سپنتا کتاب اکسپرس
کتاب مبانی شبکه‌های عصبی برای بازشناخت الگو در داده‌ها

کتاب مبانی شبکه‌های عصبی برای بازشناخت الگو در داده‌ها

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 مبانی شبکه‌های عصبی برای بازشناخت الگو در داده‌ها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی و بازشناخت الگو

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر بازشناخت الگو
  • 2. مبانی شبکه‌های عصبی
  • 3. تاریخچه شبکه‌های عصبی
  • 4. انواع شبکه‌های عصبی
  • 5. ساختار نورون مصنوعی
  • 6. تابع فعال‌سازی
  • 7. مدل‌های پرسپترون تک‌لایه
  • 8. محدودیت‌های پرسپترون تک‌لایه
  • 9. الگوریتم پس‌انتشار خطا
  • 10. شبکه‌های پرسپترون چندلایه
  • 11. آموزش شبکه‌های چندلایه
  • 12. بهینه‌سازی پارامترها
  • 13. نرخ یادگیری
  • 14. مومنتوم
  • 15. تنظیم نرخ یادگیری
  • 16. روش‌های مرتبه‌سازی
  • 17. تنظیم‌کننده‌ها (Regularizers)
  • 18. L1 و L2 Regularization
  • 19. اعتبارسنجی متقابل (Cross-validation)
  • 20. انتخاب مدل
  • 21. مشکل بیش‌برازش (Overfitting)
  • 22. مشکل کم‌برازش (Underfitting)
  • 23. شبکه‌های عصبی بازگشتی (RNN)
  • 24. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
  • 25. شبکه‌های واحد بازگشتی (GRU)
  • 26. شبکه‌های کانولوشنال (CNN)
  • 27. لایه‌های کانولوشن
  • 28. لایه‌های پولینگ
  • 29. کاربرد CNN در پردازش تصویر
  • 30. شبکه‌های مولد تخاصمی (GAN)
  • 31. معماری GAN
  • 32. آموزش GAN
  • 33. کاربرد GAN در تولید داده
  • 34. شبکه‌های عصبی گراف (GNN)
  • 35. مبانی گراف‌ها
  • 36. کاربرد GNN در شبکه‌های اجتماعی
  • 37. یادگیری عمیق و کاربردهای آن
  • 38. مبانی یادگیری عمیق
  • 39. شبکه‌های عصبی عمیق
  • 40. معماری‌های عمیق
  • 41. متریک‌های ارزیابی مدل
  • 42. دقت (Accuracy)
  • 43. صحت (Precision)
  • 44. بازیابی (Recall)
  • 45. امتیاز F1
  • 46. منحنی ROC
  • 47. منحنی AUC
  • 48. کاهش ابعاد
  • 49. تحلیل مؤلفه‌های اصلی (PCA)
  • 50. توزیع‌کننده‌های یکنواخت (UMAP)
  • 51. یادگیری بازنمایی (Representation Learning)
  • 52. یادگیری عمیق برای داده‌های جدولی
  • 53. یادگیری عمیق برای داده‌های متنی
  • 54. پردازش زبان طبیعی (NLP)
  • 55. کاربرد شبکه‌های عصبی در NLP
  • 56. مدل‌های زبانی
  • 57. کاربرد شبکه‌های عصبی در تشخیص گفتار
  • 58. یادگیری تقویتی (Reinforcement Learning)
  • 59. مبانی یادگیری تقویتی
  • 60. عامل هوشمند
  • 61. محیط
  • 62. پاداش
  • 63. سیاست (Policy)
  • 64. تابع ارزش (Value Function)
  • 65. الگوریتم‌های یادگیری تقویتی
  • 66. Q-Learning
  • 67. Deep Q-Networks (DQN)
  • 68. Policy Gradients
  • 69. کاربرد یادگیری تقویتی در رباتیک
  • 70. کاربرد یادگیری تقویتی در بازی‌ها
  • 71. شبکه‌های عصبی برای داده‌های سری زمانی
  • 72. پیش‌بینی سری زمانی
  • 73. شبکه‌های عصبی در حوزه سلامت
  • 74. کاربرد شبکه‌های عصبی در تشخیص بیماری
  • 75. شبکه‌های عصبی در حوزه مالی
  • 76. کاربرد شبکه‌های عصبی در پیش‌بینی بازار
  • 77. اخلاق در هوش مصنوعی
  • 78. سوگیری در الگوریتم‌ها
  • 79. شفافیت و تفسیرپذیری مدل‌ها
  • 80. امنیت در شبکه‌های عصبی
  • 81. حملات متخاصم (Adversarial Attacks)
  • 82. مقاومت در برابر حملات متخاصم
  • 83. تکنیک‌های افزایش داده (Data Augmentation)
  • 84. مدل‌های مبتنی بر توجه (Attention Mechanisms)
  • 85. ترنسفورمرها (Transformers)
  • 86. کاربرد ترنسفورمرها در NLP
  • 87. مدل‌های زبان بزرگ (LLMs)
  • 88. مبانی مدل‌های زبان بزرگ
  • 89. معماری ترنسفورمر برای LLMs
  • 90. آموزش و تنظیم مدل‌های زبان بزرگ
  • 91. کاربرد LLMs در تولید محتوا
  • 92. اخلاق در استفاده از LLMs
  • 93. آینده شبکه‌های عصبی
  • 94. چالش‌های پیش رو
  • 95. پژوهش‌های نوین در حوزه شبکه‌های عصبی
  • 96. اهمیت بازشناخت الگو در علوم داده
  • 97. مبانی آمار و احتمالات برای بازشناخت الگو
  • 98. فرایندهای تصادفی
  • 99. مدل‌های احتمالی
  • 100. توابع احتمال شرطی

📚 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.