سپنتا کتاب اکسپرس
کتاب اصول ریاضی و الگوریتم‌های کلیدی در یادگیری عمیق

کتاب اصول ریاضی و الگوریتم‌های کلیدی در یادگیری عمیق

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 ریاضی و الگوریتم‌های کلیدی در یادگیری عمیق

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی ریاضی و الگوریتم‌های یادگیری عمیق

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری عمیق
  • 2. مبانی ریاضیات برای یادگیری عمیق
  • 3. جبر خطی در یادگیری عمیق
  • 4. ماتریس‌ها و بردارها
  • 5. عملیات ماتریسی
  • 6. مفهوم تانسور
  • 7. حساب دیفرانسیل و انتگرال برای یادگیری ماشین
  • 8. مشتقات و گرادیان
  • 9. قاعده زنجیره
  • 10. بهینه‌سازی در یادگیری عمیق
  • 11. تابع هزینه و زیان
  • 12. روش نزول گرادیان
  • 13. انواع روش‌های نزول گرادیان
  • 14. نزول گرادیان تصادفی
  • 15. مینی بچ گرادیان
  • 16. تنظیم نرخ یادگیری
  • 17. تنظیم‌کننده‌ها (Regularization)
  • 18. L1 و L2 Regularization
  • 19. Dropou
  • 20. انواع شبکه‌های عصبی
  • 21. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 22. توابع فعال‌سازی
  • 23. تابع سیگموئید
  • 24. تابع ReLU
  • 25. تابع تانژانت هیپربولیک
  • 26. تابع Softmax
  • 27. آموزش شبکه‌های عصبی
  • 28. پیش‌پردازش داده‌ها
  • 29. نرمال‌سازی داده‌ها
  • 30. تکمیل داده‌های گمشده
  • 31. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست
  • 32. معماری‌های شبکه‌های عصبی عمیق
  • 33. شبکه‌های عصبی کانولوشنی (CNN)
  • 34. لایه کانولوشن
  • 35. لایه Pooling
  • 36. لایه Fully Connected
  • 37. کاربرد CNN در بینایی ماشین
  • 38. طبقه‌بندی تصاویر
  • 39. تشخیص اشیاء
  • 40. شبکه‌های عصبی بازگشتی (RNN)
  • 41. سلول‌های RNN ساده
  • 42. مشکل محوشدگی گرادیان در RNN
  • 43. شبکه‌های LSTM
  • 44. شبکه‌های GRU
  • 45. کاربرد RNN در پردازش زبان طبیعی
  • 46. ترجمه ماشینی
  • 47. تولید متن
  • 48. مدل‌های زبانی
  • 49. یادگیری انتقالی (Transfer Learning)
  • 50. استفاده از مدل‌های از پیش آموزش‌دیده
  • 51. تنظیم دقیق (Fine-tuning) مدل‌ها
  • 52. معماری‌های پیشرفته
  • 53. شبکه‌های عصبی ترنسفورمر
  • 54. مکانیزم توجه (Attention Mechanism)
  • 55. کاربرد ترنسفورمر در NLP
  • 56. شبکه‌های مولد تخاصمی (GAN)
  • 57. معمار GAN: مولد و ممیز
  • 58. آموزش GAN
  • 59. کاربرد GAN در تولید تصاویر
  • 60. یادگیری تقویتی (Reinforcement Learning)
  • 61. مفاهیم پایه RL
  • 62. عامل، محیط، پاداش
  • 63. یادگیری سیاست (Policy Learning)
  • 64. یادگیری ارزش (Value Learning)
  • 65. الگوریتم‌های Q-Learning
  • 66. الگوریتم‌های Policy Gradient
  • 67. کاربرد RL در رباتیک و بازی
  • 68. هوش مصنوعی مسئولانه
  • 69. ملاحظات اخلاقی در AI
  • 70. حریم خصوصی و امنیت داده‌ها
  • 71. سوگیری در الگوریتم‌ها
  • 72. شفافیت و قابلیت تفسیر مدل‌ها
  • 73. کاربرد AI در صنعت و جامعه
  • 74. هوش مصنوعی در سلامت
  • 75. هوش مصنوعی در مالی
  • 76. هوش مصنوعی در تولید
  • 77. هوش مصنوعی در حمل و نقل
  • 78. مبانی برنامه‌نویسی برای یادگیری عمیق
  • 79. محیط‌های توسعه یادگیری عمیق
  • 80. کتابخانه‌های کلیدی: TensorFlow و PyTorch
  • 81. مقدمه‌ای بر TensorFlow
  • 82. ساختار گراف محاسباتی
  • 83. مقدمه‌ای بر PyTorch
  • 84. تنسورها در PyTorch
  • 85. آموزش مدل‌های ساده با TensorFlow
  • 86. آموزش مدل‌های ساده با PyTorch
  • 87. ساخت MLP با TensorFlow
  • 88. ساخت MLP با PyTorch
  • 89. ساخت CNN با TensorFlow
  • 90. ساخت CNN با PyTorch
  • 91. ساخت RNN با TensorFlow
  • 92. ساخت RNN با PyTorch
  • 93. ارزیابی مدل‌ها
  • 94. معیارهای ارزیابی طبقه‌بندی
  • 95. معیارهای ارزیابی رگرسیون
  • 96. تنظیم فراپارامترها (Hyperparameter Tuning)
  • 97. جستجوی شبکه‌ای (Grid Search)
  • 98. جستجوی تصادفی (Random Search)
  • 99. بهینه‌سازی بیزی (Bayesian Optimization)
  • 100. تکنیک‌های پیشرفته 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.