سپنتا کتاب اکسپرس
کتاب پیاده‌سازی پروژه‌های یادگیری ماشین در Google Colaboratory

کتاب پیاده‌سازی پروژه‌های 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 پیاده‌سازی پروژه‌های یادگیری ماشین در Google Colaboratory

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر Google Colaboratory
  • 2. آشنایی با محیط Colab
  • 3. اجرای کد پایتون در Colab
  • 4. استفاده از نوت‌بوک‌ها
  • 5. مدیریت فایل‌ها در Colab
  • 6. اتصال به Google Drive
  • 7. نصب کتابخانه‌های پایتون
  • 8. مقدمه‌ای بر یادگیری ماشین
  • 9. انواع یادگیری ماشین
  • 10. یادگیری نظارت شده
  • 11. یادگیری بدون نظارت
  • 12. یادگیری تقویتی
  • 13. مقدمه‌ای بر کتابخانه‌های علمی پایتون
  • 14. NumPy برای محاسبات عددی
  • 15. Pandas برای تحلیل داده
  • 16. Matplotlib برای بصری‌سازی
  • 17. Seaborn برای بصری‌سازی پیشرفته
  • 18. Scikit-learn برای یادگیری ماشین
  • 19. آماده‌سازی داده‌ها
  • 20. پاکسازی داده‌ها
  • 21. مقابله با مقادیر گمشده
  • 22. استانداردسازی و نرمال‌سازی داده‌ها
  • 23. مهندسی ویژگی
  • 24. انتخاب ویژگی
  • 25. مقدمه‌ای بر مدل‌های یادگیری ماشین
  • 26. رگرسیون خطی
  • 27. رگرسیون لجستیک
  • 28. درخت تصمیم
  • 29. جنگل تصادفی
  • 30. ماشین بردار پشتیبان (SVM)
  • 31. K-نزدیکترین همسایه (KNN)
  • 32. خوشه‌بندی K-Means
  • 33. تحلیل مولفه اصلی (PCA)
  • 34. ارزیابی مدل‌ها
  • 35. معیارهای ارزیابی برای رگرسیون
  • 36. معیارهای ارزیابی برای طبقه‌بندی
  • 37. اعتبارسنجی متقابل
  • 38. تنظیم ابرپارامترها
  • 39. جستجوی شبکه‌ای (Grid Search)
  • 40. جستجوی تصادفی (Random Search)
  • 41. مقدمه‌ای بر شبکه‌های عصبی
  • 42. مفهوم نورون مصنوعی
  • 43. توابع فعال‌سازی
  • 44. شبکه‌های عصبی پیشخور
  • 45. مقدمه‌ای بر یادگیری عمیق
  • 46. شبکه‌های عصبی کانولوشنی (CNN)
  • 47. شبکه‌های عصبی بازگشتی (RNN)
  • 48. کاربرد CNN در بینایی ماشین
  • 49. کاربرد RNN در پردازش زبان طبیعی
  • 50. پیاده‌سازی CNN در Colab
  • 51. پیاده‌سازی RNN در Colab
  • 52. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 53. توکن‌سازی
  • 54. ریشه‌یابی کلمات
  • 55. برچسب‌گذاری اجزای کلام
  • 56. بردارسازی متن
  • 57. مدل‌های زبانی
  • 58. کاربرد مدل‌های زبانی در Colab
  • 59. مقدمه‌ای بر الگوریتم‌های خوشه‌بندی
  • 60. کاربرد خوشه‌بندی در تحلیل داده
  • 61. پیاده‌سازی K-Means در Colab
  • 62. مقدمه‌ای بر الگوریتم‌های کاهش ابعاد
  • 63. کاربرد PCA در کاهش ابعاد
  • 64. پیاده‌سازی PCA در Colab
  • 65. مقدمه‌ای بر مدل‌های پیش‌بینی سری زمانی
  • 66. کاربرد مدل‌های پیش‌بینی در اقتصاد
  • 67. پیاده‌سازی مدل‌های سری زمانی در Colab
  • 68. مقدمه‌ای بر یادگیری تقویتی
  • 69. عناصر یادگیری تقویتی
  • 70. کاربرد یادگیری تقویتی در رباتیک
  • 71. پیاده‌سازی الگوریتم‌های یادگیری تقویتی در Colab
  • 72. مقدمه‌ای بر هوش مصنوعی مولد
  • 73. کاربرد هوش مصنوعی مولد در تولید محتوا
  • 74. ملاحظات اخلاقی در یادگیری ماشین
  • 75. حریم خصوصی داده‌ها
  • 76. سوگیری در الگوریتم‌ها
  • 77. توضیح‌پذیری مدل‌ها
  • 78. مقدمه‌ای بر دیپلوی کردن مدل‌ها
  • 79. روش‌های استقرار مدل
  • 80. استقرار مدل در سرویس‌های ابری
  • 81. مقدمه‌ای بر ابزارهای MLOps
  • 82. مدیریت چرخه عمر مدل
  • 83. نظارت بر مدل در محیط عملیاتی
  • 84. بهینه‌سازی عملکرد مدل
  • 85. تکنیک‌های بهینه‌سازی سرعت
  • 86. استفاده از GPU در Colab
  • 87. استفاده از TPU در Colab
  • 88. مقدمه‌ای بر داده‌های بزرگ (Big Data)
  • 89. چالش‌های داده‌های بزرگ
  • 90. ابزارهای پردازش داده‌های بزرگ
  • 91. مقدمه‌ای بر یادگیری توزیع شده
  • 92. کاربرد یادگیری توزیع شده در پروژه‌های بزرگ
  • 93. مقدمه‌ای بر یادگیری انتقال (Transfer Learning)
  • 94. کاربرد یادگیری انتقال در بینایی ماشین
  • 95. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
  • 96. ملاحظات امنیتی در یادگیری فدرال
  • 97. مقدمه‌ای بر تفسیر نتایج مدل‌ها
  • 98. نمودارهای مهم برای تفسیر
  • 99. تحلیل حساسیت مدل
  • 100. مقدمه‌ای بر ساخت داشبوردهای تعاملی

📚 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.