سپنتا کتاب اکسپرس
کتاب تکنیک‌های پیشرفته تقسیم مجموعه داده برای یادگیری ماشین قابل اعتماد

کتاب تکنیک‌های پیشرفته تقسیم مجموعه داده برای یادگیری ماشین قابل اعتماد

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 تکنیک‌های پیشرفته تقسیم مجموعه داده برای یادگیری ماشین قابل اعتماد

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: مجموعه داده های آموزشی، اعتبارسنجی و تست

📋 سرفصل‌های دوره

  • 1. پیشگفتار: اهمیت تقسیم مجموعه داده
  • 2. فصل ۱: مبانی تقسیم مجموعه داده
  • 3. فصل ۲: روش‌های کلاسیک تقسیم
  • 4. فصل ۳: تقسیم آموزش، اعتبارسنجی و آزمون
  • 5. فصل ۴: تقسیم تصادفی و ملاحظات آن
  • 6. فصل ۵: تقسیم طبقه بندی شده (Stratified)
  • 7. فصل ۶: تقسیم بر اساس گروه‌ها (Group Split)
  • 8. فصل ۷: تقسیم بر اساس زمان (Time-Series Split)
  • 9. فصل ۸: تقسیم بر اساس مکان جغرافیایی
  • 10. فصل ۹: تقسیم بر اساس خصوصیات کاربر
  • 11. فصل ۱۰: تقسیم با در نظر گرفتن توازن کلاس‌ها
  • 12. فصل ۱۱: مشکلات و چالش‌های تقسیم داده
  • 13. فصل ۱۲: سوگیری در تقسیم مجموعه داده
  • 14. فصل ۱۳: بیش‌برازش و کم‌برازش در تقسیم
  • 15. فصل ۱۴: اعتبارسنجی متقابل (Cross-Validation)
  • 16. فصل ۱۵: انواع اعتبارسنجی متقابل
  • 17. فصل ۱۶: اعتبارسنجی K-Fold
  • 18. فصل ۱۷: اعتبارسنجی Loo-CV (Leave-One-Out)
  • 19. فصل ۱۸: اعتبارسنجی Stratified K-Fold
  • 20. فصل ۱۹: اعتبارسنجی Time-Series Cross-Validation
  • 21. فصل ۲۰: اعتبارسنجی Group K-Fold
  • 22. فصل ۲۱: اعتبارسنجی پیچیدگی محاسباتی
  • 23. فصل ۲۲: انتخاب بهترین استراتژی تقسیم
  • 24. فصل ۲۳: ملاحظات حجم مجموعه داده
  • 25. فصل ۲۴: تقسیم داده‌های حجیم (Big Data)
  • 26. فصل ۲۵: تکنیک‌های نمونه‌برداری در تقسیم
  • 27. فصل ۲۶: نمونه‌برداری تصادفی ساده
  • 28. فصل ۲۷: نمونه‌برداری طبقه‌ای
  • 29. فصل ۲۸: نمونه‌برداری خوشه‌ای
  • 30. فصل ۲۹: نمونه‌برداری سیستماتیک
  • 31. فصل ۳۰: نمونه‌برداری با توجه به توازن
  • 32. فصل ۳۱: تقسیم مجموعه داده‌های نامتوازن
  • 33. فصل ۳۲: تکنیک‌های متعادل‌سازی داده
  • 34. فصل ۳۳: Oversampling و Undersampling
  • 35. فصل ۳۴: SMOTE (Synthetic Minority Over-sampling Technique)
  • 36. فصل ۳۵: ADASYN (Adaptive Synthetic Sampling)
  • 37. فصل ۳۶: تقسیم داده‌ها در یادگیری تقویتی
  • 38. فصل ۳۷: تجربه و اپیزود در RL
  • 39. فصل ۳۸: تقسیم حالت-اقدام
  • 40. فصل ۳۹: تقسیم بر اساس پاداش
  • 41. فصل ۴۰: تقسیم داده‌ها در یادگیری عمیق
  • 42. فصل ۴۱: تقسیم در شبکه‌های عصبی کانولوشنی
  • 43. فصل ۴۲: تقسیم در شبکه‌های عصبی بازگشتی
  • 44. فصل ۴۳: تقسیم در مدل‌های ترنسفورمر
  • 45. فصل ۴۴: تقسیم داده‌های تصاویر
  • 46. فصل ۴۵: تقسیم بر اساس اشیاء
  • 47. فصل ۴۶: تقسیم بر اساس صحنه
  • 48. فصل ۴۷: تقسیم داده‌های متنی
  • 49. فصل ۴۸: تقسیم بر اساس سند
  • 50. فصل ۴۹: تقسیم بر اساس جمله
  • 51. فصل ۵۰: تقسیم داده‌های صوتی
  • 52. فصل ۵۱: تقسیم بر اساس گفتار
  • 53. فصل ۵۲: تقسیم بر اساس گوینده
  • 54. فصل ۵۳: تقسیم داده‌های سری زمانی
  • 55. فصل ۵۴: پیش‌بینی روندهای آینده
  • 56. فصل ۵۵: شناسایی ناهنجاری در سری زمانی
  • 57. فصل ۵۶: تجزیه و تحلیل داده‌های پرت
  • 58. فصل ۵۷: روش‌های جایگزینی داده‌های پرت
  • 59. فصل ۵۸: مدیریت داده‌های گمشده در تقسیم
  • 60. فصل ۵۹: استراتژی‌های حذف داده‌های گمشده
  • 61. فصل ۶۰: استراتژی‌های جایگزینی داده‌های گمشده
  • 62. فصل ۶۱: تقسیم و مهندسی ویژگی (Feature Engineering)
  • 63. فصل ۶۲: تأثیر تقسیم بر انتخاب ویژگی
  • 64. فصل ۶۳: تقسیم و کاهش ابعاد
  • 65. فصل ۶۴: PCA و اثر آن بر تقسیم
  • 66. فصل ۶۵: t-SNE و ملاحظات آن
  • 67. فصل ۶۶: تقسیم داده‌ها در یادگیری فدرال (Federated Learning)
  • 68. فصل ۶۷: حفظ حریم خصوصی در FL
  • 69. فصل ۶۸: تقسیم غیرمتمرکز داده
  • 70. فصل ۶۹: تقسیم داده‌ها در یادگیری انتقالی (Transfer Learning)
  • 71. فصل ۷۰: تنظیم دقیق (Fine-tuning) و تقسیم
  • 72. فصل ۷۱: تقسیم داده‌های کوچک
  • 73. فصل ۷۲: روش‌های افزایش داده (Data Augmentation)
  • 74. فصل ۷۳:Augmentation برای تصاویر
  • 75. فصل ۷۴: Augmentation برای متن
  • 76. فصل ۷۵: Augmentation برای داده‌های عددی
  • 77. فصل ۷۶: ارزیابی مدل با تقسیم صحیح
  • 78. فصل ۷۷: معیارهای ارزیابی عملکرد
  • 79. فصل ۷۸: خطای مطلق میانگین (MAE)
  • 80. فصل ۷۹: خطای مربع میانگین (MSE)
  • 81. فصل ۸۰: ریشه خطای مربع میانگین (RMSE)
  • 82. فصل ۸۱: دقت (Accuracy)
  • 83. فصل ۸۲: دقت و بازیابی (Precision and Recall)
  • 84. فصل ۸۳: امتیاز F1
  • 85. فصل ۸۴: منحنی ROC و AUC
  • 86. فصل ۸۵: تقسیم و تفسیرپذیری مدل (Interpretability)
  • 87. فصل ۸۶: تأثیر تقسیم بر تفسیرپذیری
  • 88. فصل ۸۷: تقسیم در مدل‌های جعبه سیاه
  • 89. فصل ۸۸: تقسیم و قابلیت اطمینان مدل
  • 90. فصل ۸۹: تست‌های استحکام (Robustness Tests)
  • 91. فصل ۹۰: حملات مغرضانه (Adversarial Attacks)
  • 92. فصل ۹۱: تقسیم داده‌های نامتعارف
  • 93. فصل ۹۲: داده‌های پراکنده (Sparse Data)
  • 94. فصل ۹۳: داده‌های نویزی (Noisy Data)
  • 95. فصل ۹۴: تقسیم در سناریوهای دنیای واقعی
  • 96. فصل ۹۵: چالش‌های پیاده‌سازی عملی
  • 97. فصل ۹۶: ابزارها و کتابخانه‌های تقسیم داده
  • 98. فصل ۹۷: Scikit-learn و ابزارهای آن
  • 99. فصل ۹۸: TensorFlow و PyTorch
  • 100. فصل ۹۹: بهترین شیوه‌ها در تقسیم داده

📚 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.