سپنتا کتاب اکسپرس
کتاب دستیابی به درک عمیق مدل‌های ML از طریق اتوماسیون با پایتون

کتاب دستیابی به درک عمیق مدل‌های ML از طریق اتوماسیون 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 دستیابی به درک عمیق مدل‌های ML از طریق اتوماسیون با پایتون

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: اتوماسیون در حوزه تفسیر مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. فصل ۱: مقدمه‌ای بر اتوماسیون یادگیری ماشین
  • 2. فصل ۲: نصب و پیکربندی محیط پایتون
  • 3. فصل ۳: اصول اولیه پایتون برای یادگیری ماشین
  • 4. فصل ۴: کتابخانه‌های کلیدی پایتون: NumPy و Pandas
  • 5. فصل ۵: پیش‌پردازش داده‌ها: پاکسازی و استانداردسازی
  • 6. فصل ۶: پیش‌پردازش داده‌ها: مهندسی ویژگی
  • 7. فصل ۷: انتخاب ویژگی: روش‌های اساسی
  • 8. فصل ۸: انتخاب ویژگی: روش‌های مبتنی بر مدل
  • 9. فصل ۹: الگوریتم‌های یادگیری ماشین: رگرسیون خطی
  • 10. فصل ۱۰: اتوماسیون رگرسیون خطی در پایتون
  • 11. فصل ۱۱: الگوریتم‌های یادگیری ماشین: رگرسیون لجستیک
  • 12. فصل ۱۲: اتوماسیون رگرسیون لجستیک در پایتون
  • 13. فصل ۱۳: الگوریتم‌های یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
  • 14. فصل ۱۴: اتوماسیون SVM در پایتون
  • 15. فصل ۱۵: الگوریتم‌های یادگیری ماشین: درختان تصمیم
  • 16. فصل ۱۶: اتوماسیون درختان تصمیم در پایتون
  • 17. فصل ۱۷: الگوریتم‌های یادگیری ماشین: جنگل‌های تصادفی
  • 18. فصل ۱۸: اتوماسیون جنگل‌های تصادفی در پایتون
  • 19. فصل ۱۹: الگوریتم‌های یادگیری ماشین: تقویت گرادیان (Gradient Boosting)
  • 20. فصل ۲۰: اتوماسیون تقویت گرادیان در پایتون
  • 21. فصل ۲۱: الگوریتم‌های یادگیری ماشین: شبکه‌های عصبی مقدماتی
  • 22. فصل ۲۲: اتوماسیون شبکه‌های عصبی ساده در پایتون
  • 23. فصل ۲۳: تنظیم ابرپارامترها: جستجوی گرید
  • 24. فصل ۲۴: اتوماسیون جستجوی گرید در پایتون
  • 25. فصل ۲۵: تنظیم ابرپارامترها: جستجوی تصادفی
  • 26. فصل ۲۶: اتوماسیون جستجوی تصادفی در پایتون
  • 27. فصل ۲۷: تنظیم ابرپارامترها: بهینه‌سازی بیزین
  • 28. فصل ۲۸: اتوماسیون بهینه‌سازی بیزین در پایتون
  • 29. فصل ۲۹: اعتبارسنجی متقابل: تکنیک‌های اساسی
  • 30. فصل ۳۰: اتوماسیون اعتبارسنجی متقابل ساده
  • 31. فصل ۳۱: اعتبارسنجی متقابل: اعتبارسنجی K-Fold
  • 32. فصل ۳۲: اتوماسیون اعتبارسنجی K-Fold
  • 33. فصل ۳۳: اعتبارسنجی متقابل: اعتبارسنجی Leave-One-Out
  • 34. فصل ۳۴: اتوماسیون اعتبارسنجی Leave-One-Out
  • 35. فصل ۳۵: معیارهای ارزیابی مدل: دقت
  • 36. فصل ۳۶: اتوماسیون محاسبه دقت
  • 37. فصل ۳۷: معیارهای ارزیابی مدل: صحت و بازیابی
  • 38. فصل ۳۸: اتوماسیون محاسبه صحت و بازیابی
  • 39. فصل ۳۹: معیارهای ارزیابی مدل: امتیاز F1
  • 40. فصل ۴۰: اتوماسیون محاسبه امتیاز F1
  • 41. فصل ۴۱: معیارهای ارزیابی مدل: منحنی ROC و AUC
  • 42. فصل ۴۲: اتوماسیون محاسبه منحنی ROC و AUC
  • 43. فصل ۴۳: معیارهای ارزیابی مدل: میانگین مربعات خطا (MSE)
  • 44. فصل ۴۴: اتوماسیون محاسبه MSE
  • 45. فصل ۴۵: معیارهای ارزیابی مدل: ریشه میانگین مربعات خطا (RMSE)
  • 46. فصل ۴۶: اتوماسیون محاسبه RMSE
  • 47. فصل ۴۷: معیارهای ارزیابی مدل: خطای میانگین مطلق (MAE)
  • 48. فصل ۴۸: اتوماسیون محاسبه MAE
  • 49. فصل ۴۹: معیارهای ارزیابی مدل: R-squared
  • 50. فصل ۵۰: اتوماسیون محاسبه R-squared
  • 51. فصل ۵۱: اتوماسیون پایپ‌لاین‌های یادگیری ماشین
  • 52. فصل ۵۲: ساخت پایپ‌لاین با Scikit-learn
  • 53. فصل ۵۳: ذخیره و بارگذاری مدل‌های یادگیری ماشین
  • 54. فصل ۵۴: اتوماسیون ذخیره و بارگذاری مدل
  • 55. فصل ۵۵: مقدمه‌ای بر یادگیری عمیق
  • 56. فصل ۵۶: چارچوب‌های یادگیری عمیق: TensorFlow
  • 57. فصل ۵۷: اتوماسیون مدل‌های ساده با TensorFlow
  • 58. فصل ۵۸: چارچوب‌های یادگیری عمیق: PyTorch
  • 59. فصل ۵۹: اتوماسیون مدل‌های ساده با PyTorch
  • 60. فصل ۶۰: شبکه‌های عصبی کانولوشنال (CNN)
  • 61. فصل ۶۱: اتوماسیون CNN برای پردازش تصویر
  • 62. فصل ۶۲: شبکه‌های عصبی بازگشتی (RNN)
  • 63. فصل ۶۳: اتوماسیون RNN برای داده‌های سری زمانی
  • 64. فصل ۶۴: پردازش زبان طبیعی (NLP)
  • 65. فصل ۶۵: اتوماسیون وظایف NLP مقدماتی
  • 66. فصل ۶۶: مدل‌های زبانی بزرگ (LLMs)
  • 67. فصل ۶۷: مقدمه‌ای بر اتوماسیون LLM
  • 68. فصل ۶۸: استفاده از APIهای LLM
  • 69. فصل ۶۹: اتوماسیون تولید متن با LLM
  • 70. فصل ۷۰: اتوماسیون خلاصه‌سازی متن با LLM
  • 71. فصل ۷۱: اتوماسیون ترجمه با LLM
  • 72. فصل ۷۲: اتوماسیون پاسخ به سوال با LLM
  • 73. فصل ۷۳: الگوریتم‌های خوشه‌بندی: K-Means
  • 74. فصل ۷۴: اتوماسیون K-Means
  • 75. فصل ۷۵: الگوریتم‌های خوشه‌بندی: DBSCAN
  • 76. فصل ۷۶: اتوماسیون DBSCAN
  • 77. فصل ۷۷: الگوریتم‌های کاهش ابعاد: PCA
  • 78. فصل ۷۸: اتوماسیون PCA
  • 79. فصل ۷۹: الگوریتم‌های کاهش ابعاد: t-SNE
  • 80. فصل ۸۰: اتوماسیون t-SNE
  • 81. فصل ۸۱: سیستم‌های توصیه‌گر: مبتنی بر محتوا
  • 82. فصل ۸۲: اتوماسیون توصیه‌گرهای مبتنی بر محتوا
  • 83. فصل ۸۳: سیستم‌های توصیه‌گر: فیلترینگ مشارکتی
  • 84. فصل ۸۴: اتوماسیون توصیه‌گرهای فیلترینگ مشارکتی
  • 85. فصل ۸۵: اتوماسیون زمان‌بندی وظایف ML
  • 86. فصل ۸۶: ابزارهای ارکستراسیون ML: Apache Airflow
  • 87. فصل ۸۷: اتوماسیون با Airflow
  • 88. فصل ۸۸: ابزارهای ارکستراسیون ML: Kubeflow
  • 89. فصل ۸۹: اتوماسیون با Kubeflow (مقدماتی)
  • 90. فصل ۹۰: استقرار مدل‌های ML
  • 91. فصل ۹۱: اتوماسیون استقرار مدل با Flask
  • 92. فصل ۹۲: اتوماسیون استقرار مدل با FastAPI
  • 93. فصل ۹۳: نظارت بر مدل‌های ML
  • 94. فصل ۹۴: اتوماسیون تشخیص افت مدل
  • 95. فصل ۹۵: اتوماسیون بازآموزی مدل
  • 96. فصل ۹۶: اصول DevOps برای ML (MLOps)
  • 97. فصل ۹۷: اتوماسیون در چرخه عمر MLOps
  • 98. فصل ۹۸: اتوماسیون تست و QA در ML
  • 99. فصل ۹۹: اتوماسیون تولید گزارش و داشبورد
  • 100. فصل ۱۰۰: آینده اتوماسیون در یادگیری ماشین

📚 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.