سپنتا کتاب اکسپرس
کتاب مبانی یادگیری ماشین با پایتون برای تحلیلگران داده

کتاب مبانی یادگیری ماشین با پایتون برای تحلیلگران داده

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 یادگیری ماشین با پایتون برای تحلیلگران داده

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین
  • 2. کاربردها و مفاهیم کلیدی یادگیری ماشین
  • 3. محیط توسعه: نصب پایتون و کتابخانه‌های لازم
  • 4. نصب و پیکربندی Anaconda
  • 5. نصب Jupyter Notebook
  • 6. مقدمه‌ای بر کتابخانه‌های NumPy و Pandas
  • 7. کار با آرایه‌های NumPy
  • 8. عملیات پایه در NumPy
  • 9. مقدمه‌ای بر ساختار داده Pandas: Series
  • 10. کار با DataFrame در Pandas
  • 11. عملیات روی DataFrame
  • 12. بارگذاری و ذخیره داده‌ها
  • 13. پاکسازی و پیش‌پردازش داده‌ها
  • 14. مقادیر گمشده: تشخیص و مدیریت
  • 15. مقادیر پرت: تشخیص و مدیریت
  • 16. مهندسی ویژگی (Feature Engineering)
  • 17. تبدیل ویژگی‌های دسته‌ای به عددی
  • 18. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
  • 19. تجزیه و تحلیل اکتشافی داده‌ها (EDA)
  • 20. مصورسازی داده‌ها با Matplotlib
  • 21. مصورسازی داده‌ها با Seaborn
  • 22. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
  • 23. یادگیری با ناظر (Supervised Learning)
  • 24. یادگیری بدون ناظر (Unsupervised Learning)
  • 25. دسته‌بندی (Classification)
  • 26. رگرسیون (Regression)
  • 27. معیارهای ارزیابی مدل‌های یادگیری ماشین
  • 28. تقسیم داده‌ها به مجموعه آموزش و آزمون
  • 29. مدل‌های یادگیری با ناظر: رگرسیون خطی
  • 30. مفاهیم رگرسیون خطی
  • 31. پیاده‌سازی رگرسیون خطی با Scikit-learn
  • 32. ارزیابی مدل رگرسیون خطی
  • 33. مدل‌های یادگیری با ناظر: رگرسیون لجستیک
  • 34. مفاهیم رگرسیون لجستیک
  • 35. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
  • 36. ارزیابی مدل رگرسیون لجستیک
  • 37. مدل‌های یادگیری با ناظر: ماشین‌های بردار پشتیبان (SVM)
  • 38. مفاهیم پایه SVM
  • 39. پیاده‌سازی SVM برای دسته‌بندی
  • 40. پیاده‌سازی SVM برای رگرسیون
  • 41. مدل‌های یادگیری با ناظر: درخت‌های تصمیم
  • 42. مفاهیم درخت تصمیم
  • 43. پیاده‌سازی درخت تصمیم برای دسته‌بندی
  • 44. پیاده‌سازی درخت تصمیم برای رگرسیون
  • 45. مدل‌های یادگیری با ناظر: جنگل‌های تصادفی (Random Forests)
  • 46. مفاهیم جنگل‌های تصادفی
  • 47. پیاده‌سازی جنگل‌های تصادفی برای دسته‌بندی
  • 48. پیاده‌سازی جنگل‌های تصادفی برای رگرسیون
  • 49. مدل‌های یادگیری با ناظر: K-نزدیک‌ترین همسایه (K-NN)
  • 50. مفاهیم K-NN
  • 51. پیاده‌سازی K-NN برای دسته‌بندی
  • 52. پیاده‌سازی K-NN برای رگرسیون
  • 53. مدل‌های یادگیری بدون ناظر: خوشه‌بندی (Clustering)
  • 54. مفاهیم خوشه‌بندی
  • 55. الگوریتم K-Means
  • 56. پیاده‌سازی K-Means با Scikit-learn
  • 57. ارزیابی مدل‌های خوشه‌بندی
  • 58. مدل‌های یادگیری بدون ناظر: کاهش ابعاد (Dimensionality Reduction)
  • 59. تحلیل مؤلفه‌های اصلی (PCA)
  • 60. پیاده‌سازی PCA با Scikit-learn
  • 61. کاربرد PCA در مصورسازی داده‌ها
  • 62. مقدمه‌ای بر انتخاب ویژگی (Feature Selection)
  • 63. روش‌های مبتنی بر فیلتر
  • 64. روش‌های مبتنی بر Wrapper
  • 65. روش‌های مبتنی بر Embedded
  • 66. اعتبارسنجی متقابل (Cross-Validation)
  • 67. اعتبارسنجی K-Fold
  • 68. اعتبارسنجی Stratified K-Fold
  • 69. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 70. شبکه جستجو (Grid Search)
  • 71. جستجوی تصادفی (Random Search)
  • 72. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
  • 73. شبکه‌های عصبی مصنوعی (ANN)
  • 74. لایه‌های شبکه‌های عصبی
  • 75. توابع فعال‌سازی
  • 76. پس‌انتشار خطا (Backpropagation)
  • 77. مقدمه‌ای بر کتابخانه TensorFlow
  • 78. نصب TensorFlow
  • 79. ساختارهای پایه در TensorFlow
  • 80. مقدمه‌ای بر کتابخانه Keras
  • 81. ساخت مدل‌های ساده با Keras
  • 82. آموزش و ارزیابی مدل‌های شبکه‌های عصبی
  • 83. شبکه‌های عصبی کانولوشنال (CNN)
  • 84. کاربرد CNN در پردازش تصویر
  • 85. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
  • 86. کاربرد RNN در پردازش زبان طبیعی
  • 87. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 88. توکن‌سازی (Tokenization)
  • 89. حذف کلمات توقف (Stop Words Removal)
  • 90. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
  • 91. مدل‌سازی موضوعی (Topic Modeling)
  • 92. تحلیل احساسات (Sentiment Analysis)
  • 93. کاربرد یادگیری ماشین در تحلیل داده‌های مالی
  • 94. پیش‌بینی قیمت سهام
  • 95. تحلیل ریسک اعتباری
  • 96. کاربرد یادگیری ماشین در حوزه سلامت
  • 97. تشخیص بیماری
  • 98. پیش‌بینی روند شیوع بیماری
  • 99. ملاحظات اخلاقی در یادگیری ماشین
  • 100. حریم خصوصی داده‌ها

📚 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.