سپنتا کتاب اکسپرس
کتاب مقدمه‌ای بر یادگیری ماشین با پایتون برای مبتدیان

کتاب مقدمه‌ای بر یادگیری ماشین با پایتون برای مبتدیان

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 بر یادگیری ماشین با پایتون برای مبتدیان

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
  • 2. مبانی برنامه‌نویسی با پایتون
  • 3. ساختار داده‌ها در پایتون
  • 4. الگوریتم‌های پایه
  • 5. مفاهیم اولیه یادگیری ماشین
  • 6. انواع یادگیری ماشین
  • 7. یادگیری نظارت‌شده
  • 8. یادگیری نظارت‌نشده
  • 9. یادگیری تقویتی
  • 10. پیش‌پردازش داده‌ها
  • 11. پاک‌سازی داده‌ها
  • 12. مقیاس‌بندی ویژگی‌ها
  • 13. انتخاب ویژگی
  • 14. مدل‌های رگرسیون خطی
  • 15. رگرسیون لجستیک
  • 16. درخت‌های تصمیم
  • 17. جنگل‌های تصادفی
  • 18. ماشین‌های بردار پشتیبان (SVM)
  • 19. دسته‌بندی‌کننده‌های بیز ساده
  • 20. مدل‌های خوشه‌بندی
  • 21. الگوریتم K-Means
  • 22. خوشه‌بندی سلسله‌مراتبی
  • 23. تحلیل مؤلفه‌های اصلی (PCA)
  • 24. کاهش ابعاد
  • 25. ارزیابی مدل‌ها
  • 26. معیارهای ارزیابی رگرسیون
  • 27. معیارهای ارزیابی دسته‌بندی
  • 28. اعتبارسنجی متقابل
  • 29. تنظیم ابرپارامترها
  • 30. شبکه‌های عصبی مصنوعی
  • 31. مبانی پرسپترون
  • 32. تابع فعال‌سازی
  • 33. پس‌انتشار خطا
  • 34. شبکه‌های عصبی عمیق
  • 35. شبکه‌های عصبی کانولوشنال (CNN)
  • 36. شبکه‌های عصبی بازگشتی (RNN)
  • 37. پردازش زبان طبیعی (NLP)
  • 38. مدل‌سازی موضوعی
  • 39. تحلیل احساسات
  • 40. سیستم‌های توصیه‌گر
  • 41. یادگیری عمیق برای پردازش تصویر
  • 42. یادگیری عمیق برای پردازش صدا
  • 43. اصول اخلاق در هوش مصنوعی
  • 44. حریم خصوصی در یادگیری ماشین
  • 45. سوگیری در الگوریتم‌ها
  • 46. مسئولیت‌پذیری در هوش مصنوعی
  • 47. کاربردها در صنعت
  • 48. کاربردها در پزشکی
  • 49. کاربردها در امور مالی
  • 50. کاربردها در خودروسازی
  • 51. کاربردها در آموزش
  • 52. کاربردها در امنیت
  • 53. مقدمه‌ای بر یادگیری تقویتی پیشرفته
  • 54. یادگیری عمیق تقویتی
  • 55. مدل‌های یادگیری تقویتی عمیق (DQN)
  • 56. یادگیری تقویتی مبتنی بر سیاست
  • 57. یادگیری تقویتی مبتنی بر مقدار
  • 58. تکنیک‌های پیشرفته پیش‌پردازش
  • 59. مهندسی ویژگی
  • 60. مدل‌های ترکیبی (Ensemble Methods)
  • 61. تقویت گرادیان
  • 62. کیسه‌بندی (Bagging)
  • 63. تقویت (Boosting)
  • 64. مدل‌های پیچیده دسته‌بندی
  • 65. کلاسترینگ پیشرفته
  • 66. تکنیک‌های کاهش ابعاد پیشرفته
  • 67. یادگیری نیمه‌نظارت‌شده
  • 68. یادگیری خودنظارت‌شده
  • 69. یادگیری انتقالی (Transfer Learning)
  • 70. مدل‌های از پیش آموزش‌دیده
  • 71. تنظیم دقیق مدل‌ها
  • 72. مبانی شبکه‌های مولد تخاصمی (GAN)
  • 73. کاربرد GAN در تولید داده
  • 74. مبانی شبکه‌های مولد
  • 75. مبانی شبکه‌های خودرمزگذار (Autoencoders)
  • 76. کاربرد خودرمزگذارها
  • 77. پردازش گراف در یادگیری ماشین
  • 78. شبکه‌های عصبی گراف (GNN)
  • 79. کاربرد GNN
  • 80. هوش مصنوعی قابل تفسیر (XAI)
  • 81. تکنیک‌های تفسیرپذیری
  • 82. مدل‌های یادگیری ماشین توزیع‌شده
  • 83. ملاحظات پیاده‌سازی
  • 84. بهینه‌سازی مدل‌ها برای تولید
  • 85. نظارت بر مدل‌های تولید
  • 86. مقدمه‌ای بر یادگیری فدرال
  • 87. کاربرد یادگیری فدرال
  • 88. یادگیری ماشین در سیستم‌های توزیع‌شده
  • 89. امنیت در یادگیری ماشین
  • 90. حملات به مدل‌های یادگیری ماشین
  • 91. دفاع در برابر حملات
  • 92. ملاحظات حاکمیتی در هوش مصنوعی
  • 93. چارچوب‌های قانونی و نظارتی
  • 94. استانداردهای فنی هوش مصنوعی
  • 95. آینده هوش مصنوعی
  • 96. روندهای پژوهشی
  • 97. چالش‌های پیش رو
  • 98. یادگیری ماشین برای علم داده
  • 99. تحلیل داده‌های بزرگ
  • 100. تصویرسازی داده‌ها

📚 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.