سپنتا کتاب اکسپرس
کتاب هوش مصنوعی و معماری تجربی

کتاب هوش مصنوعی و معماری تجربی

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 هوش مصنوعی و معماری تجربی

موضوع کلی: تاریخ و نظریه معماری

موضوع میانی: معماری و هوش مصنوعی

📋 سرفصل‌های دوره

  • 1. مبانی هوش مصنوعی و داده‌کاوی
  • 2. معماری تجربی و طراحی آزمایش
  • 3. مقدمه‌ای بر یادگیری ماشین
  • 4. مبانی یادگیری نظارت‌شده
  • 5. الگوریتم‌های طبقه‌بندی
  • 6. رگرسیون خطی و لجستیک
  • 7. درختان تصمیم و جنگل‌های تصادفی
  • 8. ماشین‌های بردار پشتیبان (SVM)
  • 9. یادگیری نظارت‌نشده
  • 10. خوشه‌بندی K-Means
  • 11. تحلیل مولفه‌های اصلی (PCA)
  • 12. تقویت‌کننده گرادیان (Gradient Boosting)
  • 13. شبکه‌های عصبی مصنوعی
  • 14. مبانی شبکه‌های عصبی
  • 15. توابع فعال‌سازی
  • 16. پس‌انتشار خطا (Backpropagation)
  • 17. شبکه‌های عصبی کانولوشنی (CNN)
  • 18. شبکه‌های عصبی بازگشتی (RNN)
  • 19. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
  • 20. شبکه‌های تولیدی تخاصمی (GAN)
  • 21. پردازش زبان طبیعی (NLP)
  • 22. مدل‌سازی زبانی
  • 23. تحلیل احساسات
  • 24. ترجمه ماشینی
  • 25. خلاصه‌سازی متن
  • 26. استخراج اطلاعات
  • 27. سیستم‌های توصیه‌گر
  • 28. مبانی معماری تجربی
  • 29. انواع طرح‌های آزمایشی
  • 30. طراحی عامل و عوامل
  • 31. طراحی عاملی کامل
  • 32. طرح‌های عاملی کسری
  • 33. طراحی بلوکی تصادفی
  • 34. طراحی بلوکی لاتین
  • 35. آزمایش‌های میدانی
  • 36. آزمایش‌های A/B و A/B/n
  • 37. آزمایش‌های چندبازویی (Multi-armed Bandits)
  • 38. طراحی متوالی (Sequential Design)
  • 39. طراحی هرم (Pyramidal Design)
  • 40. طراحی افزایشی (Incremental Design)
  • 41. طراحی پاسخ سطح (Response Surface Design)
  • 42. طراحی اکتشافی (Exploratory Design)
  • 43. طراحی بهینه‌سازی (Optimization Design)
  • 44. ارزیابی و سنجش نتایج تجربی
  • 45. معیارهای ارزیابی مدل‌های هوش مصنوعی
  • 46. دقت، صحت، یادآوری و امتیاز F1
  • 47. منحنی ROC و AUC
  • 48. اعتبارسنجی متقابل (Cross-validation)
  • 49. تست‌های آماری برای مقایسه مدل‌ها
  • 50. تحلیل واریانس (ANOVA)
  • 51. آزمون t-Student
  • 52. آزمون ویلکاکسون
  • 53. آزمون مان-ویتنی
  • 54. تفسیرپذیری مدل‌های هوش مصنوعی (XAI)
  • 55. تفسیرپذیری محلی و سراسری
  • 56. روش‌های LIME و SHAP
  • 57. تحلیل اهمیت ویژگی‌ها
  • 58. ملاحظات اخلاقی در هوش مصنوعی
  • 59. حریم خصوصی داده‌ها
  • 60. سوگیری در الگوریتم‌ها
  • 61. شفافیت و پاسخگویی
  • 62. کاربرد هوش مصنوعی در معماری تجربی
  • 63. بهینه‌سازی طراحی محصولات
  • 64. پیش‌بینی رفتار کاربران
  • 65. شخصی‌سازی تجربیات
  • 66. تست و اعتبارسنجی رابط‌های کاربری
  • 67. شناسایی الگوهای رفتاری
  • 68. تحلیل داده‌های حاصل از آزمایش‌ها
  • 69. ایجاد مدل‌های پیش‌بینانه
  • 70. مدیریت ریسک در طراحی تجربی
  • 71. مقدمه‌ای بر مهندسی داده
  • 72. جمع‌آوری و پاکسازی داده
  • 73. مهندسی ویژگی (Feature Engineering)
  • 74. انتخاب ویژگی (Feature Selection)
  • 75. کاهش ابعاد
  • 76. مدیریت پایگاه داده برای پروژه‌های هوش مصنوعی
  • 77. پایگاه‌های داده رابطه‌ای
  • 78. پایگاه‌های داده NoSQL
  • 79. ذخیره‌سازی داده‌های بزرگ (Big Data Storage)
  • 80. معماری داده‌های بزرگ
  • 81. ابزارهای پردازش داده‌های بزرگ
  • 82. Spark و Hadoop
  • 83. مبانی یادگیری تقویتی
  • 84. فرآیند یادگیری تقویتی
  • 85. تابع پاداش و جریمه
  • 86. عامل و محیط
  • 87. الگوریتم‌های Q-Learning
  • 88. الگوریتم‌های Policy Gradient
  • 89. شبکه‌های عصبی عمیق در یادگیری تقویتی
  • 90. کاربرد یادگیری تقویتی در بهینه‌سازی
  • 91. بهینه‌سازی رباتیک
  • 92. کنترل سیستم‌های پویا
  • 93. مدیریت منابع
  • 94. مباحث پیشرفته در هوش مصنوعی
  • 95. یادگیری انتقالی (Transfer Learning)
  • 96. یادگیری چندوظیفه‌ای (Multi-task Learning)
  • 97. یادگیری فعال (Active Learning)
  • 98. یادگیری افزایشی (Incremental Learning)
  • 99. یادگیری فدرال (Federated Learning)
  • 100. کاربرد هوش مصنوعی در علم و مهندسی

📚 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.