سپنتا کتاب اکسپرس
کتاب مقدمه‌ای جامع بر کتابخانه Scikit-learn برای یادگیری ماشین در پایتون

کتاب مقدمه‌ای جامع بر کتابخانه Scikit-learn برای یادگیری ماشین در 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 مقدمه‌ای جامع بر کتابخانه Scikit-learn برای یادگیری ماشین در پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

  • 1. آشنایی با هوش مصنوعی و یادگیری ماشین
  • 2. مقدمه‌ای بر پایتون برای علم داده
  • 3. نصب و راه‌اندازی محیط توسعه پایتون
  • 4. مبانی کتابخانه NumPy برای محاسبات عددی
  • 5. مبانی کتابخانه Pandas برای تحلیل داده
  • 6. مبانی کتابخانه Matplotlib برای بصری‌سازی داده
  • 7. مقدمه‌ای بر کتابخانه Scikit-learn
  • 8. انواع وظایف یادگیری ماشین
  • 9. یادگیری نظارت‌شده و بدون نظارت
  • 10. مجموعه داده‌ها و تقسیم‌بندی آن‌ها
  • 11. پیش‌پردازش داده‌ها: پاک‌سازی داده‌های گم‌شده
  • 12. پیش‌پردازش داده‌ها: مقیاس‌بندی ویژگی‌ها
  • 13. پیش‌پردازش داده‌ها: کدگذاری متغیرهای طبقه‌ای
  • 14. مدل‌های یادگیری ماشین: رگرسیون خطی
  • 15. ارزیابی مدل‌های رگرسیون: خطای میانگین مربعات
  • 16. ارزیابی مدل‌های رگرسیون: ضریب تعیین
  • 17. مدل‌های یادگیری ماشین: رگرسیون لجستیک
  • 18. ارزیابی مدل‌های طبقه‌بندی: ماتریس درهم‌ریختگی
  • 19. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت و بازیابی
  • 20. ارزیابی مدل‌های طبقه‌بندی: امتیاز F1
  • 21. مدل‌های یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
  • 22. تنظیم ابرپارامترها در SVM
  • 23. مدل‌های یادگیری ماشین: درختان تصمیم
  • 24. تنظیم ابرپارامترها در درختان تصمیم
  • 25. مدل‌های یادگیری ماشین: جنگل‌های تصادفی
  • 26. تنظیم ابرپارامترها در جنگل‌های تصادفی
  • 27. مدل‌های یادگیری ماشین: تقویت گرادیان (Gradient Boosting)
  • 28. تنظیم ابرپارامترها در تقویت گرادیان
  • 29. مدل‌های یادگیری ماشین: K-نزدیک‌ترین همسایگان (KNN)
  • 30. تنظیم ابرپارامترها در KNN
  • 31. مدل‌های یادگیری ماشین: خوشه‌بندی K-Means
  • 32. ارزیابی مدل‌های خوشه‌بندی: شاخص سیلوئت
  • 33. مدل‌های یادگیری ماشین: خوشه‌بندی سلسله‌مراتبی
  • 34. مدل‌های یادگیری ماشین: تحلیل مولفه اصلی (PCA)
  • 35. کاهش ابعاد با PCA
  • 36. مدل‌های یادگیری ماشین: تحلیل تشخیص خطی (LDA)
  • 37. یادگیری عمیق: مقدمه‌ای بر شبکه‌های عصبی
  • 38. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 39. آموزش شبکه‌های عصبی با Scikit-learn
  • 40. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 41. کار با متن در Scikit-learn
  • 42. بردارسازی متن: کیس کلمات (Bag-of-Words)
  • 43. بردارسازی متن: TF-IDF
  • 44. مدل‌های NLP: طبقه‌بندی متن
  • 45. مدل‌های NLP: خوشه‌بندی متن
  • 46. مدل‌های یادگیری ماشین برای پیش‌بینی سری‌های زمانی
  • 47. مقدمه‌ای بر یادگیری تقویتی
  • 48. مفاهیم اساسی یادگیری تقویتی
  • 49. کاربرد یادگیری تقویتی در رباتیک
  • 50. کاربرد یادگیری تقویتی در بازی‌ها
  • 51. مقدمه‌ای بر یادگیری نیمه‌نظارت‌شده
  • 52. مقدمه‌ای بر یادگیری انتقالی
  • 53. تنظیم مدل‌ها: اعتبارسنجی متقابل
  • 54. تنظیم مدل‌ها: جستجوی شبکه‌ای (Grid Search)
  • 55. تنظیم مدل‌ها: جستجوی تصادفی (Random Search)
  • 56. تشخیص ناهنجاری با Scikit-learn
  • 57. مقدمه‌ای بر سیستم‌های توصیه‌گر
  • 58. فیلترینگ مشارکتی در سیستم‌های توصیه‌گر
  • 59. فیلترینگ مبتنی بر محتوا در سیستم‌های توصیه‌گر
  • 60. ارزیابی سیستم‌های توصیه‌گر
  • 61. ملاحظات اخلاقی در یادگیری ماشین
  • 62. حریم خصوصی داده‌ها در یادگیری ماشین
  • 63. سوگیری در الگوریتم‌های یادگیری ماشین
  • 64. تفسیرپذیری مدل‌های یادگیری ماشین
  • 65. روش‌های تفسیرپذیری: LIME
  • 66. روش‌های تفسیرپذیری: SHAP
  • 67. یادگیری ماشین در عمل: پروژه‌های کاربردی
  • 68. تحلیل احساسات با یادگیری ماشین
  • 69. پیش‌بینی قیمت مسکن
  • 70. تشخیص اسپم در ایمیل‌ها
  • 71. تشخیص تصویر با Scikit-learn (مقدماتی)
  • 72. یادگیری ماشین برای تشخیص ناهنجاری در داده‌های صنعتی
  • 73. یادگیری ماشین برای بهینه‌سازی فرآیندها
  • 74. یادگیری ماشین در حوزه بهداشت و درمان
  • 75. یادگیری ماشین در حوزه مالی
  • 76. یادگیری ماشین در حوزه بازاریابی
  • 77. ساخت پایپ‌لاین در Scikit-learn
  • 78. استقرار مدل‌های یادگیری ماشین
  • 79. مقدمه‌ای بر MLOps (عملیات یادگیری ماشین)
  • 80. مبانی محاسبات ابری برای یادگیری ماشین
  • 81. استفاده از Docker برای استقرار مدل
  • 82. مقدمه‌ای بر فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
  • 83. مقایسه Scikit-learn با فریم‌ورک‌های یادگیری عمیق
  • 84. آینده یادگیری ماشین
  • 85. یادگیری ماشین قابل اعتماد
  • 86. یادگیری ماشین سبز (Green AI)
  • 87. تکنیک‌های پیشرفته پیش‌پردازش داده
  • 88. روش‌های نوین انتخاب ویژگی
  • 89. مدل‌های ترکیبی (Ensemble Methods) پیشرفته
  • 90. یادگیری ماشین توزیع‌شده
  • 91. امنیت در یادگیری ماشین
  • 92. یادگیری ماشین و داده‌های حجیم (Big Data)
  • 93. کاربرد Scikit-learn در پروژه‌های واقعی
  • 94. نکات تکمیلی و بهترین شیوه‌ها
  • 95. منابع تکمیلی برای 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.