سپنتا کتاب اکسپرس
کتاب مبانی و کاربردهای یادگیری ماشین با پایتون

کتاب مبانی و کاربردهای 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 مبانی و کاربردهای یادگیری ماشین با پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علوم کامپیوتر و مهندسی نرم‌افزار
  • 2. اهمیت پایتون در توسعه نرم‌افزار
  • 3. نصب و پیکربندی محیط توسعه پایتون
  • 4. آشنایی با ساختارهای داده در پایتون
  • 5. مبانی برنامه‌نویسی شیءگرا در پایتون
  • 6. کار با کتابخانه‌های علمی پایتون
  • 7. مقدمه‌ای بر یادگیری ماشین
  • 8. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
  • 9. مفاهیم کلیدی در یادگیری ماشین
  • 10. مرور بر الگوریتم‌های کلاسیک یادگیری ماشین
  • 11. آماده‌سازی داده‌ها برای یادگیری ماشین
  • 12. پاکسازی و پیش‌پردازش داده‌ها
  • 13. مهندسی ویژگی و انتخاب ویژگی
  • 14. ارزیابی مدل‌های یادگیری ماشین
  • 15. معیارهای ارزیابی مدل‌های طبقه‌بندی
  • 16. معیارهای ارزیابی مدل‌های رگرسیون
  • 17. اعتبارسنجی متقابل و تنظیم ابرپارامترها
  • 18. رگرسیون خطی
  • 19. رگرسیون لجستیک
  • 20. ماشین‌های بردار پشتیبان (SVM)
  • 21. درختان تصمیم
  • 22. جنگل‌های تصادفی
  • 23. تقویت گرادیان
  • 24. خوشه‌بندی K-Means
  • 25. خوشه‌بندی DBSCAN
  • 26. تحلیل مولفه‌های اصلی (PCA)
  • 27. کاهش ابعاد داده‌ها
  • 28. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
  • 29. توابع فعال‌سازی در شبکه‌های عصبی
  • 30. آموزش شبکه‌های عصبی: پس‌انتشار خطا
  • 31. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 32. شبکه‌های عصبی کانولوشنال (CNN)
  • 33. کاربرد CNN در پردازش تصویر
  • 34. شبکه‌های عصبی بازگشتی (RNN)
  • 35. کاربرد RNN در پردازش زبان طبیعی
  • 36. شبکه‌های حافظه طولانی کوتاه (LSTM)
  • 37. کاربرد LSTM در تحلیل سری‌های زمانی
  • 38. شبکه‌های عصبی ترانسفورمر
  • 39. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 40. توکن‌سازی و نرمال‌سازی متن
  • 41. مدل‌سازی موضوعی (Topic Modeling)
  • 42. تحلیل احساسات (Sentiment Analysis)
  • 43. تشخیص موجودیت نام‌گذاری شده (NER)
  • 44. مدل‌های زبانی آماری
  • 45. مدل‌های زبانی مبتنی بر یادگیری عمیق
  • 46. مقدمه‌ای بر بینایی ماشین
  • 47. پردازش تصویر دیجیتال
  • 48. تشخیص لبه و استخراج ویژگی در تصویر
  • 49. تشخیص و ردیابی اشیاء
  • 50. تفسیرپذیری مدل‌های یادگیری ماشین
  • 51. توضیح پیش‌بینی‌های مدل
  • 52. ابزارهای تفسیرپذیری مدل
  • 53. ملاحظات اخلاقی در هوش مصنوعی
  • 54. سوگیری در داده‌ها و مدل‌ها
  • 55. حریم خصوصی و امنیت داده‌ها
  • 56. کاربردهای هوش مصنوعی در صنعت
  • 57. هوش مصنوعی در خدمات درمانی
  • 58. هوش مصنوعی در امور مالی
  • 59. هوش مصنوعی در خودروسازی
  • 60. هوش مصنوعی در کشاورزی
  • 61. هوش مصنوعی در آموزش
  • 62. مقدمه‌ای بر یادگیری تقویتی
  • 63. عناصر یادگیری تقویتی: عامل، محیط، پاداش
  • 64. الگوریتم‌های یادگیری تقویتی: Q-Learning
  • 65. الگوریتم‌های یادگیری تقویتی: Deep Q-Networks (DQN)
  • 66. الگوریتم‌های یادگیری تقویتی: Policy Gradients
  • 67. مقدمه‌ای بر یادگیری نیمه‌نظارت شده
  • 68. یادگیری خودنظارت شده
  • 69. یادگیری انتقالی (Transfer Learning)
  • 70. استفاده از مدل‌های از پیش آموزش دیده
  • 71. بهینه‌سازی مدل‌های یادگیری ماشین
  • 72. تنظیم ابرپارامترها با جستجوی شبکه‌ای
  • 73. تنظیم ابرپارامترها با بهینه‌سازی تصادفی
  • 74. یادگیری مجموعه (Ensemble Learning)
  • 75. دسته‌بندی‌کننده‌های تقویت شده
  • 76. دسته‌بندی‌کننده‌های Bagging
  • 77. دسته‌بندی‌کننده‌های Boosting
  • 78. مقدمه‌ای بر پردازش سیگنال
  • 79. تحلیل سری‌های زمانی
  • 80. پیش‌بینی سری‌های زمانی
  • 81. کاربرد یادگیری ماشین در تحلیل سری‌های زمانی
  • 82. مقدمه‌ای بر سیستم‌های توصیه‌گر
  • 83. فیلترینگ مبتنی بر محتوا
  • 84. فیلترینگ مشارکتی
  • 85. ترکیب روش‌ها در سیستم‌های توصیه‌گر
  • 86. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
  • 87. کاربرد GNN در تحلیل داده‌های شبکه‌ای
  • 88. مقدمه‌ای بر یادگیری توزیع شده
  • 89. چالش‌های یادگیری توزیع شده
  • 90. مقدمه‌ای بر یادگیری فدرال
  • 91. حفظ حریم خصوصی در یادگیری فدرال
  • 92. مقدمه‌ای بر هوش مصنوعی مولد
  • 93. مدل‌های زبانی بزرگ (LLMs)
  • 94. کاربرد LLMs در تولید محتوا
  • 95. مقدمه‌ای بر یادگیری تقویتی عمیق
  • 96. کاربرد RL عمیق در رباتیک
  • 97. مقدمه‌ای بر یادگیری تقویتی چندعاملی
  • 98. مقدمه‌ای بر اخلاق در هوش مصنوعی
  • 99. مسئولیت‌پذیری در هوش مصنوعی
  • 100. توسعه پایدار و هوش مصنوعی

📚 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.