سپنتا کتاب اکسپرس
کتاب ساخت و پیاده‌سازی شبکه‌های عصبی در پایتون

کتاب ساخت و پیاده‌سازی شبکه‌های عصبی 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 ساخت و پیاده‌سازی شبکه‌های عصبی در پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علوم کامپیوتر و مهندسی نرم‌افزار
  • 2. مبانی یادگیری ماشین
  • 3. مقدمه‌ای بر شبکه‌های عصبی
  • 4. معماری‌های پایه شبکه‌های عصبی
  • 5. توابع فعال‌سازی در شبکه‌های عصبی
  • 6. تابع هزینه و بهینه‌سازی
  • 7. گرادیان کاهشی و مشتقات
  • 8. پس‌انتشار خطا (Backpropagation)
  • 9. پیاده‌سازی شبکه‌های عصبی ساده با پایتون
  • 10. نشر رو به جلو (Forward Propagation)
  • 11. آموزش مدل و اعتبارسنجی
  • 12. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 13. تنظیم نرخ یادگیری
  • 14. روش‌های بهینه‌سازی پیشرفته
  • 15. بهینه‌سازهای مبتنی بر گرادیان
  • 16. Momentum و Adagrad
  • 17. RMSprop و Adam
  • 18. تنظیمات اولیه وزن‌ها
  • 19. نرمال‌سازی دسته‌ای (Batch Normalization)
  • 20. تنظیم‌کننده‌ها (Regularization)
  • 21. L1 و L2 Regularization
  • 22. Dropout
  • 23. شبکه‌های عصبی پیچیده‌تر
  • 24. شبکه‌های عصبی کانولوشنال (CNN)
  • 25. لایه‌های کانولوشن
  • 26. لایه‌های Pooling
  • 27. کاربرد CNN در پردازش تصویر
  • 28. شبکه‌های عصبی بازگشتی (RNN)
  • 29. سلول‌های RNN ساده
  • 30. حافظه در RNN
  • 31. کاربرد RNN در پردازش زبان طبیعی
  • 32. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
  • 33. سلول‌های LSTM
  • 34. کاربرد LSTM
  • 35. شبکه‌های حافظه کوتاه‌مدت (GRU)
  • 36. سلول‌های GRU
  • 37. کاربرد GRU
  • 38. مدل‌های ترنسفورمر (Transformer)
  • 39. مکانیزم توجه (Attention Mechanism)
  • 40. کدگذار-رمزگشا (Encoder-Decoder)
  • 41. پردازش زبان طبیعی پیشرفته
  • 42. مدل‌های زبانی
  • 43. تولید متن
  • 44. ترجمه ماشینی
  • 45. خلاصه‌سازی متن
  • 46. تحلیل احساسات
  • 47. سیستم‌های توصیه‌گر
  • 48. مبانی سیستم‌های توصیه‌گر
  • 49. فیلترینگ مشارکتی
  • 50. فیلترینگ مبتنی بر محتوا
  • 51. ترکیب روش‌ها
  • 52. یادگیری عمیق برای پردازش تصویر
  • 53. تشخیص اشیاء
  • 54. تقسیم‌بندی تصویر
  • 55. تولید تصویر
  • 56. شبکه‌های زایشی تخاصمی (GAN)
  • 57. معماری GAN
  • 58. آموزش GAN
  • 59. کاربرد GAN
  • 60. یادگیری تقویتی (Reinforcement Learning)
  • 61. مبانی یادگیری تقویتی
  • 62. عامل و محیط
  • 63. پاداش و جریمه
  • 64. سیاست (Policy)
  • 65. مقدار (Value)
  • 66. یادگیری Q
  • 67. یادگیری عمیق تقویتی
  • 68. کاربرد یادگیری تقویتی
  • 69. شبکه‌های عصبی در داده‌های سری زمانی
  • 70. پیش‌بینی سری زمانی
  • 71. تشخیص ناهنجاری در سری زمانی
  • 72. پردازش داده‌های نامتعادل
  • 73. روش‌های نمونه‌برداری
  • 74. SMOTE
  • 75. تکنیک‌های ارزیابی مدل
  • 76. متریک‌های ارزیابی
  • 77. دقت، صحت، بازیابی
  • 78. F1-Score
  • 79. منحنی ROC و AUC
  • 80. تنظیمات پیشرفته شبکه‌های عصبی
  • 81. یادگیری انتقالی (Transfer Learning)
  • 82. تنظیم دقیق (Fine-tuning)
  • 83. معماری‌های از پیش آموزش‌دیده
  • 84. کاربرد یادگیری انتقالی
  • 85. شبکه‌های عصبی برای گراف‌ها (GNN)
  • 86. مبانی GNN
  • 87. لایه‌های GNN
  • 88. کاربرد GNN
  • 89. ملاحظات عملی در پیاده‌سازی
  • 90. انتخاب چارچوب مناسب (TensorFlow, PyTorch)
  • 91. بهینه‌سازی عملکرد کد
  • 92. استفاده از GPU
  • 93. اشکال‌زدایی مدل‌های یادگیری ماشین
  • 94. نمایش و مصورسازی نتایج
  • 95. انتشار مدل‌های یادگیری ماشین
  • 96. ملاحظات اخلاقی در هوش مصنوعی
  • 97. سوگیری در داده‌ها و مدل‌ها
  • 98. شفافیت و قابلیت توضیح‌پذیری
  • 99. امنیت مدل‌های هوش مصنوعی
  • 100. مقررات و استانداردهای مربوط به هوش مصنوعی در ایران

📚 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.