سپنتا کتاب اکسپرس
کتاب Jupyter Notebooks: ابزاری کلیدی در جعبه ابزار یادگیری ماشین

کتاب Jupyter Notebooks: ابزاری کلیدی در جعبه ابزار 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 Jupyter Notebooks: ابزاری کلیدی در جعبه ابزار یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

  • 1. آشنایی با محیط Jupyter Notebook
  • 2. نصب و راه‌اندازی Jupyter Notebook
  • 3. مفاهیم اولیه سلول‌ها در Jupyter
  • 4. اجرای کد پایتون در Jupyter
  • 5. کار با Markdown در Jupyter
  • 6. ایجاد و ذخیره نوت‌بوک‌ها
  • 7. مدیریت فایل‌ها در Jupyter
  • 8. استفاده از Kernelها در Jupyter
  • 9. نوت‌بوک‌های چند زبانه
  • 10. نکات و ترفندهای اولیه Jupyter
  • 11. مقدمه‌ای بر یادگیری ماشین
  • 12. انواع داده‌ها در یادگیری ماشین
  • 13. پیش‌پردازش داده‌ها
  • 14. پاکسازی داده‌ها
  • 15. مقیاس‌بندی ویژگی‌ها
  • 16. انتخاب ویژگی
  • 17. کاهش ابعاد
  • 18. مقدمه‌ای بر مدل‌های یادگیری ماشین
  • 19. یادگیری نظارت شده
  • 20. یادگیری نظارت نشده
  • 21. رگرسیون خطی
  • 22. رگرسیون لجستیک
  • 23. درخت تصمیم
  • 24. جنگل تصادفی
  • 25. ماشین بردار پشتیبان (SVM)
  • 26. شبکه‌های عصبی مقدماتی
  • 27. یادگیری عمیق مقدماتی
  • 28. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 29. پردازش متن
  • 30. بردارسازی متن
  • 31. مدل‌های زبانی
  • 32. مقدمه‌ای بر بینایی ماشین
  • 33. پردازش تصویر
  • 34. تشخیص اشیاء
  • 35. مقدمه‌ای بر سیستم‌های توصیه‌گر
  • 36. فیلترینگ مبتنی بر محتوا
  • 37. فیلترینگ مشارکتی
  • 38. مقدمه‌ای بر یادگیری تقویتی
  • 39. محیط‌ها و عامل‌ها در یادگیری تقویتی
  • 40. یادگیری Q
  • 41. یادگیری سیاست
  • 42. کاربرد یادگیری ماشین در کسب و کار
  • 43. یادگیری ماشین در مالی
  • 44. یادگیری ماشین در بازاریابی
  • 45. یادگیری ماشین در بهداشت و درمان
  • 46. یادگیری ماشین در صنعت
  • 47. اخلاق در یادگیری ماشین
  • 48. مسئولیت‌پذیری در هوش مصنوعی
  • 49. حریم خصوصی داده‌ها
  • 50. سوگیری در الگوریتم‌ها
  • 51. شفافیت مدل‌ها
  • 52. تفسیرپذیری مدل‌ها
  • 53. ارزیابی مدل‌های یادگیری ماشین
  • 54. معیارهای ارزیابی رگرسیون
  • 55. معیارهای ارزیابی طبقه‌بندی
  • 56. اعتبارسنجی متقابل
  • 57. تنظیم هایپرپارامترها
  • 58. روش‌های پیشرفته پیش‌پردازش داده
  • 59. تکنیک‌های مهندسی ویژگی
  • 60. مدل‌های ترکیبی (Ensemble Methods)
  • 61. مدل‌های تخصصی یادگیری عمیق
  • 62. شبکه‌های عصبی کانولوشنال (CNN)
  • 63. شبکه‌های عصبی بازگشتی (RNN)
  • 64. شبکه‌های عصبی ترنسفورمر
  • 65. یادگیری انتقالی (Transfer Learning)
  • 66. یادگیری فعال (Active Learning)
  • 67. یادگیری نیمه‌نظارت شده
  • 68. یادگیری ترکیبی (Hybrid Learning)
  • 69. مدل‌های زبانی بزرگ (LLMs)
  • 70. کاربرد LLMs در NLP
  • 71. تولید متن با LLMs
  • 72. خلاصه‌سازی متن با LLMs
  • 73. ترجمه ماشینی با LLMs
  • 74. کاربرد LLMs در تولید کد
  • 75. مدل‌های یادگیری ماشین برای داده‌های سری زمانی
  • 76. پیش‌بینی سری زمانی
  • 77. تحلیل احساسات در متن
  • 78. تشخیص ناهنجاری
  • 79. یادگیری ماشین در گراف‌ها
  • 80. شبکه‌های گراف عصبی (GNN)
  • 81. کاربرد GNNs
  • 82. مقدمه‌ای بر MLOps
  • 83. استقرار مدل‌های یادگیری ماشین
  • 84. نظارت بر مدل‌ها
  • 85. مدیریت چرخه عمر مدل
  • 86. تست مدل‌های یادگیری ماشین
  • 87. امنیت در یادگیری ماشین
  • 88. حملات به مدل‌های یادگیری ماشین
  • 89. دفاع در برابر حملات
  • 90. یادگیری ماشین قابل اعتماد
  • 91. فریم‌ورک‌های یادگیری ماشین
  • 92. TensorFlow مقدماتی
  • 93. PyTorch مقدماتی
  • 94. Scikit-learn پیشرفته
  • 95. کتابخانه‌های تخصصی یادگیری ماشین
  • 96. کاربرد Jupyter در پروژه‌های واقعی
  • 97. ساختار یک پروژه یادگیری ماشین
  • 98. مستندسازی در Jupyter
  • 99. اشتراک‌گذاری نوت‌بوک‌ها
  • 100. مقدمه‌ای بر هوش مصنوعی مولد

📚 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.