سپنتا کتاب اکسپرس
کتاب ساخت مدل‌های پیش‌بینی رفتار مصرف‌کننده با پایتون

کتاب ساخت مدل‌های پیش‌بینی رفتار مصرف‌کننده با پایتون

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 ساخت مدل‌های پیش‌بینی رفتار مصرف‌کننده با پایتون

موضوع کلی: هوش مصنوعی و اقتصاد رفتاری

موضوع میانی: پروژه‌های عملی

📋 سرفصل‌های دوره

  • 1. فصل ۱: مقدمه بر رفتار مصرف‌کننده
  • 2. فصل ۲: اهمیت پیش‌بینی رفتار مصرف‌کننده
  • 3. فصل ۳: معرفی پایتون برای علم داده
  • 4. فصل ۴: نصب و راه‌اندازی محیط پایتون
  • 5. فصل ۵: کتابخانه‌های کلیدی پایتون (NumPy, Pandas)
  • 6. فصل ۶: مفاهیم پایه مدیریت داده با Pandas
  • 7. فصل ۷: بارگذاری و پاکسازی داده‌های مصرف‌کننده
  • 8. فصل ۸: اکتشاف و مصورسازی داده‌های مصرف‌کننده (Matplotlib, Seaborn)
  • 9. فصل ۹: انواع متغیرها در داده‌های مصرف‌کننده
  • 10. فصل ۱۰: مهندسی ویژگی برای مدل‌های رفتاری
  • 11. فصل ۱۱: انتخاب و استخراج ویژگی‌های مرتبط
  • 12. فصل ۱۲: تکنیک‌های تبدیل ویژگی
  • 13. فصل ۱۳: داده‌های گمشده و روش‌های مدیریت آن‌ها
  • 14. فصل ۱۴: مدیریت داده‌های پرت (Outliers)
  • 15. فصل ۱۵: مفاهیم پایه یادگیری ماشین
  • 16. فصل ۱۶: انواع یادگیری ماشین (نظارت شده، بدون نظارت)
  • 17. فصل ۱۷: وظایف پیش‌بینی در رفتار مصرف‌کننده
  • 18. فصل ۱۸: رگرسیون خطی برای پیش‌بینی
  • 19. فصل ۱۹: ارزیابی مدل‌های رگرسیون
  • 20. فصل ۲۰: رگرسیون لجستیک برای طبقه‌بندی
  • 21. فصل ۲۱: ارزیابی مدل‌های طبقه‌بندی
  • 22. فصل ۲۲: ماتریس درهم‌ریختگی (Confusion Matrix)
  • 23. فصل ۲۳: دقت، صحت، بازیابی و امتیاز F1
  • 24. فصل ۲۴: منحنی ROC و AUC
  • 25. فصل ۲۵: الگوریتم درخت تصمیم
  • 26. فصل ۲۶: تنظیم پارامترهای درخت تصمیم
  • 27. فصل ۲۷: الگوریتم جنگل تصادفی (Random Forest)
  • 28. فصل ۲۸: مقایسه درخت تصمیم و جنگل تصادفی
  • 29. فصل ۲۹: الگوریتم ماشین بردار پشتیبان (SVM)
  • 30. فصل ۳۰: انتخاب هسته در SVM
  • 31. فصل ۳۱: الگوریتم K-نزدیکترین همسایه (KNN)
  • 32. فصل ۳۲: انتخاب مقدار K در KNN
  • 33. فصل ۳۳: مقدمه بر خوشه‌بندی (Clustering)
  • 34. فصل ۳۴: الگوریتم K-Means
  • 35. فصل ۳۵: انتخاب تعداد خوشه‌ها (Elbow Method)
  • 36. فصل ۳۶: ارزیابی نتایج خوشه‌بندی
  • 37. فصل ۳۷: خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
  • 38. فصل ۳۸: دندروگرام و تفسیر آن
  • 39. فصل ۳۹: معرفی شبکه‌های عصبی مصنوعی
  • 40. فصل ۴۰: پرسپترون تک لایه
  • 41. فصل ۴۱: شبکه‌های عصبی چند لایه (MLP)
  • 42. فصل ۴۲: توابع فعال‌سازی در شبکه‌های عصبی
  • 43. فصل ۴۳: الگوریتم پس‌انتشار خطا (Backpropagation)
  • 44. فصل ۴۴: معرفی کتابخانه Keras/TensorFlow
  • 45. فصل ۴۵: ساخت اولین شبکه عصبی با Keras
  • 46. فصل ۴۶: تنظیمات آموزش شبکه عصبی
  • 47. فصل ۴۷: تکنیک‌های تنظیم (Regularization)
  • 48. فصل ۴۸: Overfitting و Underfitting
  • 49. فصل ۴۹: روش‌های جلوگیری از Overfitting
  • 50. فصل ۵۰: اعتبار سنجی متقابل (Cross-Validation)
  • 51. فصل ۵۱: K-Fold Cross-Validation
  • 52. فصل ۵۲: اعتبار سنجی زمان‌بندی شده (Time Series Cross-Validation)
  • 53. فصل ۵۳: معرفی مدل‌های سری زمانی
  • 54. فصل ۵۴: تحلیل مولفه‌های سری زمانی
  • 55. فصل ۵۵: مدل‌های ARIMA
  • 56. فصل ۵۶: پیاده‌سازی ARIMA با Statsmodels
  • 57. فصل ۵۷: پیش‌بینی با مدل‌های سری زمانی
  • 58. فصل ۵۸: مدل‌های پیش‌بینی تقاضا
  • 59. فصل ۵۹: پیش‌بینی عمر مفید مشتری (Customer Lifetime Value)
  • 60. فصل ۶۰: مدل‌های RFM (Recency, Frequency, Monetary)
  • 61. فصل ۶۱: پیاده‌سازی امتیازدهی RFM
  • 62. فصل ۶۲: مدل‌های پیش‌بینی خرید بعدی
  • 63. فصل ۶۳: مفاهیم اولیه پردازش زبان طبیعی (NLP)
  • 64. فصل ۶۴: پیش‌پردازش متن (Tokenization, Stemming, Lemmatization)
  • 65. فصل ۶۵: تحلیل احساسات (Sentiment Analysis)
  • 66. فصل ۶۶: مدل‌های طبقه‌بندی متن
  • 67. فصل ۶۷: استفاده از مدل‌های NLP برای رفتار مصرف‌کننده
  • 68. فصل ۶۸: معرفی مدل‌های توصیه‌گر
  • 69. فصل ۶۹: فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
  • 70. فصل ۷۰: فیلترینگ مبتنی بر همکار (Collaborative Filtering)
  • 71. فصل ۷۱: مدل‌های ماتریس فاکتورization
  • 72. فصل ۷۲: پیاده‌سازی مدل توصیه‌گر با Surprise
  • 73. فصل ۷۳: ارزیابی مدل‌های توصیه‌گر
  • 74. فصل ۷۴: مفاهیم یادگیری تقویتی (Reinforcement Learning)
  • 75. فصل ۷۵: کاربردهای یادگیری تقویتی در رفتار مصرف‌کننده
  • 76. فصل ۷۶: الگوریتم Q-Learning
  • 77. فصل ۷۷: معرفی ابزارهای MLOps
  • 78. فصل ۷۸: مدیریت چرخه عمر مدل
  • 79. فصل ۷۹: استقرار مدل‌های پیش‌بینی
  • 80. فصل ۸۰: پایش عملکرد مدل در محیط واقعی
  • 81. فصل ۸۱: اصول A/B Testing
  • 82. فصل ۸۲: طراحی آزمایش A/B برای کمپین‌های بازاریابی
  • 83. فصل ۸۳: تفسیر نتایج A/B Testing
  • 84. فصل ۸۴: اخلاق در مدل‌سازی رفتار مصرف‌کننده
  • 85. فصل ۸۵: حریم خصوصی داده‌ها و انطباق با مقررات
  • 86. فصل ۸۶: اجتناب از سوگیری در مدل‌ها
  • 87. فصل ۸۷: تفسیرپذیری مدل (Explainable AI - XAI)
  • 88. فصل ۸۸: تکنیک‌های XAI (LIME, SHAP)
  • 89. فصل ۸۹: پیاده‌سازی LIME برای مدل‌های طبقه‌بندی
  • 90. فصل ۹۰: پیاده‌سازی SHAP برای مدل‌های رگرسیون
  • 91. فصل ۹۱: کیس استادی ۱: پیش‌بینی ریزش مشتری (Churn Prediction)
  • 92. فصل ۹۲: مراحل کامل ساخت مدل ریزش مشتری
  • 93. فصل ۹۳: کیس استادی ۲: بخش‌بندی مشتریان (Customer Segmentation)
  • 94. فصل ۹۴: پیاده‌سازی بخش‌بندی با K-Means
  • 95. فصل ۹۵: تحلیل و نام‌گذاری بخش‌های مشتریان
  • 96. فصل ۹۶: کیس استادی ۳: پیشنهاد محصولات (Product Recommendation)
  • 97. فصل ۹۷: ساخت مدل توصیه‌گر ساده
  • 98. فصل ۹۸: جمع‌بندی و مسیرهای آینده
  • 99. فصل ۹۹: منابع تکمیلی و یادگیری بیشتر
  • 100. فصل ۱۰۰: پروژه نهایی: ساخت یک سیستم پیش‌بینی کامل

📚 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.