سپنتا کتاب اکسپرس
کتاب یادگیری ماشین نظارت شده با شبکه‌های عصبی: مقدمه‌ای بر MLP

کتاب یادگیری ماشین نظارت شده با شبکه‌های عصبی: مقدمه‌ای بر MLP

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 یادگیری ماشین نظارت شده با شبکه‌های عصبی: مقدمه‌ای بر MLP

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: یادگیری ماشین نظارت شده (Supervised Learning)**

📋 سرفصل‌های دوره

  • 1. شبکه‌های عصبی: مقدمه‌ای بر MLP
  • 2. مقدمه‌ای بر یادگیری ماشین نظارت شده
  • 3. مفهوم شبکه‌های عصبی مصنوعی
  • 4. ساختار پایه نورون
  • 5. توابع فعال‌سازی
  • 6. انواع توابع فعال‌سازی
  • 7. پس‌انتشار خطا (Backpropagation)
  • 8. گرادیان کاهشی (Gradient Descent)
  • 9. آموزش شبکه‌های عصبی
  • 10. مجموعه داده‌ها و تقسیم‌بندی
  • 11. ویژگی‌ها و برچسب‌ها
  • 12. پیش‌پردازش داده‌ها
  • 13. نرمال‌سازی و استانداردسازی
  • 14. کدگذاری دسته‌ای (One-Hot Encoding)
  • 15. شبکه‌های پرسپترون چندلایه (MLP)
  • 16. معماری MLP
  • 17. لایه ورودی
  • 18. لایه‌های پنهان
  • 19. لایه خروجی
  • 20. تعداد لایه‌های پنهان
  • 21. تعداد نورون‌ها در لایه‌های پنهان
  • 22. بهینه‌سازی پارامترها
  • 23. نرخ یادگیری
  • 24. اندازه دسته (Batch Size)
  • 25. تعداد دوره‌های آموزشی (Epochs)
  • 26. مثال ساده MLP
  • 27. پیاده‌سازی MLP با کتابخانه‌ها
  • 28. کتابخانه TensorFlow
  • 29. کتابخانه Keras
  • 30. کتابخانه PyTorch
  • 31. ساخت مدل MLP در Keras
  • 32. تعریف لایه‌های Dense
  • 33. انتخاب تابع فعال‌سازی
  • 34. کامپایل کردن مدل
  • 35. تابع هزینه (Loss Function)
  • 36. بهینه‌ساز (Optimizer)
  • 37. معیارهای ارزیابی
  • 38. آموزش مدل MLP
  • 39. تابع evaluate
  • 40. تابع predict
  • 41. کاربرد MLP در طبقه‌بندی
  • 42. داده‌های طبقه‌بندی
  • 43. مجموعه داده Iris
  • 44. آموزش MLP برای طبقه‌بندی Iris
  • 45. ارزیابی مدل طبقه‌بندی
  • 46. کاربرد MLP در رگرسیون
  • 47. داده‌های رگرسیون
  • 48. مجموعه داده Boston Housing
  • 49. آموزش MLP برای رگرسیون Boston Housing
  • 50. ارزیابی مدل رگرسیون
  • 51. بیش‌برازش (Overfitting)
  • 52. کم‌برازش (Underfitting)
  • 53. راه‌های مقابله با بیش‌برازش
  • 54. تنظیم‌گرمی (Regularization)
  • 55. L1 و L2 Regularization
  • 56. کاهش احتمال (Dropout)
  • 57. توقف زودهنگام (Early Stopping)
  • 58. تنظیم فراپارامترها (Hyperparameter Tuning)
  • 59. جستجوی شبکه‌ای (Grid Search)
  • 60. جستجوی تصادفی (Random Search)
  • 61. ارزیابی متقابل (Cross-Validation)
  • 62. کدگذاری دسته‌ای برای MLP
  • 63. تنظیم اندازه دسته
  • 64. تنظیم نرخ یادگیری
  • 65. انتخاب تابع هزینه مناسب
  • 66. انتخاب تابع فعال‌سازی مناسب
  • 67. پیاده‌سازی MLP از ابتدا
  • 68. اصول اولیه پیاده‌سازی
  • 69. نورون و لایه
  • 70. عملیات ماتریسی
  • 71. حساب دیفرانسیل نمادین
  • 72. محاسبه گرادیان‌ها
  • 73. پیاده‌سازی پس‌انتشار
  • 74. آموزش MLP بدون کتابخانه
  • 75. عیب‌یابی مدل‌های MLP
  • 76. خطاهای رایج در MLP
  • 77. تفسیر نتایج
  • 78. شاخص‌های عملکرد
  • 79. پیش‌بینی بر روی داده‌های جدید
  • 80. اعتبار سنجی مدل
  • 81. استفاده از GPU در آموزش
  • 82. یادگیری عمیق (Deep Learning)
  • 83. شبکه‌های عصبی عمیق
  • 84. تفاوت MLP با شبکه‌های عمیق‌تر
  • 85. شبکه‌های عصبی کانولوشنال (CNN)
  • 86. شبکه‌های عصبی بازگشتی (RNN)
  • 87. مقدمه‌ای بر CNN
  • 88. مقدمه‌ای بر RNN
  • 89. محدودیت‌های MLP
  • 90. کاربرد MLP در مسائل واقعی
  • 91. تشخیص تصویر پایه
  • 92. پردازش زبان طبیعی پایه
  • 93. پیش‌بینی سری‌های زمانی ساده
  • 94. یادگیری انتقال (Transfer Learning)
  • 95. کاربرد MLP در یادگیری انتقال
  • 96. جمع‌بندی MLP
  • 97. آینده MLP
  • 98. مفاهیم پیشرفته‌تر MLP
  • 99. سایر انواع شبکه‌های عصبی
  • 100. شبکه‌های مولد تخاصمی (GAN)

📚 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.