷: Grad-CAM در بینایی ماشین
  • 48. فصل ۴۸: Occlusion Sensitivity (حساسیت به انسداد)
  • 49. فصل ۴۹: Feature Visualization (مصورسازی ویژگی‌ها)
  • 50. فصل ۵۰: TCAV (Testing with Concept Activation Vectors)
  • 51. فصل ۵۱: تفسیرپذیری در یادگیری تقویتی (Reinforcement Learning)
  • 52. فصل ۵۲: تفسیرپذیری سیاست‌ها (Policies)
  • 53. فصل ۵۳: تفسیرپذیری ارزش‌ها (Values)
  • 54. فصل ۵۴: تفسیرپذیری پاداش‌ها (Rewards)
  • 55. فصل ۵۵: مدل‌های مبتنی بر تفسیرپذیری در RL
  • 56. فصل ۵۶: کاربردهای تفسیرپذیری در حوزه سلامت
  • 57. فصل ۵۷: تشخیص بیماری با مدل‌های قابل تفسیر
  • 58. فصل ۵۸: پیش‌بینی ریسک بیماری با مدل‌های قابل تفسیر
  • 59. فصل ۵۹: تفسیرپذیری در کشف دارو
  • 60. فصل ۶۰: تفسیرپذیری در پزشکی شخصی‌سازی شده
  • 61. فصل ۶۱: کاربردهای تفسیرپذیری در حوزه مالی
  • 62. فصل ۶۲: تشخیص تقلب با مدل‌های قابل تفسیر
  • 63. فصل ۶۳: امتیازدهی اعتباری با مدل‌های قابل تفسیر
  • 64. فصل ۶۴: پیش‌بینی بازار سهام با مدل‌های قابل تفسیر
  • 65. فصل ۶۵: تفسیرپذیری در مدیریت ریسک
  • 66. فصل ۶۶: کاربردهای تفسیرپذیری در حوزه حمل و نقل
  • 67. فصل ۶۷: خودروهای خودران و تفسیرپذیری
  • 68. فصل ۶۸: بهینه‌سازی ترافیک با مدل‌های قابل تفسیر
  • 69. فصل ۶۹: برنامه‌ریزی مسیر با مدل‌های قابل تفسیر
  • 70. فصل ۷۰: ایمنی حمل و نقل با مدل‌های قابل تفسیر
  • 71. فصل ۷۱: کاربردهای تفسیرپذیری در حوزه عدالت و حقوق
  • 72. فصل ۷۲: تفسیرپذیری در سیستم‌های قضایی
  • 73. فصل ۷۳: پیش‌بینی ریسک جرم با مدل‌های قابل تفسیر
  • 74. فصل ۷۴: تفسیرپذیری در الگوریتم‌های تصمیم‌گیری
  • 75. فصل ۷۵: چالش‌های اخلاقی در تفسیرپذیری
  • 76. فصل ۷۶: سوگیری (Bias) در مدل‌های قابل تفسیر
  • 77. فصل ۷۷: انصاف (Fairness) و تفسیرپذیری
  • 78. فصل ۷۸: مسئولیت‌پذیری (Accountability) و تفسیرپذیری
  • 79. فصل ۷۹: حریم خصوصی (Privacy) و تفسیرپذیری
  • 80. فصل ۸۰: امنیت (Security) و تفسیرپذیری
  • 81. فصل ۸۱: طراحی مدل‌های ذاتاً قابل تفسیر (Inherently Interpretable Models)
  • 82. فصل ۸۲: مدل‌های مبتنی بر قواعد (Rule-based Models)
  • 83. فصل ۸۳: مدل‌های هیبریدی (Hybrid Models)
  • 84. فصل ۸۴: یادگیری توضیحی (Explanation-based Learning)
  • 85. فصل ۸۵: روش‌های بصری‌سازی پیشرفته برای تفسیرپذیری
  • 86. فصل ۸۶: تعامل با توضیحات (Interactive Explanations)
  • 87. فصل ۸۷: اعتبارسنجی توضیحات (Explanation Validation)
  • 88. فصل ۸۸: ارزیابی انسانی تفسیرپذیری
  • 89. فصل ۸۹: نقش دامنه متخصص (Domain Expert) در تفسیرپذیری
  • 90. فصل ۹۰: ابزارها و کتابخانه‌های محبوب برای تفسیرپذیری
  • 91. فصل ۹۱: آینده تفسیرپذیری در هوش مصنوعی
  • 92. فصل ۹۲: تفسیرپذیری در هوش مصنوعی توضیحی (XAI)
  • 93. فصل ۹۳: چالش‌های مقیاس‌پذیری در تفسیرپذیری
  • 94. فصل ۹۴: تفسیرپذیری مدل‌های ناظر (Supervised) و بدون ناظر (Unsupervised)
  • 95. فصل ۹۵: ارتباط تفسیرپذیری با اعتماد (Trust)
  • 96. فصل ۹۶: تفسیرپذیری در مدل‌های توضیحی (Generative Models)
  • 97. فصل ۹۷: درس‌های آموخته شده از پروژه‌های واقعی
  • 98. فصل ۹۸: تحقیقات فعال در زمینه تفسیرپذیری
  • 99. فصل ۹۹: روندهای نوظهور در تفسیرپذیری
  • 100. فصل ۱۰۰: جمع‌بندی و چشم‌انداز 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.