سپنتا کتاب اکسپرس
کتاب Google Colaboratory: محیطی تعاملی برای یادگیری ماشین

کتاب Google Colaboratory: محیطی تعاملی برای یادگیری ماشین

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 Google Colaboratory: محیطی تعاملی برای یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر گوگل کولب و محیط آن
  • 2. نصب و راه‌اندازی اولیه گوگل کولب
  • 3. آشنایی با رابط کاربری گوگل کولب
  • 4. اجرای کد پایتون در گوگل کولب
  • 5. مدیریت سلول‌های کد و متن
  • 6. استفاده از Markdown برای مستندسازی
  • 7. تنظیمات و شخصی‌سازی محیط کولب
  • 8. نحوه ذخیره و بارگذاری نوت‌بوک‌ها
  • 9. اتصال به Google Drive
  • 10. مدیریت فایل‌ها در Google Drive
  • 11. نصب کتابخانه‌های پایتون در کولب
  • 12. استفاده از pip برای نصب پکیج‌ها
  • 13. مدیریت وابستگی‌های پروژه
  • 14. آشنایی با Jupyter Notebook
  • 15. تفاوت‌های کلیدی کولب و Jupyter
  • 16. مقدمه‌ای بر یادگیری ماشین
  • 17. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
  • 18. مفاهیم اولیه شبکه‌های عصبی
  • 19. معرفی تنسورفلو (TensorFlow)
  • 20. نصب تنسورفلو در گوگل کولب
  • 21. آشنایی با Keras
  • 22. ساخت اولین مدل با Keras
  • 23. آموزش مدل بر روی داده‌های نمونه
  • 24. ارزیابی عملکرد مدل
  • 25. تنظیم هایپرپارامترها
  • 26. روش‌های پیش‌پردازش داده‌ها
  • 27. پاکسازی داده‌های گمشده
  • 28. نرمال‌سازی و استانداردسازی داده‌ها
  • 29. مهندسی ویژگی (Feature Engineering)
  • 30. انتخاب ویژگی‌های مؤثر
  • 31. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 32. کار با متن در پایتون
  • 33. کتابخانه NLTK
  • 34. کتابخانه spaCy
  • 35. توکن‌سازی و Lemmatization
  • 36. حذف کلمات توقف (Stop Words)
  • 37. ساخت مدل‌های طبقه‌بندی متن
  • 38. مقدمه‌ای بر بینایی ماشین (Computer Vision)
  • 39. کتابخانه OpenCV
  • 40. کار با تصاویر در پایتون
  • 41. بارگذاری و نمایش تصاویر
  • 42. تغییر اندازه و برش تصاویر
  • 43. اعمال فیلترهای تصویری
  • 44. تشخیص لبه‌ها در تصاویر
  • 45. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
  • 46. ساخت یک CNN ساده
  • 47. آموزش CNN برای طبقه‌بندی تصاویر
  • 48. استفاده از داده‌های تصویری استاندارد
  • 49. تنظیمات لایه‌های CNN
  • 50. استفاده از Max Pooling
  • 51. لایه Dropout برای جلوگیری از Overfitting
  • 52. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
  • 53. کاربرد RNN در پردازش توالی‌ها
  • 54. ساخت یک RNN ساده
  • 55. آموزش RNN برای پیش‌بینی سری‌های زمانی
  • 56. استفاده از LSTM و GRU
  • 57. تفاوت‌های LSTM و GRU
  • 58. کاربرد RNN در مدل‌سازی زبان
  • 59. تولید متن با RNN
  • 60. مقدمه‌ای بر الگوریتم‌های یادگیری بدون نظارت
  • 61. خوشه‌بندی (Clustering)
  • 62. الگوریتم K-Means
  • 63. ارزیابی نتایج خوشه‌بندی
  • 64. کاهش ابعاد (Dimensionality Reduction)
  • 65. تحلیل مؤلفه‌های اصلی (PCA)
  • 66. کاربرد PCA در کاهش ابعاد داده‌ها
  • 67. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
  • 68. مفاهیم اولیه یادگیری تقویتی
  • 69. عامل، محیط، پاداش
  • 70. الگوریتم Q-Learning
  • 71. پیاده‌سازی Q-Learning در کولب
  • 72. حل مسائل ساده با یادگیری تقویتی
  • 73. مقدمه‌ای بر مدل‌های ترنسفورمر (Transformer)
  • 74. معماری ترنسفورمر
  • 75. مکانیزم توجه (Attention Mechanism)
  • 76. کاربرد ترنسفورمر در NLP
  • 77. استفاده از مدل‌های از پیش آموزش‌دیده
  • 78. تنظیم دقیق (Fine-tuning) مدل‌های ترنسفورمر
  • 79. مدل‌های زبانی بزرگ (LLMs)
  • 80. مقدمه‌ای بر Hugging Face Transformers
  • 81. نصب کتابخانه Hugging Face
  • 82. استفاده از مدل‌های BERT و GPT
  • 83. کاربرد Hugging Face در وظایف NLP
  • 84. استفاده از GPU در گوگل کولب
  • 85. تنظیمات اولیه GPU
  • 86. مدیریت منابع GPU
  • 87. بهینه‌سازی کد برای GPU
  • 88. استفاده از TPU در گوگل کولب
  • 89. تنظیمات اولیه TPU
  • 90. مزایای استفاده از TPU
  • 91. کاربرد TPU در آموزش مدل‌های بزرگ
  • 92. مقدمه‌ای بر استقرار مدل‌ها
  • 93. ذخیره مدل‌های آموزش‌دیده
  • 94. بارگذاری مدل‌های ذخیره‌شده
  • 95. مقدمه‌ای بر API و سرویس‌های ابری
  • 96. ساخت یک API ساده برای مدل
  • 97. استفاده از Flask برای ساخت API
  • 98. مقدمه‌ای بر مفاهیم امنیت در یادگیری ماشین
  • 99. حفظ حریم خصوصی داده‌ها
  • 100. ملاحظات اخلاقی در هوش مصنوعی

📚 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.