سپنتا کتاب اکسپرس
کتاب آموزش مدل‌های یادگیری عمیق: تکنیک‌ها و الگوریتم‌ها

کتاب آموزش مدل‌های یادگیری عمیق: تکنیک‌ها و الگوریتم‌ها

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 آموزش مدل‌های یادگیری عمیق: تکنیک‌ها و الگوریتم‌ها

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
  • 2. تاریخچه و تکامل یادگیری عمیق
  • 3. مفاهیم پایه شبکه‌های عصبی مصنوعی
  • 4. توابع فعال‌سازی و نقش آن‌ها
  • 5. تابع هزینه و معیارهای ارزیابی مدل
  • 6. بهینه‌سازها: گرادیان کاهشی و انواع آن
  • 7. تنظیم نرخ یادگیری (Learning Rate Scheduling)
  • 8. تنظیم‌کننده‌ها (Regularization): L1 و L2
  • 9. تنظیم‌کننده‌ها: Dropout و Batch Normalization
  • 10. معماری‌های پرسپترون چندلایه (MLP)
  • 11. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
  • 12. مهندسی ویژگی (Feature Engineering) در یادگیری عمیق
  • 13. شبکه‌های عصبی کانولوشنی (CNN) - مقدمه
  • 14. لایه‌های کانولوشن و استخراج ویژگی
  • 15. لایه‌های Pooling و کاهش ابعاد
  • 16. معماری‌های معروف CNN: LeNet، AlexNet
  • 17. معماری‌های معروف CNN: VGG، ResNet
  • 18. کاربرد CNN در طبقه‌بندی تصاویر
  • 19. کاربرد CNN در تشخیص اشیاء
  • 20. کاربرد CNN در قطعه‌بندی تصاویر (Segmentation)
  • 21. شبکه‌های عصبی بازگشتی (RNN) - مقدمه
  • 22. نکات چالش‌برانگیز در RNN: انفجار و محو شدن گرادیان
  • 23. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
  • 24. واحد بازگشتی دروازه‌ای (GRU)
  • 25. کاربرد RNN در پردازش زبان طبیعی (NLP)
  • 26. مدل‌سازی زبان (Language Modeling)
  • 27. ترجمه ماشینی با شبکه‌های عصبی
  • 28. تولید متن با شبکه‌های عصبی
  • 29. شبکه‌های عصبی ترنسفورمر (Transformer)
  • 30. مکانیزم توجه (Attention Mechanism)
  • 31. معماری Encoder-Decoder با ترنسفورمر
  • 32. مدل‌های زبانی بزرگ (LLMs)
  • 33. کاربرد LLMs در پاسخ به سوال
  • 34. کاربرد LLMs در خلاصه‌سازی متن
  • 35. کاربرد LLMs در تولید کد
  • 36. مدل‌های مولد (Generative Models)
  • 37. شبکه‌های مولد تخاصمی (GAN)
  • 38. معماری و آموزش GAN
  • 39. کاربرد GAN در تولید تصاویر
  • 40. مدل‌های انتشار (Diffusion Models)
  • 41. کاربرد مدل‌های انتشار در تولید تصویر
  • 42. یادگیری تقویتی (Reinforcement Learning) - مقدمه
  • 43. عناصر کلیدی یادگیری تقویتی: عامل، محیط، پاداش
  • 44. یادگیری Q (Q-Learning)
  • 45. یادگیری Q عمیق (DQN)
  • 46. الگوریتم‌های مبتنی بر سیاست (Policy Gradient)
  • 47. Actor-Critic Methods
  • 48. کاربرد یادگیری تقویتی در رباتیک
  • 49. کاربرد یادگیری تقویتی در بازی‌ها
  • 50. کاربرد یادگیری تقویتی در بهینه‌سازی سیستم‌ها
  • 51. یادگیری انتقالی (Transfer Learning)
  • 52. تکنیک‌های fine-tuning مدل‌ها
  • 53. کاربرد یادگیری انتقالی در بینایی ماشین
  • 54. کاربرد یادگیری انتقالی در NLP
  • 55. یادگیری چندوظیفه‌ای (Multi-Task Learning)
  • 56. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
  • 57. یادگیری خودنظارتی (Self-Supervised Learning)
  • 58. شبکه‌های عصبی گراف (GNN) - مقدمه
  • 59. کاربرد GNN در تحلیل شبکه‌های اجتماعی
  • 60. کاربرد GNN در کشف دارو
  • 61. یادگیری عمیق قابل تفسیر (XAI)
  • 62. تکنیک‌های تفسیرپذیری مدل‌ها
  • 63. ملاحظات اخلاقی در یادگیری عمیق
  • 64. حریم خصوصی و امنیت داده‌ها
  • 65. مدل‌سازی مبتنی بر داده‌های داخلی
  • 66. بهینه‌سازی مدل‌ها برای سخت‌افزارهای خاص
  • 67. آموزش توزیع‌شده مدل‌های عمیق
  • 68. مقدمه‌ای بر داده‌کاوی و یادگیری ماشین
  • 69. الگوریتم‌های طبقه‌بندی: درخت تصمیم
  • 70. الگوریتم‌های طبقه‌بندی: ماشین بردار پشتیبان (SVM)
  • 71. الگوریتم‌های خوشه‌بندی: K-Means
  • 72. مقدمه‌ای بر پردازش سیگنال
  • 73. کاربرد یادگیری عمیق در سیگنال‌های زمانی
  • 74. کاربرد یادگیری عمیق در پردازش صوت
  • 75. مقدمه‌ای بر تحلیل سری‌های زمانی
  • 76. مدل‌سازی سری‌های زمانی با ARIMA
  • 77. کاربرد شبکه‌های عصبی در سری‌های زمانی
  • 78. پیش‌بینی سری‌های زمانی با مدل‌های عمیق
  • 79. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
  • 80. ارزیابی مدل‌های پیش‌بینانه
  • 81. بهبود دقت مدل‌های پیش‌بینانه
  • 82. مدل‌سازی مبتنی بر دانش سازمانی
  • 83. چارچوب‌های پیاده‌سازی یادگیری عمیق (TensorFlow، PyTorch)
  • 84. مقدمه‌ای بر مهندسی داده
  • 85. مراحل چرخه حیات داده
  • 86. مدیریت و نگهداری داده‌ها
  • 87. امنیت داده‌ها در سامانه‌های آموزشی
  • 88. استانداردهای داده در سامانه‌های آموزشی
  • 89. ملاحظات حقوقی و شرعی در استفاده از داده‌ها
  • 90. حفظ حریم خصوصی در سامانه‌های آموزشی
  • 91. پروتکل‌های ارتباطی امن
  • 92. اصول طراحی رابط کاربری سازگار با قوانین
  • 93. اصول طراحی تجربه کاربری مطابق با فرهنگ ایرانی
  • 94. مبانی اخلاق در فناوری اطلاعات
  • 95. مسئولیت‌پذیری در توسعه سامانه‌های آموزشی
  • 96. نظارت و ارزیابی مستمر انطباق با قوانین
  • 97. فرهنگ‌سازی استفاده صحیح از فناوری
  • 98. اصول مدیریت پروژه در سامانه‌های آموزشی
  • 99. مستندسازی فنی و کاربران
  • 100. آموزش مستمر کاربران نهایی

📚 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.