سپنتا کتاب اکسپرس
کتاب مبانی یادگیری ماشین: از مفاهیم تا کاربردها

کتاب مبانی یادگیری ماشین: از مفاهیم تا کاربردها

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 یادگیری ماشین: از مفاهیم تا کاربردها

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: مبانی یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
  • 2. تعریف یادگیری ماشین و زیرشاخه‌های آن
  • 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
  • 4. مفاهیم پایه در یادگیری ماشین
  • 5. داده‌ها و پیش‌پردازش داده‌ها
  • 6. مجموعه داده‌های آموزشی، اعتبارسنجی و آزمون
  • 7. ویژگی‌ها و مهندسی ویژگی
  • 8. نرمال‌سازی و مقیاس‌بندی داده‌ها
  • 9. مدل‌های خطی در یادگیری ماشین
  • 10. رگرسیون خطی ساده
  • 11. رگرسیون خطی چندگانه
  • 12. ارزیابی مدل‌های رگرسیون
  • 13. معرفی طبقه‌بندی‌کننده‌ها
  • 14. رگرسیون لجستیک
  • 15. طبقه‌بندی‌کننده‌های بیز ساده
  • 16. ماشین‌های بردار پشتیبان (SVM)
  • 17. معیارهای ارزیابی مدل‌های طبقه‌بندی
  • 18. مقدمه‌ای بر درخت‌های تصمیم
  • 19. ساخت درخت تصمیم
  • 20. هرس کردن درخت تصمیم
  • 21. جنگل‌های تصادفی
  • 22. دسته‌بندی‌کننده‌های تقویت گرادیان
  • 23. معرفی یادگیری بدون نظارت
  • 24. خوشه‌بندی
  • 25. الگوریتم K-Means
  • 26. خوشه‌بندی سلسله مراتبی
  • 27. ارزیابی خوشه‌بندی
  • 28. کاهش ابعاد
  • 29. تحلیل مولفه‌های اصلی (PCA)
  • 30. نکاتی درباره PCA
  • 31. تکنیک‌های کاهش ابعاد دیگر
  • 32. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
  • 33. نورون مصنوعی
  • 34. توابع فعال‌سازی
  • 35. معماری شبکه‌های عصبی پیشخور
  • 36. پس‌انتشار خطا (Backpropagation)
  • 37. آموزش شبکه‌های عصبی
  • 38. بهینه‌سازی در شبکه‌های عصبی
  • 39. بهینه‌سازهای رایج
  • 40. تنظیم نرخ یادگیری
  • 41. مقدمه‌ای بر یادگیری عمیق
  • 42. شبکه‌های عصبی کانولوشنی (CNN)
  • 43. کاربرد CNN در بینایی ماشین
  • 44. شبکه‌های عصبی بازگشتی (RNN)
  • 45. کاربرد RNN در پردازش زبان طبیعی
  • 46. حافظه طولانی کوتاه مدت (LSTM)
  • 47. واحد بازگشتی دروازه‌ای (GRU)
  • 48. معرفی مدل‌های ترنسفورمر
  • 49. کاربرد ترنسفورمرها
  • 50. مقدمه‌ای بر یادگیری تقویتی
  • 51. مفهوم عامل و محیط
  • 52. پاداش و جریمه
  • 53. یادگیری سیاست
  • 54. یادگیری ارزش
  • 55. الگوریتم Q-learning
  • 56. مقدمه‌ای بر یادگیری ماشین در عمل
  • 57. انتخاب مدل مناسب
  • 58. تنظیم ابرپارامترها
  • 59. اعتبارسنجی متقابل
  • 60. مدیریت بیش‌برازش و کم‌برازش
  • 61. تکنیک‌های منظم‌سازی
  • 62. L1 و L2 منظم‌سازی
  • 63. Dropout
  • 64. مقدمه‌ای بر کاربردهای یادگیری ماشین
  • 65. کاربرد در پردازش تصویر
  • 66. کاربرد در پردازش زبان طبیعی
  • 67. کاربرد در تحلیل داده‌های مالی
  • 68. کاربرد در سیستم‌های توصیه‌گر
  • 69. کاربرد در تشخیص پزشکی
  • 70. ملاحظات اخلاقی در یادگیری ماشین
  • 71. حریم خصوصی داده‌ها
  • 72. سوگیری در الگوریتم‌ها
  • 73. مسئولیت‌پذیری مدل‌ها
  • 74. مقدمه‌ای بر یادگیری ماشین توزیع‌شده
  • 75. چالش‌های یادگیری ماشین در مقیاس بزرگ
  • 76. روش‌های یادگیری ماشین توزیع‌شده
  • 77. ملاحظات امنیتی در یادگیری ماشین
  • 78. امنیت داده‌ها در فرآیند آموزش
  • 79. حملات متقابل و دفاع
  • 80. مقدمه‌ای بر یادگیری ماشینی قابل تفسیر (XAI)
  • 81. اهمیت تفسیرپذیری مدل‌ها
  • 82. روش‌های XAI
  • 83. کاربرد XAI در حوزه‌های مختلف
  • 84. مباحث پیشرفته در یادگیری ماشین
  • 85. یادگیری انتقالی (Transfer Learning)
  • 86. یادگیری چندوظیفه‌ای (Multi-task Learning)
  • 87. یادگیری تقویتی عمیق (Deep RL)
  • 88. یادگیری خودنظارتی (Self-Supervised Learning)
  • 89. یادگیری فدرال (Federated Learning)
  • 90. مقدمه‌ای بر کاربردهای هوش مصنوعی در کسب‌وکار
  • 91. تحلیل داده‌های بازار
  • 92. بهینه‌سازی فرآیندهای تولید
  • 93. خدمات مشتری هوشمند
  • 94. مدیریت ریسک
  • 95. پیش‌بینی تقاضا
  • 96. مقدمه‌ای بر توسعه پایدار و هوش مصنوعی
  • 97. نقش هوش مصنوعی در دستیابی به اهداف توسعه پایدار
  • 98. کاربرد هوش مصنوعی در محیط زیست
  • 99. کاربرد هوش مصنوعی در سلامت و رفاه
  • 100. کاربرد هوش مصنوعی در آموزش

📚 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.