سپنتا کتاب اکسپرس
کتاب یادگیری عمیق کاربردی با پایتون و PyTorch

کتاب یادگیری عمیق کاربردی با پایتون و PyTorch

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 یادگیری عمیق کاربردی با پایتون و PyTorch

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق با پایتون

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری عمیق و یادگیری ماشین
  • 2. کاربردها و پتانسیل‌های یادگیری عمیق
  • 3. چرا پایتون برای یادگیری عمیق؟
  • 4. محیط توسعه و ابزارهای پایتون
  • 5. نصب و راه‌اندازی PyTorch
  • 6. ساختار کلی شبکه‌های عصبی
  • 7. مفهوم نورون و لایه‌ها
  • 8. توابع فعال‌سازی و اهمیت آن‌ها
  • 9. انتشار رو به جلو (Forward Propagation)
  • 10. انتشار رو به عقب (Backpropagation)
  • 11. تابع هزینه (Loss Function) و بهینه‌سازی
  • 12. بهینه‌سازها (Optimizers): گرادیان کاهشی
  • 13. انواع گرادیان کاهشی: دسته‌ای، تصادفی، مینی‌بچ
  • 14. تنظیم نرخ یادگیری (Learning Rate)
  • 15. تنظیمات اولیه (Initialization) وزن‌ها
  • 16. منظم‌سازی (Regularization) برای جلوگیری از بیش‌برازش
  • 17. انواع منظم‌سازی: L1 و L2
  • 18. تکنیک Dropout
  • 19. مدل‌های پیش‌خور (Feedforward Networks)
  • 20. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 21. ساخت اولین مدل MLP با PyTorch
  • 22. آموزش مدل MLP بر روی داده‌های طبقه‌بندی
  • 23. ارزیابی عملکرد مدل MLP
  • 24. کاربرد MLP در مسائل رگرسیون
  • 25. شبکه‌های عصبی کانولوشنال (CNN)
  • 26. مفهوم کانولوشن و فیلترها
  • 27. لایه‌های کانولوشن و پولینگ
  • 28. معماری‌های معروف CNN (مانند LeNet)
  • 29. ساخت مدل CNN با PyTorch
  • 30. آموزش مدل CNN برای تشخیص تصویر
  • 31. افزایش دقت مدل CNN
  • 32. شبکه‌های عصبی بازگشتی (RNN)
  • 33. مفهوم حافظه و حالت پنهان در RNN
  • 34. انواع RNN: Simple RNN، LSTM، GRU
  • 35. کاربرد RNN در پردازش زبان طبیعی (NLP)
  • 36. ساخت مدل RNN با PyTorch
  • 37. آموزش مدل RNN برای پیش‌بینی سری زمانی
  • 38. کاربرد LSTM در پردازش متن
  • 39. کاربرد GRU در مدل‌سازی دنباله‌ها
  • 40. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 41. نمایش کلمات: Word Embeddings
  • 42. تکنیک‌های Word2Vec (Skip-gram, CBOW)
  • 43. استفاده از GloVe و FastText
  • 44. آموزش مدل‌های NLP با PyTorch
  • 45. ساخت مدل طبقه‌بندی متن
  • 46. مدل‌های تولید متن
  • 47. استفاده از ترنسفورمرها (Transformers)
  • 48. مفهوم Attention Mechanism
  • 49. معماری ترنسفورمر (Encoder-Decoder)
  • 50. مدل‌های از پیش آموزش‌دیده (مانند BERT)
  • 51. تنظیم دقیق (Fine-tuning) مدل‌های ترنسفورمر
  • 52. کاربرد ترنسفورمرها در ترجمه ماشینی
  • 53. کاربرد ترنسفورمرها در خلاصه‌سازی متن
  • 54. یادگیری انتقالی (Transfer Learning)
  • 55. مفهوم مدل‌های از پیش آموزش‌دیده
  • 56. استفاده از مدل‌های CNN از پیش آموزش‌دیده
  • 57. استفاده از مدل‌های NLP از پیش آموزش‌دیده
  • 58. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
  • 59. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
  • 60. مفاهیم عامل، محیط، پاداش
  • 61. سیاست‌ها و توابع ارزش
  • 62. الگوریتم‌های Q-Learning
  • 63. الگوریتم Deep Q-Network (DQN)
  • 64. پیاده‌سازی DQN با PyTorch
  • 65. کاربرد یادگیری تقویتی در رباتیک
  • 66. کاربرد یادگیری تقویتی در بازی‌ها
  • 67. مقدمه‌ای بر مدل‌های مولد (Generative Models)
  • 68. شبکه‌های مولد تخاصمی (GANs)
  • 69. معماری Generator و Discriminator
  • 70. آموزش GANs
  • 71. کاربرد GANs در تولید تصویر
  • 72. مدل‌های انتشار (Diffusion Models)
  • 73. معماری مدل‌های انتشار
  • 74. کاربرد مدل‌های انتشار در تولید تصویر
  • 75. مقدمه‌ای بر یادگیری خودنظارت (Self-Supervised Learning)
  • 76. تکنیک‌های Contrastive Learning
  • 77. کاربرد یادگیری خودنظارت در بینایی ماشین
  • 78. کاربرد یادگیری خودنظارت در NLP
  • 79. مقدمه‌ای بر یادگیری نیمه‌نظارت (Semi-Supervised Learning)
  • 80. تکنیک‌های رایج در یادگیری نیمه‌نظارت
  • 81. کاربرد یادگیری نیمه‌نظارت
  • 82. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
  • 83. مفاهیم و چالش‌های یادگیری فدرال
  • 84. کاربرد یادگیری فدرال در حفظ حریم خصوصی
  • 85. بهینه‌سازی و مقیاس‌پذیری مدل‌ها
  • 86. ابزارهای مانیتورینگ و لاگ‌برداری
  • 87. استفاده از GPU برای تسریع آموزش
  • 88. توزیع آموزش بر روی چندین GPU
  • 89. مقدمه‌ای بر مدل‌های قابل تفسیر (Explainable AI - XAI)
  • 90. تکنیک‌های XAI برای شبکه‌های عصبی
  • 91. کاربرد XAI در درک تصمیمات مدل
  • 92. اخلاق در هوش مصنوعی و یادگیری عمیق
  • 93. مسائل مربوط به سوگیری (Bias) در داده‌ها
  • 94. مسئولیت‌پذیری در توسعه هوش مصنوعی
  • 95. نکات پیشرفته در PyTorch
  • 96. مدیریت داده‌ها با `torch.utils.data`
  • 97. ساخت DataLoader سفارشی
  • 98. تکنیک‌های پیشرفته تنظیم نرخ یادگیری
  • 99. استفاده از ابزارهای Visualize (مانند TensorBoard)
  • 100. آینده یادگیری عمیق و 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.