سپنتا کتاب اکسپرس
کتاب مهندسی یادگیری ماشین: از مبانی تا پیاده‌سازی پروژه‌های کاربردی

کتاب مهندسی یادگیری ماشین: از مبانی تا پیاده‌سازی پروژه‌های کاربردی

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 مهندسی یادگیری ماشین: از مبانی تا پیاده‌سازی پروژه‌های کاربردی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی و کاربردهای یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مبانی یادگیری ماشین
  • 2. مقدمه‌ای بر هوش مصنوعی
  • 3. انواع یادگیری ماشین
  • 4. یادگیری نظارت شده
  • 5. یادگیری بدون نظارت
  • 6. یادگیری تقویتی
  • 7. پیش‌پردازش داده‌ها
  • 8. پاکسازی داده‌ها
  • 9. کاهش ابعاد داده‌ها
  • 10. انتخاب ویژگی
  • 11. مدل‌های خطی
  • 12. رگرسیون خطی
  • 13. رگرسیون لجستیک
  • 14. ماشین‌های بردار پشتیبان (SVM)
  • 15. درختان تصمیم
  • 16. جنگل‌های تصادفی
  • 17. تقویت گرادیان
  • 18. مدل‌های مبتنی بر همسایگی
  • 19. K-نزدیکترین همسایگان (KNN)
  • 20. خوشه‌بندی
  • 21. K-Means
  • 22. خوشه‌بندی سلسله مراتبی
  • 23. تحلیل مولفه‌های اصلی (PCA)
  • 24. کاهش ابعاد با استفاده از تحلیل مولفه‌های مستقل (ICA)
  • 25. شبکه‌های عصبی مصنوعی
  • 26. مبانی پرسپترون
  • 27. شبکه‌های عصبی عمیق
  • 28. شبکه‌های عصبی کانولوشنال (CNN)
  • 29. شبکه‌های عصبی بازگشتی (RNN)
  • 30. یادگیری عمیق برای پردازش زبان طبیعی
  • 31. کاربرد CNN در بینایی ماشین
  • 32. کاربرد RNN در پردازش زبان طبیعی
  • 33. یادگیری بدون نظارت برای کشف الگو
  • 34. اتصال‌گرایی آماری
  • 35. کاهش ابعاد غیرخطی
  • 36. شبکه‌های مولد تخاصمی (GANs)
  • 37. مدل‌های زبانی
  • 38. یادگیری تقویتی: مبانی
  • 39. عامل عامل و محیط
  • 40. تابع پاداش
  • 41. سیاست عامل
  • 42. ارزش تابع
  • 43. یادگیری Q
  • 44. یادگیری Deep Q-Networks (DQN)
  • 45. مدل‌های عامل-عامل
  • 46. بازی و یادگیری تقویتی
  • 47. کاربردهای یادگیری تقویتی
  • 48. یادگیری ماشین در پردازش زبان طبیعی
  • 49. مدل‌سازی موضوعی
  • 50. تحلیل احساسات
  • 51. ترجمه ماشینی
  • 52. خلاصه‌سازی متن
  • 53. سیستم‌های توصیه‌گر
  • 54. فیلترینگ مشارکتی
  • 55. فیلترینگ مبتنی بر محتوا
  • 56. یادگیری ماشین در بینایی ماشین
  • 57. تشخیص اشیاء
  • 58. دسته‌بندی تصاویر
  • 59. تقطیر تصاویر
  • 60. تشخیص چهره
  • 61. پردازش سیگنال صوتی
  • 62. تشخیص گفتار
  • 63. تشخیص موسیقی
  • 64. کاربردهای یادگیری ماشین در پزشکی
  • 65. تشخیص بیماری
  • 66. کشف دارو
  • 67. تجزیه و تحلیل تصاویر پزشکی
  • 68. کاربردهای یادگیری ماشین در مالی
  • 69. پیش‌بینی بازار سهام
  • 70. تشخیص تقلب
  • 71. امتیازدهی اعتباری
  • 72. کاربردهای یادگیری ماشین در صنعت
  • 73. بهینه‌سازی فرآیند
  • 74. نگهداری پیش‌بینانه
  • 75. کنترل کیفیت
  • 76. اخلاق در یادگیری ماشین
  • 77. سوگیری در الگوریتم‌ها
  • 78. شفافیت و قابلیت تفسیر
  • 79. حریم خصوصی داده‌ها
  • 80. مسئولیت‌پذیری در هوش مصنوعی
  • 81. پیاده‌سازی پروژه‌های یادگیری ماشین
  • 82. تعریف مسئله
  • 83. جمع‌آوری و آماده‌سازی داده‌ها
  • 84. انتخاب مدل
  • 85. آموزش و ارزیابی مدل
  • 86. تنظیم ابرپارامترها
  • 87. پیاده‌سازی مدل در محیط واقعی
  • 88. پایش و نگهداری مدل
  • 89. مقدمه‌ای بر مهندسی یادگیری ماشین
  • 90. چرخه حیات پروژه یادگیری ماشین
  • 91. ابزارها و فریم‌ورک‌های یادگیری ماشین
  • 92. TensorFlow
  • 93. PyTorch
  • 94. Scikit-learn
  • 95. مفاهیم پیشرفته در یادگیری ماشین
  • 96. یادگیری انتقالی
  • 97. یادگیری چندوظیفه‌ای
  • 98. یادگیری فعال
  • 99. یادگیری فدرال
  • 100. آینده 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.