سپنتا کتاب اکسپرس
کتاب پیاده‌سازی الگوریتم‌های یادگیری ماشین با کتابخانه‌های پایتون

کتاب پیاده‌سازی الگوریتم‌های یادگیری ماشین با کتابخانه‌های 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 پیاده‌سازی الگوریتم‌های یادگیری ماشین با کتابخانه‌های پایتون

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

  • 1. مقدمه: علوم داده و یادگیری ماشین در ایران
  • 2. فصل ۱: مروری بر یادگیری ماشین و کاربردهای آن
  • 3. فصل ۲: نصب پایتون و کتابخانه‌های مورد نیاز
  • 4. فصل ۳: آشنایی با محیط توسعه (IDE)
  • 5. فصل ۴: مبانی زبان پایتون برای علوم داده
  • 6. فصل ۵: ساختارهای داده در پایتون (لیست‌ها، تاپل‌ها، دیکشنری‌ها)
  • 7. فصل ۶: عملیات پایه با NumPy
  • 8. فصل ۷: پردازش آرایه‌های NumPy
  • 9. فصل ۸: مقدمه‌ای بر Pandas
  • 10. فصل ۹: کار با DataFrame در Pandas
  • 11. فصل ۱۰: خواندن و نوشتن داده‌ها (CSV, Excel)
  • 12. فصل ۱۱: پاکسازی و پیش‌پردازش داده‌ها
  • 13. فصل ۱۲: مدیریت داده‌های گمشده
  • 14. فصل ۱۳: تبدیل داده‌ها
  • 15. فصل ۱۴: انواع داده‌های دسته‌ای
  • 16. فصل ۱۵: آشنایی با Scikit-learn
  • 17. فصل ۱۶: مفاهیم پایه یادگیری ماشین
  • 18. فصل ۱۷: انواع یادگیری ماشین (نظارت شده، بدون نظارت)
  • 19. فصل ۱۸: ارزیابی مدل‌ها (تابع خطا)
  • 20. فصل ۱۹: تقسیم داده‌ها (آموزش، آزمون)
  • 21. فصل ۲۰: رگرسیون خطی
  • 22. فصل ۲۱: ارزیابی مدل‌های رگرسیون
  • 23. فصل ۲۲: رگرسیون چندجمله‌ای
  • 24. فصل ۲۳: رگرسیون منظم (Ridge, Lasso)
  • 25. فصل ۲۴: دسته‌بندی (Classification)
  • 26. فصل ۲۵: رگرسیون لجستیک
  • 27. فصل ۲۶: ارزیابی مدل‌های دسته‌بندی
  • 28. فصل ۲۷: ماشین‌های بردار پشتیبان (SVM)
  • 29. فصل ۲۸: هسته‌های SVM
  • 30. فصل ۲۹: درخت‌های تصمیم
  • 31. فصل ۳۰: ارزیابی درخت‌های تصمیم
  • 32. فصل ۳۱: جنگل‌های تصادفی
  • 33. فصل ۳۲: تقویت گرادیان (Gradient Boosting)
  • 34. فصل ۳۳: مدل‌های تقویت گرادیان (XGBoost, LightGBM)
  • 35. فصل ۳۴: یادگیری بدون نظارت
  • 36. فصل ۳۵: خوشه‌بندی (Clustering)
  • 37. فصل ۳۶: الگوریتم K-Means
  • 38. فصل ۳۷: ارزیابی خوشه‌بندی
  • 39. فصل ۳۸: خوشه‌بندی سلسله مراتبی
  • 40. فصل ۳۹: تشخیص ناهنجاری (Anomaly Detection)
  • 41. فصل ۴۰: روش‌های تشخیص ناهنجاری
  • 42. فصل ۴۱: کاهش ابعاد (Dimensionality Reduction)
  • 43. فصل ۴۲: تحلیل مولفه‌های اصلی (PCA)
  • 44. فصل ۴۳: کاربردهای PCA
  • 45. فصل ۴۴: انتخاب ویژگی (Feature Selection)
  • 46. فصل ۴۵: روش‌های مبتنی بر فیلتر
  • 47. فصل ۴۶: روش‌های مبتنی بر Wrapper
  • 48. فصل ۴۷: روش‌های مبتنی بر Embedded
  • 49. فصل ۴۸: مهندسی ویژگی (Feature Engineering)
  • 50. فصل ۴۹: ساخت ویژگی‌های جدید
  • 51. فصل ۵۰: تبدیل ویژگی‌های دسته‌ای
  • 52. فصل ۵۱: پیش‌بینی سری‌های زمانی (مقدماتی)
  • 53. فصل ۵۲: مدل‌های ساده سری زمانی
  • 54. فصل ۵۳: مقدمه‌ای بر شبکه‌های عصبی
  • 55. فصل ۵۴: پرسپترون چندلایه
  • 56. فصل ۵۵: توابع فعال‌سازی
  • 57. فصل ۵۶: پس‌انتشار خطا (Backpropagation)
  • 58. فصل ۵۷: بهینه‌سازی شبکه‌های عصبی
  • 59. فصل ۵۸: رگولاریزاسیون در شبکه‌های عصبی
  • 60. فصل ۵۹: شبکه‌های عصبی کانولوشنال (CNN)
  • 61. فصل ۶۰: معماری‌های CNN
  • 62. فصل ۶۱: کاربردهای CNN در بینایی ماشین
  • 63. فصل ۶۲: شبکه‌های عصبی بازگشتی (RNN)
  • 64. فصل ۶۳: انواع RNN
  • 65. فصل ۶۴: کاربردهای RNN در پردازش زبان طبیعی
  • 66. فصل ۶۵: شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
  • 67. فصل ۶۶: شبکه‌های حافظه کوتاه‌مدت (GRU)
  • 68. فصل ۶۷: پردازش زبان طبیعی (NLP) مقدماتی
  • 69. فصل ۶۸: پیش‌پردازش متن
  • 70. فصل ۶۹: مدل‌سازی موضوعی (Topic Modeling)
  • 71. فصل ۷۰: تحلیل احساسات (Sentiment Analysis)
  • 72. فصل ۷۱: یادگیری تقویتی (Reinforcement Learning) مقدماتی
  • 73. فصل ۷۲: مفاهیم پایه یادگیری تقویتی
  • 74. فصل ۷۳: الگوریتم‌های Q-Learning
  • 75. فصل ۷۴: الگوریتم‌های Policy Gradients
  • 76. فصل ۷۵: اخلاق در هوش مصنوعی و علوم داده
  • 77. فصل ۷۶: سوگیری در داده‌ها و مدل‌ها
  • 78. فصل ۷۷: شفافیت و قابلیت توضیح‌پذیری مدل‌ها
  • 79. فصل ۷۸: حفظ حریم خصوصی داده‌ها
  • 80. فصل ۷۹: کاربردهای یادگیری ماشین در صنایع ایران
  • 81. فصل ۸۰: هوش مصنوعی در اقتصاد و بانکداری اسلامی
  • 82. فصل ۸۱: کاربردهای هوش مصنوعی در کشاورزی
  • 83. فصل ۸۲: هوش مصنوعی در بهداشت و درمان
  • 84. فصل ۸۳: هوش مصنوعی در حمل و نقل
  • 85. فصل ۸۴: مقدمه‌ای بر یادگیری عمیق (Deep Learning)
  • 86. فصل ۸۵: فریم‌ورک‌های یادگیری عمیق (TensorFlow, Keras)
  • 87. فصل ۸۶: ساخت مدل‌های یادگیری عمیق با Keras
  • 88. فصل ۸۷: آموزش مدل‌های یادگیری عمیق
  • 89. فصل ۸۸: تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 90. فصل ۸۹: اعتبارسنجی متقابل (Cross-Validation)
  • 91. فصل ۹۰: یادگیری انتقالی (Transfer Learning)
  • 92. فصل ۹۱: شبکه‌های مولد تخاصمی (GANs)
  • 93. فصل ۹۲: کاربردهای GANs
  • 94. فصل ۹۳: پردازش گراف (Graph Processing) مقدماتی
  • 95. فصل ۹۴: شبکه‌های عصبی گراف (GNNs)
  • 96. فصل ۹۵: کاربردهای GNNs
  • 97. فصل ۹۶: مدل‌های زبانی بزرگ (LLMs) مقدماتی
  • 98. فصل ۹۷: معماری ترنسفورمر
  • 99. فصل ۹۸: کاربردهای مدل‌های زبانی بزرگ
  • 100. فصل ۹۹: پیاده‌سازی پروژه‌های کاربردی یادگیری ماشین

📚 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.