سپنتا کتاب اکسپرس
کتاب اصول یادگیری عمیق: از مفاهیم پایه تا پیاده‌سازی موفق

کتاب اصول یادگیری عمیق: از مفاهیم پایه تا پیاده‌سازی موفق

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 اصول یادگیری عمیق: از مفاهیم پایه تا پیاده‌سازی موفق

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
  • 2. مفاهیم پایه یادگیری ماشین
  • 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
  • 4. مبانی آمار و احتمالات در یادگیری ماشین
  • 5. جبر خطی برای یادگیری ماشین
  • 6. تحلیل داده‌ها و پیش‌پردازش
  • 7. مهندسی ویژگی
  • 8. مدل‌های رگرسیون خطی
  • 9. مدل‌های رگرسیون لجستیک
  • 10. ارزیابی مدل‌های رگرسیون
  • 11. درختان تصمیم
  • 12. قوانین انجمنی
  • 13. دسته‌بندی‌کننده‌های مبتنی بر درخت
  • 14. الگوریتم‌های خوشه‌بندی: K-Means
  • 15. الگوریتم‌های خوشه‌بندی: DBSCAN
  • 16. کاهش ابعاد: PCA
  • 17. کاهش ابعاد: t-SNE
  • 18. مبانی شبکه‌های عصبی
  • 19. نورون مصنوعی و توابع فعال‌سازی
  • 20. معماری شبکه‌های عصبی پرسپترون چند لایه
  • 21. انتشار رو به جلو و انتشار رو به عقب
  • 22. توابع هزینه و بهینه‌سازها
  • 23. تنظیم ابر پارامترها
  • 24. نرمال‌سازی دسته‌ای
  • 25. تنظیم‌گری: L1 و L2
  • 26. رگولاریزاسیون Dropout
  • 27. شبکه‌های عصبی کانولوشنال (CNN)
  • 28. لایه‌های کانولوشنال
  • 29. لایه‌های Pooling
  • 30. لایه‌های تماماً متصل
  • 31. معماری‌های معروف CNN: LeNet
  • 32. معماری‌های معروف CNN: AlexNet
  • 33. معماری‌های معروف CNN: VGG
  • 34. معماری‌های معروف CNN: ResNet
  • 35. کاربردهای CNN در بینایی ماشین
  • 36. تشخیص تصویر
  • 37. شناسایی اشیاء
  • 38. تقسیم‌بندی تصویر
  • 39. شبکه‌های عصبی بازگشتی (RNN)
  • 40. سلول‌های حافظه کوتاه مدت طولانی (LSTM)
  • 41. واحد بازگشتی دروازه‌دار (GRU)
  • 42. کاربردهای RNN در پردازش زبان طبیعی
  • 43. مدل‌سازی زبان
  • 44. ترجمه ماشینی
  • 45. تحلیل احساسات
  • 46. تولید متن
  • 47. شبکه‌های مولد تخاصمی (GAN)
  • 48. معماران GAN
  • 49. آموزش GAN
  • 50. کاربردهای GAN
  • 51. یادگیری تقویتی
  • 52. عوامل و محیط‌ها
  • 53. پاداش و حالت
  • 54. سیاست‌ها و تابع ارزش
  • 55. یادگیری Q
  • 56. یادگیری Deep Q-Networks (DQN)
  • 57. الگوریتم‌های Actor-Critic
  • 58. یادگیری بدون مدل در برابر یادگیری با مدل
  • 59. کاربردهای یادگیری تقویتی
  • 60. یادگیری عمیق در پردازش سیگنال
  • 61. یادگیری عمیق در سیستم‌های توصیه‌گر
  • 62. یادگیری عمیق برای داده‌های سری زمانی
  • 63. یادگیری عمیق در رباتیک
  • 64. یادگیری عمیق در بهداشت و درمان
  • 65. یادگیری عمیق در امور مالی
  • 66. امنیت در یادگیری ماشین
  • 67. اخلاق در هوش مصنوعی
  • 68. قابلیت تفسیرپذیری مدل‌های یادگیری عمیق
  • 69. ملاحظات فنی پیاده‌سازی
  • 70. ابزارها و کتابخانه‌های یادگیری عمیق (TensorFlow, PyTorch)
  • 71. آماده‌سازی داده‌ها برای یادگیری عمیق
  • 72. آموزش مدل‌ها بر روی سخت‌افزارهای تخصصی
  • 73. مباحث پیشرفته در شبکه‌های عصبی
  • 74. معماری‌های ترنسفورمر
  • 75. پردازش زبان طبیعی با ترنسفورمرها
  • 76. کاربردهای پیشرفته CNN
  • 77. کاربردهای پیشرفته RNN
  • 78. روش‌های فراگیری (Meta-Learning)
  • 79. یادگیری انتقالی (Transfer Learning)
  • 80. یادگیری چندوظیفه‌ای (Multi-task Learning)
  • 81. یادگیری فدرال (Federated Learning)
  • 82. یادگیری با داده‌های کم (Few-shot Learning)
  • 83. یادگیری تقویتی عمیق پیشرفته
  • 84. تکنیک‌های تنظیم‌گری پیشرفته
  • 85. ارزیابی و اعتبارسنجی مدل‌ها
  • 86. مقایسه مدل‌ها و انتخاب بهترین معماری
  • 87. استقرار مدل‌های یادگیری عمیق
  • 88. پایش و نگهداری مدل‌ها
  • 89. روندهای آینده در یادگیری عمیق
  • 90. چالش‌های اخلاقی و اجتماعی هوش مصنوعی
  • 91. ملاحظات حقوقی و مقرراتی هوش مصنوعی
  • 92. آینده شغلی در حوزه یادگیری عمیق
  • 93. منابع بیشتر برای مطالعه
  • 94. پروژه‌های عملی یادگیری عمیق
  • 95. بازنگری مفاهیم کلیدی
  • 96. کاربرد یادگیری عمیق در ایران
  • 97. فرهنگ و فناوری در یادگیری عمیق

📚 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.