سپنتا کتاب اکسپرس
کتاب مقدمه‌ای بر پردازش اطلاعات با پرسپترون‌ها

کتاب مقدمه‌ای بر پردازش اطلاعات با پرسپترون‌ها

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 مقدمه‌ای بر پردازش اطلاعات با پرسپترون‌ها

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: مبانی یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر پردازش اطلاعات
  • 2. ماهیت اطلاعات و داده‌ها
  • 3. مدل‌های محاسباتی پایه
  • 4. مفهوم تابع و نگاشت
  • 5. مقدمه‌ای بر شبکه‌های عصبی
  • 6. پرسپترون به عنوان یک مدل ساده
  • 7. عملکرد پرسپترون تک لایه
  • 8. ورودی‌ها و وزن‌ها در پرسپترون
  • 9. تابع فعال‌سازی در پرسپترون
  • 10. آستانه فعال‌سازی
  • 11. مثال‌های ساده از کاربرد پرسپترون
  • 12. آموزش پرسپترون تک لایه
  • 13. قانون یادگیری پرسپترون
  • 14. تغییر وزن‌ها و بایاس
  • 15. همگرایی در پرسپترون تک لایه
  • 16. محدودیت‌های پرسپترون تک لایه
  • 17. مسائل خطی قابل تفکیک
  • 18. مسائل خطی غیر قابل تفکیک
  • 19. مفهوم جداسازی خطی
  • 20. نمودارهای جداسازی خطی
  • 21. محدودیت در نمایش مسائل
  • 22. نیاز به مدل‌های پیچیده‌تر
  • 23. مقدمه‌ای بر پرسپترون‌های چند لایه
  • 24. ساختار پرسپترون چند لایه
  • 25. لایه ورودی، لایه‌های پنهان، لایه خروجی
  • 26. اتصالات بین نورون‌ها
  • 27. توابع فعال‌سازی غیرخطی
  • 28. مفهوم غیرخطی بودن
  • 29. اهمیت توابع فعال‌سازی غیرخطی
  • 30. مثال‌هایی از توابع فعال‌سازی
  • 31. آموزش پرسپترون‌های چند لایه
  • 32. الگوریتم پس‌انتشار خطا (Backpropagation)
  • 33. محاسبه گرادیان خطا
  • 34. انتشار خطا به لایه‌های قبلی
  • 35. به‌روزرسانی وزن‌ها با پس‌انتشار
  • 36. پارامترهای الگوریتم پس‌انتشار
  • 37. نرخ یادگیری و مومنتوم
  • 38. تنظیم پارامترهای یادگیری
  • 39. مفاهیم بهینه‌سازی در یادگیری ماشین
  • 40. توابع هزینه و زیان
  • 41. چگونگی کاهش خطا
  • 42. بهینه‌سازی مبتنی بر گرادیان
  • 43. روش‌های مختلف بهینه‌سازی
  • 44. مقدمه‌ای بر شبکه‌های عصبی عمیق
  • 45. تفاوت شبکه‌های عمیق با شبکه‌های سطحی
  • 46. مزایای عمیق‌سازی
  • 47. کاربردهای شبکه‌های عصبی عمیق
  • 48. شبکه‌های عصبی کانولوشنی (CNN)
  • 49. مفهوم کانولوشن
  • 50. فیلترها و نقش آن‌ها
  • 51. لایه‌های پولینگ
  • 52. کاربرد CNN در بینایی ماشین
  • 53. شبکه‌های عصبی بازگشتی (RNN)
  • 54. مفهوم بازگشت و حافظه
  • 55. کاربرد RNN در پردازش زبان طبیعی
  • 56. مدل‌های زبانی آماری
  • 57. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 58. تحلیل احساسات متنی
  • 59. ترجمه ماشینی آماری
  • 60. سیستم‌های پرسش و پاسخ
  • 61. مقدمه‌ای بر یادگیری تقویتی
  • 62. مفهوم عامل و محیط
  • 63. پاداش و جریمه
  • 64. سیاست عامل
  • 65. یادگیری از طریق آزمون و خطا
  • 66. مقدمه‌ای بر یادگیری بدون نظارت
  • 67. خوشه‌بندی (Clustering)
  • 68. الگوریتم K-Means
  • 69. مزایا و معایب خوشه‌بندی
  • 70. کاهش ابعاد
  • 71. تحلیل مولفه‌های اصلی (PCA)
  • 72. کاربرد PCA در مصورسازی داده‌ها
  • 73. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
  • 74. مفهوم شبکه‌های مولد و ممیز
  • 75. کاربرد GAN در تولید محتوا
  • 76. مقدمه‌ای بر اخلاق در هوش مصنوعی
  • 77. سوگیری در داده‌ها و مدل‌ها
  • 78. عدالت و انصاف در هوش مصنوعی
  • 79. شفافیت و قابلیت توضیح‌پذیری
  • 80. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
  • 81. حریم خصوصی در عصر هوش مصنوعی
  • 82. امنیت داده‌ها در شبکه‌های عصبی
  • 83. مقدمه‌ای بر کاربردهای هوش مصنوعی در جامعه
  • 84. هوش مصنوعی در پزشکی
  • 85. هوش مصنوعی در آموزش
  • 86. هوش مصنوعی در صنعت
  • 87. هوش مصنوعی در حمل و نقل
  • 88. هوش مصنوعی در امور مالی
  • 89. آینده هوش مصنوعی
  • 90. چالش‌های پیش رو در توسعه هوش مصنوعی
  • 91. همکاری انسان و ماشین
  • 92. مفهوم هوش مصنوعی عمومی (AGI)
  • 93. ملاحظات فرهنگی و بومی‌سازی هوش مصنوعی
  • 94. توسعه پایدار با هوش مصنوعی
  • 95. نقش چارچوب‌های قانونی در هوش مصنوعی
  • 96. اصول اخلاقی در طراحی سیستم‌های هوش مصنوعی
  • 97. مقدمه‌ای بر ابزارهای توسعه هوش مصنوعی
  • 98. کتابخانه‌های معروف یادگیری ماشین
  • 99. فریم‌ورک‌های یادگیری عمیق
  • 100. محیط‌های برنامه‌نویسی

📚 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.