سپنتا کتاب اکسپرس
کتاب یادگیری ماشین در دنیای واقعی

کتاب یادگیری ماشین در دنیای واقعی

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 یادگیری ماشین در دنیای واقعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری ماشین (Machine Learning)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
  • 2. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
  • 3. مفاهیم پایه: داده، ویژگی، برچسب، نمونه
  • 4. پیش‌پردازش داده‌ها: پاک‌سازی، نرمال‌سازی، مقیاس‌بندی
  • 5. مهندسی ویژگی: انتخاب و ساخت ویژگی‌های مؤثر
  • 6. مدل‌های یادگیری نظارت‌شده: رگرسیون خطی
  • 7. مدل‌های یادگیری نظارت‌شده: رگرسیون لجستیک
  • 8. دسته‌بندی‌کننده‌ها: ماشین‌های بردار پشتیبان (SVM)
  • 9. دسته‌بندی‌کننده‌ها: درختان تصمیم
  • 10. دسته‌بندی‌کننده‌ها: جنگل‌های تصادفی
  • 11. دسته‌بندی‌کننده‌ها: الگوریتم K-نزدیک‌ترین همسایه (KNN)
  • 12. دسته‌بندی‌کننده‌ها: نایو بیز
  • 13. ارزیابی مدل‌های نظارت‌شده: معیارهای دقت، صحت، بازیابی
  • 14. ارزیابی مدل‌های نظارت‌شده: F1-Score و منحنی ROC
  • 15. تنظیم هایپرپارامترها: جستجوی شبکه‌ای و تصادفی
  • 16. مدل‌های یادگیری بدون نظارت: خوشه‌بندی K-Means
  • 17. مدل‌های یادگیری بدون نظارت: خوشه‌بندی سلسله‌مراتبی
  • 18. مدل‌های یادگیری بدون نظارت: تحلیل مؤلفه‌های اصلی (PCA)
  • 19. مدل‌های یادگیری بدون نظارت: کاهش ابعاد با t-SNE
  • 20. مدل‌های یادگیری تقویتی: مفاهیم اولیه (عامل، محیط، پاداش)
  • 21. مدل‌های یادگیری تقویتی: یادگیری ارزش (Value Learning)
  • 22. مدل‌های یادگیری تقویتی: یادگیری سیاست (Policy Learning)
  • 23. شبکه‌های عصبی مصنوعی: ساختار پایه (نورون، لایه)
  • 24. شبکه‌های عصبی عمیق: پرسپترون چندلایه
  • 25. توابع فعال‌سازی: ReLU، Sigmoid، Tanh
  • 26. آموزش شبکه‌های عصبی: پس‌انتشار خطا (Backpropagation)
  • 27. بهینه‌سازها: گرادیان کاهشی تصادفی (SGD)
  • 28. بهینه‌سازها: Adam، RMSprop
  • 29. شبکه‌های عصبی کانولوشنی (CNN): مفاهیم پایه
  • 30. کاربرد CNN در پردازش تصویر
  • 31. شبکه‌های عصبی بازگشتی (RNN): مفاهیم پایه
  • 32. کاربرد RNN در پردازش زبان طبیعی
  • 33. شبکه‌های عصبی حافظه طولانی کوتاه مدت (LSTM)
  • 34. شبکه‌های عصبی ترنسفورمر (Transformer)
  • 35. پردازش زبان طبیعی: توکنیزاسیون و نرمال‌سازی متن
  • 36. پردازش زبان طبیعی: جاسازی کلمات (Word Embeddings)
  • 37. پردازش زبان طبیعی: مدل‌های زبانی
  • 38. پردازش زبان طبیعی: تحلیل احساسات
  • 39. پردازش زبان طبیعی: خلاصه‌سازی متن
  • 40. پردازش زبان طبیعی: ترجمه ماشینی
  • 41. پردازش تصویر: تشخیص اشیاء
  • 42. پردازش تصویر: تقسیم‌بندی تصویر (Image Segmentation)
  • 43. پردازش تصویر: تولید تصویر (Image Generation)
  • 44. سیستم‌های توصیه‌گر: فیلترینگ مبتنی بر محتوا
  • 45. سیستم‌های توصیه‌گر: فیلترینگ مشارکتی
  • 46. سیستم‌های توصیه‌گر: روش‌های ترکیبی
  • 47. یادگیری نیمه‌نظارت‌شده
  • 48. یادگیری خودنظارت‌شده
  • 49. یادگیری انتقالی (Transfer Learning)
  • 50. یادگیری چندوظیفه‌ای (Multi-Task Learning)
  • 51. یادگیری فعال (Active Learning)
  • 52. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
  • 53. کاربردهای یادگیری ماشین در حوزه سلامت
  • 54. کاربردهای یادگیری ماشین در حوزه مالی و بانکی
  • 55. کاربردهای یادگیری ماشین در حوزه صنعت و تولید
  • 56. کاربردهای یادگیری ماشین در حوزه کشاورزی
  • 57. کاربردهای یادگیری ماشین در حوزه حمل و نقل
  • 58. کاربردهای یادگیری ماشین در حوزه آموزش
  • 59. اخلاق در هوش مصنوعی و یادگیری ماشین
  • 60. سوگیری در الگوریتم‌های یادگیری ماشین
  • 61. شفافیت و قابلیت تفسیر در مدل‌های یادگیری ماشین
  • 62. امنیت در سیستم‌های یادگیری ماشین
  • 63. حریم خصوصی در داده‌ها و مدل‌های یادگیری ماشین
  • 64. مدل‌های غیرخطی پیچیده
  • 65. مدل‌های جمعی (Ensemble Methods): Bagging
  • 66. مدل‌های جمعی: Boosting
  • 67. مدل‌های جمعی: Stacking
  • 68. تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
  • 69. مدیریت داده‌های نامتوازن (Imbalanced Data)
  • 70. تکنیک‌های نمونه‌برداری: Oversampling
  • 71. تکنیک‌های نمونه‌بندی: Undersampling
  • 72. مدل‌های تولیدی (Generative Models): مدل‌های گرافیکی
  • 73. مدل‌های تولیدی: مدل‌های مخفی مارکوف (HMM)
  • 74. مدل‌های تولیدی: شبکه‌های مولد تخاصمی (GAN)
  • 75. مدل‌های تولیدی: مدل‌های مبتنی بر واریانس (VAE)
  • 76. یادگیری ماشین روی داده‌های سری زمانی
  • 77. پیش‌بینی سری زمانی با مدل‌های آماری
  • 78. پیش‌بینی سری زمانی با شبکه‌های عصبی
  • 79. تحلیل شبکه‌های اجتماعی با یادگیری ماشین
  • 80. مدیریت داده‌های حجیم (Big Data) و یادگیری ماشین
  • 81. چارچوب‌های یادگیری ماشین: TensorFlow
  • 82. چارچوب‌های یادگیری ماشین: PyTorch
  • 83. چارچوب‌های یادگیری ماشین: Scikit-learn
  • 84. استقرار مدل‌های یادگیری ماشین (Model Deployment)
  • 85. پایش و نگهداری مدل‌ها در محیط عملیاتی
  • 86. مفاهیم اولیه آمار و احتمال برای یادگیری ماشین
  • 87. توزیع‌های احتمالاتی مهم
  • 88. تست فرضیه و مفاهیم آماری مرتبط
  • 89. آنالیز بقا (Survival Analysis)
  • 90. یادگیری ماشین و بهینه‌سازی در شبکه‌های هوشمند
  • 91. کاربرد یادگیری ماشین در رباتیک
  • 92. کاربرد یادگیری ماشین در سیستم‌های خودران
  • 93. یادگیری ماشین و هوش مصنوعی در بازی‌ها
  • 94. مفاهیم پیشرفته در شبکه‌های عصبی
  • 95. یادگیری ماشین برای داده‌های گرافی (Graph Machine Learning)
  • 96. تفسیرپذیری مدل‌های یادگیری ماشین: LIME
  • 97. تفسیرپذیری مدل‌های یادگیری ماشین: SHAP
  • 98. ملاحظات پیاده‌سازی و مقیاس‌پذیری در پروژه‌های بزرگ
  • 99. یادگیری ماشین در اقتصاد خرد و کلان
  • 100. مدل‌سازی پیش‌بینانه در کسب‌وکار

📚 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.