سپنتا کتاب اکسپرس
کتاب پیاده‌سازی الگوریتم‌های یادگیری ماشین با پایتون

کتاب پیاده‌سازی الگوریتم‌های یادگیری ماشین با پایتون

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 پیاده‌سازی الگوریتم‌های یادگیری ماشین با پایتون

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
  • 2. اصول اولیه یادگیری ماشین
  • 3. مبانی یادگیری ماشین با پایتون
  • 4. مفاهیم کلیدی در یادگیری ماشین
  • 5. انواع یادگیری ماشین: نظارت شده و بدون نظارت
  • 6. پیاده‌سازی الگوریتم‌های یادگیری ماشین
  • 7. آماده‌سازی داده‌ها برای یادگیری ماشین
  • 8. پاکسازی و پیش‌پردازش داده‌ها
  • 9. مهندسی ویژگی در یادگیری ماشین
  • 10. انتخاب ویژگی‌ها و کاهش ابعاد
  • 11. مقدمه‌ای بر رگرسیون خطی
  • 12. پیاده‌سازی رگرسیون خطی در پایتون
  • 13. ارزیابی مدل‌های رگرسیون
  • 14. مقدمه‌ای بر رگرسیون لجستیک
  • 15. پیاده‌سازی رگرسیون لجستیک در پایتون
  • 16. طبقه‌بندی با رگرسیون لجستیک
  • 17. مقدمه‌ای بر درختان تصمیم
  • 18. پیاده‌سازی درختان تصمیم در پایتون
  • 19. قوانین استخراج شده از درختان تصمیم
  • 20. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
  • 21. پیاده‌سازی SVM با کرنل‌های مختلف
  • 22. تنظیم ابرپارامترها در SVM
  • 23. مقدمه‌ای بر الگوریتم K-نزدیک‌ترین همسایه (KNN)
  • 24. پیاده‌سازی KNN در پایتون
  • 25. انتخاب مقدار K مناسب
  • 26. مقدمه‌ای بر خوشه‌بندی
  • 27. الگوریتم K-Means برای خوشه‌بندی
  • 28. پیاده‌سازی K-Means در پایتون
  • 29. ارزیابی مدل‌های خوشه‌بندی
  • 30. مقدمه‌ای بر کاهش ابعاد
  • 31. تحلیل مؤلفه‌های اصلی (PCA)
  • 32. پیاده‌سازی PCA در پایتون
  • 33. کاربرد PCA در بصری‌سازی داده‌ها
  • 34. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
  • 35. ساختار یک نورون مصنوعی
  • 36. لایه ورودی، مخفی و خروجی
  • 37. توابع فعال‌سازی در شبکه‌های عصبی
  • 38. پس‌انتشار خطا (Backpropagation)
  • 39. پیاده‌سازی شبکه‌های عصبی ساده
  • 40. مقدمه‌ای بر یادگیری عمیق
  • 41. شبکه‌های عصبی کانولوشنی (CNN)
  • 42. پیاده‌سازی CNN برای طبقه‌بندی تصاویر
  • 43. شبکه‌های عصبی بازگشتی (RNN)
  • 44. پیاده‌سازی RNN برای پردازش دنباله‌ها
  • 45. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 46. کاربرد یادگیری ماشین در NLP
  • 47. تجزیه و تحلیل احساسات با یادگیری ماشین
  • 48. مدل‌های زبانی و پیش‌بینی کلمه
  • 49. مقدمه‌ای بر الگوریتم‌های گرادیان کاهشی
  • 50. بهینه‌سازی مدل‌ها با گرادیان کاهشی
  • 51. مقدمه‌ای بر تنظیم ابرپارامترها
  • 52. جستجوی شبکه‌ای (Grid Search)
  • 53. جستجوی تصادفی (Random Search)
  • 54. اعتبارسنجی متقابل (Cross-validation)
  • 55. مقدمه‌ای بر ارزیابی مدل‌ها
  • 56. معیارهای ارزیابی برای رگرسیون
  • 57. معیارهای ارزیابی برای طبقه‌بندی
  • 58. مقدمه‌ای بر یادگیری تقویتی
  • 59. عناصر یادگیری تقویتی
  • 60. الگوریتم Q-Learning
  • 61. پیاده‌سازی Q-Learning ساده
  • 62. مقدمه‌ای بر یادگیری ناظر (Semi-supervised Learning)
  • 63. کاربرد یادگیری ناظر
  • 64. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
  • 65. استفاده از مدل‌های از پیش آموزش دیده
  • 66. تنظیم دقیق مدل‌ها (Fine-tuning)
  • 67. مقدمه‌ای بر یادگیری مجموعه‌ای (Ensemble Learning)
  • 68. روش Bagging
  • 69. روش Boosting (مانند AdaBoost)
  • 70. روش Stacking
  • 71. پیاده‌سازی جنگل‌های تصادفی (Random Forest)
  • 72. پیاده‌سازی Gradient Boosting Machines (GBM)
  • 73. کاربرد یادگیری ماشین در تحلیل داده‌های بزرگ
  • 74. مقدمه‌ای بر Big Data
  • 75. ابزارهای پردازش داده‌های بزرگ
  • 76. یادگیری ماشین بر روی داده‌های پراکنده
  • 77. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
  • 78. ساخت مدل‌های پیش‌بینانه در پایتون
  • 79. کاربرد مدل‌های پیش‌بینانه در کسب‌وکار
  • 80. مقدمه‌ای بر اخلاق در هوش مصنوعی
  • 81. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
  • 82. شفافیت و قابلیت تفسیر مدل‌ها
  • 83. سوگیری در داده‌ها و الگوریتم‌ها
  • 84. راهکارهای مقابله با سوگیری
  • 85. مقدمه‌ای بر آینده یادگیری ماشین
  • 86. روندهای نوظهور در هوش مصنوعی
  • 87. کاربرد هوش مصنوعی در صنایع مختلف
  • 88. توسعه پروژه‌های یادگیری ماشین
  • 89. مراحل یک پروژه یادگیری ماشین
  • 90. مدیریت چرخه عمر مدل‌ها
  • 91. مقدمه‌ای بر یادگیری عمیق پیشرفته
  • 92. شبکه‌های مولد تخاصمی (GANs)
  • 93. کاربرد GANs در تولید داده
  • 94. مقدمه‌ای بر یادگیری تقویتی عمیق
  • 95. الگوریتم Deep Q-Networks (DQN)
  • 96. کاربرد DQN در مسائل پیچیده
  • 97. مقدمه‌ای بر پردازش گراف (Graph Neural Networks)
  • 98. پیاده‌سازی GNN ها
  • 99. کاربرد GNN ها در شبکه‌های اجتماعی
  • 100. مقدمه‌ای بر محاسبات کوانتومی و یادگیری ماشین

📚 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.