سپنتا کتاب اکسپرس
کتاب فریم‌ورک‌های کلیدی یادگیری ماشین در Google Colaboratory

کتاب فریم‌ورک‌های کلیدی یادگیری ماشین در Google Colaboratory

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 فریم‌ورک‌های کلیدی یادگیری ماشین در Google Colaboratory

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر Google Colaboratory و محیط آن
  • 2. نصب و پیکربندی محیط Colaboratory
  • 3. آشنایی با رابط کاربری Colab
  • 4. کار با نوت‌بوک‌ها و سلول‌ها در Colab
  • 5. اجرای کد پایتون در Colab
  • 6. مدیریت فایل‌ها و پوشه‌ها در Colab
  • 7. اتصال به Google Drive از Colab
  • 8. استفاده از کتابخانه‌های پرکاربرد پایتون
  • 9. مقدمه‌ای بر یادگیری ماشین
  • 10. مفاهیم پایه آمار برای یادگیری ماشین
  • 11. انواع داده‌ها و پیش‌پردازش آن‌ها
  • 12. پاکسازی داده‌ها و مدیریت مقادیر گمشده
  • 13. تبدیل ویژگی‌ها و نرمال‌سازی داده‌ها
  • 14. انتخاب ویژگی و روش‌های کاهش ابعاد
  • 15. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
  • 16. یادگیری نظارت‌شده و انواع آن
  • 17. رگرسیون خطی و ارزیابی آن
  • 18. رگرسیون لجستیک و طبقه‌بندی
  • 19. دسته‌بندی‌کننده‌های مبتنی بر درخت تصمیم
  • 20. جنگل‌های تصادفی برای رگرسیون و طبقه‌بندی
  • 21. ماشین‌های بردار پشتیبان (SVM)
  • 22. یادگیری نظارت‌نشده و انواع آن
  • 23. خوشه‌بندی K-Means
  • 24. خوشه‌بندی سلسله‌مراتبی
  • 25. تحلیل مؤلفه‌های اصلی (PCA)
  • 26. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
  • 27. معماری پرسپترون چندلایه
  • 28. توابع فعال‌سازی در شبکه‌های عصبی
  • 29. پس‌انتشار خطا (Backpropagation)
  • 30. بهینه‌سازی مدل‌های یادگیری ماشین
  • 31. آموزش و اعتبارسنجی مدل‌ها
  • 32. تنظیم فراپارامترها (Hyperparameter Tuning)
  • 33. نکات مهم در جلوگیری از بیش‌برازش (Overfitting)
  • 34. ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، بازیابی)
  • 35. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 36. منحنی ROC و سطح زیر منحنی (AUC)
  • 37. ارزیابی مدل‌های رگرسیون (MSE, MAE, R-squared)
  • 38. مقدمه‌ای بر یادگیری عمیق
  • 39. شبکه‌های عصبی کانولوشنی (CNN)
  • 40. کاربرد CNN در پردازش تصویر
  • 41. شبکه‌های عصبی بازگشتی (RNN)
  • 42. کاربرد RNN در پردازش زبان طبیعی
  • 43. شبکه‌های LSTM و GRU
  • 44. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 45. پیش‌پردازش متن برای NLP
  • 46. مدل‌سازی موضوعی (Topic Modeling)
  • 47. تحلیل احساسات (Sentiment Analysis)
  • 48. ساخت واژه‌نامه‌ها و بردارهای کلمه (Word Embeddings)
  • 49. استفاده از کتابخانه NLTK
  • 50. استفاده از کتابخانه spaCy
  • 51. یادگیری تقویتی (Reinforcement Learning)
  • 52. مفاهیم پایه یادگیری تقویتی
  • 53. الگوریتم‌های Q-Learning
  • 54. کاربرد یادگیری تقویتی
  • 55. مقدمه‌ای بر TensorFlow
  • 56. نصب TensorFlow در Colab
  • 57. ساخت مدل‌های ساده با TensorFlow
  • 58. استفاده از Keras API
  • 59. ساخت شبکه‌های عصبی عمیق با Keras
  • 60. آموزش و ارزیابی مدل‌ها در TensorFlow
  • 61. مقدمه‌ای بر PyTorch
  • 62. نصب PyTorch در Colab
  • 63. ساخت مدل‌های ساده با PyTorch
  • 64. ساخت شبکه‌های عصبی عمیق با PyTorch
  • 65. آموزش و ارزیابی مدل‌ها در PyTorch
  • 66. مقایسه TensorFlow و PyTorch
  • 67. کاربرد یادگیری ماشین در تشخیص تصویر
  • 68. کاربرد یادگیری ماشین در تشخیص گفتار
  • 69. کاربرد یادگیری ماشین در سیستم‌های توصیه‌گر
  • 70. کاربرد یادگیری ماشین در تحلیل داده‌های سری زمانی
  • 71. مقدمه‌ای بر Big Data و Colab
  • 72. نحوه کار با داده‌های حجیم در Colab
  • 73. استفاده از کتابخانه‌های Big Data در Colab
  • 74. مقدمه‌ای بر MLOps
  • 75. اصول و چرخه حیات MLOps
  • 76. استقرار مدل‌های یادگیری ماشین
  • 77. نظارت بر عملکرد مدل‌ها
  • 78. مدیریت نسخه مدل‌ها
  • 79. امنیت در پروژه‌های یادگیری ماشین
  • 80. اخلاق در هوش مصنوعی و یادگیری ماشین
  • 81. حریم خصوصی داده‌ها در پروژه‌های ML
  • 82. سوگیری (Bias) در مدل‌های یادگیری ماشین
  • 83. تفسیرپذیری مدل‌ها (Model Interpretability)
  • 84. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
  • 85. کاربرد یادگیری انتقالی در بینایی کامپیوتر
  • 86. کاربرد یادگیری انتقالی در NLP
  • 87. مقدمه‌ای بر AutoML
  • 88. ابزارها و روش‌های AutoML
  • 89. استفاده از AutoML در Colab
  • 90. بهینه‌سازی کد و استفاده مؤثر از منابع Colab
  • 91. نکات پیشرفته برای کار با GPU در Colab
  • 92. مدیریت حافظه و زمان اجرا در Colab
  • 93. پروژه‌های عملی یادگیری ماشین در Colab
  • 94. ساخت یک مدل طبقه‌بندی تصویر سفارشی
  • 95. ساخت یک مدل تحلیل احساسات سفارشی
  • 96. ساخت یک سیستم توصیه‌گر ساده
  • 97. نکات نهایی و منابع بیشتر برای یادگیری
  • 98. جمع‌بندی و چشم‌انداز آینده 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.