سپنتا کتاب اکسپرس
کتاب مقدمه‌ای بر محاسبات در ترکیب یادگیری عمیق و یادگیری تقویتی

کتاب مقدمه‌ای بر محاسبات در ترکیب یادگیری عمیق و یادگیری تقویتی

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 مقدمه‌ای بر محاسبات در ترکیب یادگیری عمیق و یادگیری تقویتی

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

  • 1. مبانی یادگیری ماشین
  • 2. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
  • 3. تابع فعال‌سازی در شبکه‌های عصبی
  • 4. پس‌انتشار خطا در شبکه‌های عصبی
  • 5. بهینه‌سازی مدل‌های یادگیری عمیق
  • 6. معماری‌های پرکاربرد شبکه‌های عصبی
  • 7. شبکه‌های عصبی کانولوشنی (CNN)
  • 8. کاربرد CNN در پردازش تصویر
  • 9. شبکه‌های عصبی بازگشتی (RNN)
  • 10. کاربرد RNN در پردازش زبان طبیعی
  • 11. حافظه طولانی کوتاه‌مدت (LSTM)
  • 12. واحد بازگشتی دروازه‌ای (GRU)
  • 13. مقدمه‌ای بر یادگیری تقویتی
  • 14. عناصر کلیدی یادگیری تقویتی
  • 15. مدل‌های یادگیری تقویتی
  • 16. یادگیری تقویتی بدون مدل
  • 17. یادگیری تقویتی مبتنی بر مدل
  • 18. الگوریتم‌های یادگیری تقویتی
  • 19. یادگیری Q
  • 20. یادگیری Q عمیق (DQN)
  • 21. پیشرفت‌های DQN
  • 22. الگوریتم‌های Policy Gradient
  • 23. Actor-Critic
  • 24. یادگیری تقویتی عمیق در عمل
  • 25. ترکیب یادگیری عمیق و یادگیری تقویتی
  • 26. چالش‌های ترکیب
  • 27. مزایای ترکیب
  • 28. کاربردهای ترکیب در رباتیک
  • 29. کاربرد در سیستم‌های توصیه‌گر
  • 30. کاربرد در بازی‌ها
  • 31. کاربرد در مدیریت منابع
  • 32. کاربرد در بهینه‌سازی فرآیندها
  • 33. کاربرد در خودروهای خودران
  • 34. کاربرد در امور مالی
  • 35. کاربرد در مراقبت‌های بهداشتی
  • 36. کاربرد در آموزش
  • 37. مقدمه‌ای بر مفاهیم آماری در یادگیری ماشین
  • 38. احتمال و آمار در یادگیری تقویتی
  • 39. توزیع‌های احتمالاتی
  • 40. استنتاج بیزی
  • 41. مدل‌های گرافیکی احتمالاتی
  • 42. یادگیری آماری
  • 43. مبانی یادگیری نظارت شده
  • 44. مبانی یادگیری بدون نظارت
  • 45. یادگیری نیمه‌نظارت شده
  • 46. یادگیری انتقالی
  • 47. یادگیری تقویتی چندعاملی
  • 48. مقدمه‌ای بر شبکه‌های عصبی مولد (GAN)
  • 49. کاربرد GAN در تولید داده
  • 50. یادگیری عمیق برای داده‌های سری زمانی
  • 51. یادگیری تقویتی برای کنترل بهینه
  • 52. سیستم‌های تطبیقی
  • 53. مقدمه‌ای بر بهینه‌سازی در یادگیری ماشین
  • 54. روش‌های بهینه‌سازی تصادفی
  • 55. بهینه‌سازی با گرادیان نزولی
  • 56. بهینه‌سازی با مدل‌های پیشرفته
  • 57. تنظیم ابرپارامترها
  • 58. اعتبارسنجی متقابل
  • 59. تنظیم مدل (Regularization)
  • 60. کاهش ابعاد
  • 61. تحلیل مؤلفه‌های اصلی (PCA)
  • 62. تجزیه مقادیر منفرد (SVD)
  • 63. کاربرد PCA و SVD در یادگیری ماشین
  • 64. مقدمه‌ای بر پردازش زبان طبیعی
  • 65. مدل‌سازی زبان
  • 66. بازنمایی کلمات (Word Embeddings)
  • 67. شبکه‌های عصبی برای پردازش زبان طبیعی
  • 68. ترجمه ماشینی عصبی
  • 69. خلاصه‌سازی متن
  • 70. تحلیل احساسات
  • 71. سیستم‌های پرسش و پاسخ
  • 72. مقدمه‌ای بر بینایی ماشین
  • 73. استخراج ویژگی در تصاویر
  • 74. تشخیص اشیاء
  • 75. تقسیم‌بندی تصویر
  • 76. تشخیص چهره
  • 77. تولید تصویر
  • 78. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
  • 79. کاربرد GNN در تحلیل شبکه‌ها
  • 80. یادگیری تقویتی برای یادگیری عمیق
  • 81. ملاحظات اخلاقی در هوش مصنوعی
  • 82. حریم خصوصی در یادگیری ماشین
  • 83. امنیت در یادگیری ماشین
  • 84. تفسیرپذیری مدل‌های یادگیری عمیق
  • 85. مقدمه‌ای بر محاسبات ابری برای هوش مصنوعی
  • 86. استفاده از GPU و TPU
  • 87. فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
  • 88. پیاده‌سازی مدل‌های یادگیری تقویتی
  • 89. بهینه‌سازی عملکرد مدل‌ها
  • 90. ارزیابی مدل‌های یادگیری تقویتی
  • 91. انتخاب پاداش مناسب
  • 92. طراحی تابع پاداش
  • 93. تنظیم محیط یادگیری تقویتی
  • 94. شبیه‌سازی محیط‌های یادگیری تقویتی
  • 95. کاربرد در شبیه‌سازی‌های صنعتی
  • 96. کاربرد در بهینه‌سازی زنجیره تأمین
  • 97. کاربرد در مدیریت انرژی
  • 98. کاربرد در سیستم‌های توزیع‌شده
  • 99. مطالعات موردی ترکیب یادگیری عمیق و تقویتی
  • 100. روندهای آینده 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.