سپنتا کتاب اکسپرس
کتاب طبقه‌بندی در یادگیری ماشین: مبانی و کاربردها

کتاب طبقه‌بندی در یادگیری ماشین: مبانی و 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 طبقه‌بندی در یادگیری ماشین: مبانی و کاربردها

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مبانی یادگیری ماشین
  • 2. مقدمه‌ای بر طبقه‌بندی
  • 3. اهمیت طبقه‌بندی در علوم کامپیوتر
  • 4. انواع مسائل طبقه‌بندی
  • 5. داده‌های آموزشی و آزمایشی
  • 6. پیش‌پردازش داده‌ها
  • 7. پاکسازی داده‌ها
  • 8. مقیاس‌بندی ویژگی‌ها
  • 9. رمزگذاری ویژگی‌های طبقه‌ای
  • 10. مدل‌های پایه طبقه‌بندی
  • 11. رگرسیون لجستیک
  • 12. مبانی رگرسیون لجستیک
  • 13. تابع سیگموئید
  • 14. تفسیر ضرایب رگرسیون لجستیک
  • 15. معیارهای ارزیابی طبقه‌بندی
  • 16. دقت (Accuracy)
  • 17. صحت (Precision)
  • 18. بازیابی (Recall)
  • 19. امتیاز F1
  • 20. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 21. منحنی ROC و AUC
  • 22. روش‌های اعتبارسنجی متقابل (Cross-Validation)
  • 23. K-Fold Cross-Validation
  • 24. Leave-One-Out Cross-Validation
  • 25. درخت‌های تصمیم
  • 26. ساختار درخت تصمیم
  • 27. قوانین طبقه‌بندی
  • 28. معیارهای تقسیم‌بندی
  • 29. آنتروپی و شاخص جینی
  • 30. تقلیم درختان تصمیم
  • 31. مزایا و معایب درختان تصمیم
  • 32. ماشین‌های بردار پشتیبان (SVM)
  • 33. مفهوم ابرصفحه جداکننده
  • 34. مرز تصمیم خطی
  • 35. مرز تصمیم غیرخطی
  • 36. هسته‌ها (Kernels) در SVM
  • 37. توابع هسته رایج
  • 38. تنظیم پارامترهای SVM
  • 39. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 40. مبانی شبکه‌های عصبی
  • 41. نورون مصنوعی
  • 42. تابع فعال‌سازی
  • 43. انتشار رو به جلو (Forward Propagation)
  • 44. انتشار رو به عقب (Backpropagation)
  • 45. آموزش شبکه‌های عصبی
  • 46. کاهش گرادیان (Gradient Descent)
  • 47. کلاسیک‌کننده‌های بیز
  • 48. قضیه بیز
  • 49. احتمال پسین (Posterior Probability)
  • 50. احتمال پیشین (Prior Probability)
  • 51. طبقه‌بندی کننده بیز ساده (Naive Bayes)
  • 52. کاربرد Naive Bayes در متن
  • 53. طبقه‌بندی کننده بیز گوسی
  • 54. روش‌های کاهش ابعاد
  • 55. تحلیل مولفه‌های اصلی (PCA)
  • 56. توزیع احتمالی داده‌ها
  • 57. کاربرد PCA در طبقه‌بندی
  • 58. نزدیک‌ترین همسایگان (k-NN)
  • 59. مفهوم فاصله
  • 60. انتخاب مقدار k
  • 61. مزایا و معایب k-NN
  • 62. تکنیک‌های جمع‌آوری (Ensemble Techniques)
  • 63. تقویت (Boosting)
  • 64. کاهش (Bagging)
  • 65. جنگل‌های تصادفی (Random Forests)
  • 66. مبانی Bagging
  • 67. مبانی Boosting
  • 68. ترکیب مدل‌ها
  • 69. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 70. شبکه‌های عصبی کانولوشنال (CNN)
  • 71. مبانی CNN
  • 72. لایه کانولوشن
  • 73. لایه تجمیع (Pooling Layer)
  • 74. کاربرد CNN در پردازش تصویر
  • 75. شبکه‌های عصبی بازگشتی (RNN)
  • 76. مبانی RNN
  • 77. حافظه در RNN
  • 78. کاربرد RNN در پردازش زبان طبیعی
  • 79. کاربردهای پیشرفته طبقه‌بندی
  • 80. تشخیص اسپم
  • 81. تشخیص تصویر
  • 82. تحلیل احساسات
  • 83. سیستم‌های توصیه‌گر
  • 84. طبقه‌بندی چندبرچسبی (Multi-label Classification)
  • 85. طبقه‌بندی نامتعادل (Imbalanced Classification)
  • 86. روش‌های مقابله با عدم توازن داده‌ها
  • 87. تولید داده‌های مصنوعی (SMOTE)
  • 88. طبقه‌بندی با داده‌های حجیم
  • 89. معماری‌های مدل‌های بزرگ
  • 90. یادگیری انتقالی (Transfer Learning)
  • 91. تنظیم دقیق مدل‌ها (Fine-tuning)
  • 92. اخلاق در یادگیری ماشین
  • 93. سوگیری در مدل‌ها
  • 94. شفافیت مدل‌ها
  • 95. حریم خصوصی داده‌ها
  • 96. ارزیابی عادلانه مدل‌ها
  • 97. ملاحظات پیاده‌سازی
  • 98. ابزارها و کتابخانه‌ها
  • 99. TensorFlow و Keras
  • 100. PyTorch

📚 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.