سپنتا کتاب اکسپرس
کتاب اصول یادگیری ماشین با داده: از تئوری تا عمل

کتاب اصول یادگیری ماشین با داده: از تئوری تا عمل

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 ماشین با داده: از تئوری تا عمل

موضوع کلی: یادگیری ماشین و هوش مصنوعی

موضوع میانی: مبانی نظری یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه و کلیات یادگیری ماشین
  • 2. اهمیت یادگیری ماشین در دنیای امروز
  • 3. تعریف یادگیری ماشین و کاربردهای آن
  • 4. انواع مسائل در یادگیری ماشین
  • 5. یادگیری با نظارت و بدون نظارت
  • 6. یادگیری تقویتی
  • 7. مفاهیم پایه در یادگیری ماشین
  • 8. داده‌ها و انواع آن‌ها
  • 9. ویژگی‌ها و نمونه‌ها
  • 10. مجموعه داده‌های آموزشی، اعتبارسنجی و آزمون
  • 11. پیش‌پردازش داده‌ها
  • 12. پاکسازی داده‌ها
  • 13. مقیاس‌بندی ویژگی‌ها
  • 14. کدگذاری ویژگی‌های دسته‌ای
  • 15. انتخاب ویژگی
  • 16. مبانی یادگیری آماری
  • 17. نظریه اطلاعات
  • 18. آنتروپی و اطلاعات متقابل
  • 19. آنتروپی شرطی
  • 20. قضیه بیز
  • 21. قضیه بیز و کاربردهای آن
  • 22. استنتاج بیزی
  • 23. مدل‌های احتمالی
  • 24. مدل‌های گرافیکی احتمالی
  • 25. مدل‌های زنجیره مارکوف
  • 26. مدل‌های پنهان مارکوف
  • 27. مبانی نظری یادگیری ماشین
  • 28. مشکل بیش‌برازش (Overfitting)
  • 29. مشکل کم‌برازش (Underfitting)
  • 30. رابطه بین واریانس و بایاس
  • 31. قضیه اساسی یادگیری ماشین
  • 32. قضیه ول-پونیاکی
  • 33. کلاسیکاسیون خطی
  • 34. دسته‌بندی‌کننده‌های خطی
  • 35. ماشین‌های بردار پشتیبان (SVM)
  • 36. هسته‌های SVM
  • 37. رگرسیون خطی
  • 38. رگرسیون لجستیک
  • 39. درخت‌های تصمیم
  • 40. قوانین استنتاج
  • 41. روش‌های مبتنی بر نمونه
  • 42. K-نزدیک‌ترین همسایه (KNN)
  • 43. قانون فاصله
  • 44. نزدیک‌ترین همسایه وزن‌دار
  • 45. توابع هسته
  • 46. توابع هسته و کاربردهای آن‌ها
  • 47. توابع هسته چندجمله‌ای
  • 48. توابع هسته گوسی (RBF)
  • 49. توابع هسته سیگموئید
  • 50. یادگیری جمعی (Ensemble Learning)
  • 51. تقویت (Boosting)
  • 52. ادابوست (AdaBoost)
  • 53. گرادیان بوستینگ (Gradient Boosting)
  • 54. جنگل‌های تصادفی (Random Forests)
  • 55. دسته‌بندی‌کننده‌های تصادفی
  • 56. رگرسیون جنگل‌های تصادفی
  • 57. یادگیری بدون نظارت
  • 58. خوشه‌بندی (Clustering)
  • 59. الگوریتم K-Means
  • 60. انتخاب تعداد خوشه‌ها
  • 61. خوشه‌بندی سلسله‌مراتبی
  • 62. الگوریتم‌های خوشه‌بندی مبتنی بر چگالی
  • 63. کاهش ابعاد (Dimensionality Reduction)
  • 64. تحلیل مؤلفه‌های اصلی (PCA)
  • 65. تحلیل مؤلفه‌های مستقل (ICA)
  • 66. توزیع توزیع (t-SNE)
  • 67. یادگیری عمیق (Deep Learning)
  • 68. شبکه‌های عصبی مصنوعی
  • 69. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 70. توابع فعال‌سازی
  • 71. پس‌انتشار خطا (Backpropagation)
  • 72. بهینه‌سازی در شبکه‌های عصبی
  • 73. نزول گرادیان تصادفی (SGD)
  • 74. بهینه‌سازهای آدام (Adam) و RMSprop
  • 75. شبکه‌های عصبی کانولوشنال (CNN)
  • 76. لایه‌های کانولوشن و پولینگ
  • 77. کاربرد CNN در بینایی ماشین
  • 78. شبکه‌های عصبی بازگشتی (RNN)
  • 79. حافظه کوتاه‌مدت بلند (LSTM)
  • 80. واحد بازگشتی گیت‌دار (GRU)
  • 81. کاربرد RNN در پردازش زبان طبیعی
  • 82. ملاحظات عملی در یادگیری ماشین
  • 83. معیارهای ارزیابی مدل
  • 84. دقت، صحت، بازیابی و امتیاز F1
  • 85. منحنی ROC و AUC
  • 86. اعتبارسنجی متقابل (Cross-Validation)
  • 87. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 88. جستجوی شبکه‌ای (Grid Search)
  • 89. جستجوی تصادفی (Random Search)
  • 90. نکات کلیدی در آموزش مدل
  • 91. تفسیرپذیری مدل‌های یادگیری ماشین
  • 92. مدل‌های قابل تفسیر
  • 93. تکنیک‌های تفسیرپذیری
  • 94. ملاحظات اخلاقی در یادگیری ماشین
  • 95. سوگیری در داده‌ها و مدل‌ها
  • 96. حریم خصوصی داده‌ها
  • 97. مسئولیت‌پذیری در هوش مصنوعی
  • 98. کاربرد یادگیری ماشین در مسائل واقعی
  • 99. پردازش زبان طبیعی (NLP)
  • 100. بینایی ماشین (Computer Vision)

📚 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.