سپنتا کتاب اکسپرس
کتاب طبقه‌بندی داده‌ها با Scikit-Learn

کتاب طبقه‌بندی داده‌ها با Scikit-Learn

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 طبقه‌بندی داده‌ها با Scikit-Learn

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین کاربردی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر طبقه‌بندی داده‌ها
  • 2. مفاهیم پایه یادگیری ماشین
  • 3. انواع مسائل طبقه‌بندی
  • 4. معرفی Scikit-Learn
  • 5. نصب و راه‌اندازی Scikit-Learn
  • 6. مجموعه داده‌های نمونه
  • 7. پیش‌پردازش داده‌ها: پاکسازی
  • 8. پیش‌پردازش داده‌ها: مقیاس‌بندی
  • 9. پیش‌پردازش داده‌ها: کدگذاری متغیرهای دسته‌ای
  • 10. تقسیم داده‌ها به مجموعه آموزش و آزمون
  • 11. معیارهای ارزیابی مدل‌های طبقه‌بندی
  • 12. دقت (Accuracy)
  • 13. صحت (Precision)
  • 14. بازیابی (Recall)
  • 15. امتیاز F1
  • 16. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 17. مدل رگرسیون لجستیک (Logistic Regression)
  • 18. تنظیم هایپرپارامترهای رگرسیون لجستیک
  • 19. مدل ماشین بردار پشتیبان (Support Vector Machine - SVM)
  • 20. انواع کرنل در SVM
  • 21. تنظیم هایپرپارامترهای SVM
  • 22. مدل درخت تصمیم (Decision Tree)
  • 23. تنظیم هایپرپارامترهای درخت تصمیم
  • 24. مدل جنگل تصادفی (Random Forest)
  • 25. تنظیم هایپرپارامترهای جنگل تصادفی
  • 26. مدل تقویت گرادیان (Gradient Boosting)
  • 27. تنظیم هایپرپارامترهای تقویت گرادیان
  • 28. مدل K-نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
  • 29. تنظیم هایپرپارامترهای KNN
  • 30. مدل طبقه‌بندی بیز ساده (Naive Bayes Classifier)
  • 31. انواع Naive Bayes
  • 32. مدل شبکه‌های عصبی (Neural Networks)
  • 33. مقدمه‌ای بر طبقه‌بندی با شبکه‌های عصبی
  • 34. آموزش مدل‌های طبقه‌بندی
  • 35. اعتبارسنجی متقابل (Cross-Validation)
  • 36. تنظیم هایپرپارامترها با جستجوی شبکه‌ای (Grid Search)
  • 37. تنظیم هایپرپارامترها با جستجوی تصادفی (Random Search)
  • 38. انتخاب بهترین مدل
  • 39. مدیریت داده‌های نامتوازن (Imbalanced Data)
  • 40. تکنیک‌های نمونه‌برداری داده‌های نامتوازن
  • 41. بازنمایی داده‌ها (Feature Engineering)
  • 42. شناسایی ویژگی‌های مهم
  • 43. کاهش ابعاد داده‌ها (Dimensionality Reduction)
  • 44. تحلیل مولفه‌های اصلی (PCA)
  • 45. تحلیل تفکیک‌کننده خطی (LDA)
  • 46. کاربرد طبقه‌بندی در تشخیص اسپم
  • 47. کاربرد طبقه‌بندی در تشخیص بیماری
  • 48. کاربرد طبقه‌بندی در تحلیل احساسات
  • 49. کاربرد طبقه‌بندی در تشخیص تقلب
  • 50. کاربرد طبقه‌بندی در پیش‌بینی ریزش مشتری
  • 51. مقدمه‌ای بر تفسیرپذیری مدل‌ها (Model Interpretability)
  • 52. تفسیر مدل‌های خطی
  • 53. تفسیر مدل‌های درختی
  • 54. تفسیر مدل‌های مبتنی بر SVM
  • 55. تفسیر مدل‌های مبتنی بر شبکه‌های عصبی
  • 56. تکنیک‌های LIME و SHAP
  • 57. پیاده‌سازی عملی طبقه‌بندی با Scikit-Learn
  • 58. مثال ۱: طبقه‌بندی گل زنبق (Iris Dataset)
  • 59. مثال ۲: طبقه‌بندی سرطان پستان (Breast Cancer Dataset)
  • 60. مثال ۳: طبقه‌بندی ایمیل اسپم
  • 61. مثال ۴: طبقه‌بندی تصاویر (با استفاده از ویژگی‌های استخراج شده)
  • 62. کاربرد داده‌کاوی در طبقه‌بندی
  • 63. اصول اخلاقی در استفاده از هوش مصنوعی
  • 64. حریم خصوصی داده‌ها در طبقه‌بندی
  • 65. امنیت مدل‌های طبقه‌بندی
  • 66. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
  • 67. شبکه‌های عصبی کانولوشنی (CNN) برای طبقه‌بندی تصاویر
  • 68. شبکه‌های عصبی بازگشتی (RNN) برای طبقه‌بندی متن
  • 69. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 70. طبقه‌بندی متن با استفاده از Scikit-Learn
  • 71. بردارهای کلمه (Word Embeddings)
  • 72. تکنیک‌های TF-IDF
  • 73. مقدمه‌ای بر طبقه‌بندی چندبرچسبی (Multi-label Classification)
  • 74. پیاده‌سازی طبقه‌بندی چندبرچسبی
  • 75. مقدمه‌ای بر یادگیری فعال (Active Learning)
  • 76. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
  • 77. کاربرد یادگیری انتقالی در طبقه‌بندی
  • 78. مقدمه‌ای بر مدل‌های مولد (Generative Models)
  • 79. کاربرد مدل‌های مولد در طبقه‌بندی
  • 80. ملاحظات عملی در استقرار مدل‌های طبقه‌بندی
  • 81. نظارت بر عملکرد مدل در طول زمان
  • 82. به‌روزرسانی مدل‌های طبقه‌بندی
  • 83. مقایسه الگوریتم‌های مختلف طبقه‌بندی
  • 84. نکات پیشرفته در تنظیم هایپرپارامترها
  • 85. روش‌های جلوگیری از بیش‌برازش (Overfitting)
  • 86. روش‌های جلوگیری از کم‌برازش (Underfitting)
  • 87. اهمیت انتخاب صحیح ویژگی‌ها
  • 88. مبانی آماری در یادگیری ماشین
  • 89. مقدمه‌ای بر تئوری اطلاعات
  • 90. کاربرد تئوری اطلاعات در انتخاب ویژگی
  • 91. بررسی مطالعات موردی پیشرفته
  • 92. آینده طبقه‌بندی داده‌ها
  • 93. جمع‌بندی و مسیرهای یادگیری بیشتر
  • 94. مرور مفاهیم کلیدی
  • 95. تمرین‌های عملی پایانی

📚 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.