سپنتا کتاب اکسپرس
کتاب مبانی احتمال و آمار برای علم داده و یادگیری ماشین

کتاب مبانی احتمال و آمار برای علم داده و یادگیری ماشین

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 مبانی احتمال و آمار برای علم داده و یادگیری ماشین

موضوع کلی: علوم پایه و کاربردی در فناوری اطلاعات

موضوع میانی: مبانی ریاضی و آماری در یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مبانی علم داده و یادگیری ماشین
  • 2. مقدمه‌ای بر احتمال
  • 3. فضای نمونه و پیشامدها
  • 4. قوانین احتمال
  • 5. احتمال شرطی
  • 6. قضیه بیز
  • 7. متغیرهای تصادفی گسسته
  • 8. توزیع‌های گسسته رایج
  • 9. متغیرهای تصادفی پیوسته
  • 10. توزیع‌های پیوسته رایج
  • 11. امید ریاضی و واریانس
  • 12. قوانین امید ریاضی و واریانس
  • 13. کوواریانس و همبستگی
  • 14. چند توزیعی
  • 15. قضیه حد مرکزی
  • 16. آمار توصیفی
  • 17. نمودارهای توصیفی
  • 18. شاخص‌های مرکزی
  • 19. شاخص‌های پراکندگی
  • 20. مقدمه‌ای بر استنباط آماری
  • 21. برآوردگرها
  • 22. برآورد حداکثر درستنمایی
  • 23. برآورد حداقل مربعات
  • 24. فواصل اطمینان
  • 25. آزمون فرض آماری
  • 26. مقدمه‌ای بر آزمون‌های فرض
  • 27. آزمون فرض برای میانگین
  • 28. آزمون فرض برای نسبت
  • 29. آزمون فرض برای واریانس
  • 30. مقدمه‌ای بر رگرسیون خطی
  • 31. مدل رگرسیون خطی ساده
  • 32. برآورد پارامترهای رگرسیون
  • 33. تفسیر ضرایب رگرسیون
  • 34. ارزیابی مدل رگرسیون
  • 35. مقدمه‌ای بر رگرسیون لجستیک
  • 36. مدل رگرسیون لجستیک
  • 37. برآورد پارامترهای رگرسیون لجستیک
  • 38. تفسیر ضرایب رگرسیون لجستیک
  • 39. ارزیابی مدل رگرسیون لجستیک
  • 40. مقدمه‌ای بر یادگیری ماشین
  • 41. انواع یادگیری ماشین
  • 42. یادگیری با نظارت
  • 43. یادگیری بدون نظارت
  • 44. یادگیری تقویتی
  • 45. مقدمه‌ای بر طبقه‌بندی
  • 46. الگوریتم‌های طبقه‌بندی
  • 47. دقت و صحت در طبقه‌بندی
  • 48. ماتریس درهم‌ریختگی
  • 49. منحنی ROC و AUC
  • 50. مقدمه‌ای بر خوشه‌بندی
  • 51. الگوریتم‌های خوشه‌بندی
  • 52. معیارهای ارزیابی خوشه‌بندی
  • 53. مقدمه‌ای بر کاهش ابعاد
  • 54. روش‌های کاهش ابعاد
  • 55. تحلیل مولفه‌های اصلی (PCA)
  • 56. مقدمه‌ای بر شبکه‌های عصبی
  • 57. معماری شبکه‌های عصبی
  • 58. توابع فعال‌سازی
  • 59. پس‌انتشار خطا
  • 60. مقدمه‌ای بر یادگیری عمیق
  • 61. شبکه‌های عصبی کانولوشنی (CNN)
  • 62. شبکه‌های عصبی بازگشتی (RNN)
  • 63. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 64. مدل‌سازی زبان
  • 65. تحلیل احساسات
  • 66. مقدمه‌ای بر بینایی ماشین
  • 67. تشخیص اشیاء
  • 68. تقسیم‌بندی تصاویر
  • 69. کاربرد آمار در داده‌کاوی
  • 70. کاربرد احتمال در کشف الگو
  • 71. استنتاج آماری در یادگیری ماشین
  • 72. آزمون فرض برای مدل‌های یادگیری ماشین
  • 73. بهینه‌سازی مدل‌ها با رویکرد آماری
  • 74. مقدمه‌ای بر مدل‌های سری زمانی
  • 75. تحلیل مدل‌های سری زمانی
  • 76. پیش‌بینی با مدل‌های سری زمانی
  • 77. مقدمه‌ای بر روش‌های نمونه‌گیری
  • 78. انواع روش‌های نمونه‌گیری
  • 79. کاربرد نمونه‌گیری در تحلیل داده
  • 80. مقدمه‌ای بر تحلیل بقا
  • 81. مدل‌های تحلیل بقا
  • 82. کاربرد تحلیل بقا در مهندسی
  • 83. مقدمه‌ای بر تحلیل عاملی
  • 84. روش‌های تحلیل عاملی
  • 85. تفسیر عوامل در تحلیل عاملی
  • 86. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
  • 87. مدل‌های GLM رایج
  • 88. کاربرد GLM در علم داده
  • 89. مقدمه‌ای بر روش‌های بیزی در یادگیری ماشین
  • 90. استنتاج بیزی
  • 91. مدل‌های بیزی در طبقه‌بندی
  • 92. مقدمه‌ای بر شبکه‌های بیزی
  • 93. ساختار شبکه‌های بیزی
  • 94. یادگیری پارامترهای شبکه‌های بیزی
  • 95. مقدمه‌ای بر روش‌های مونت کارلو
  • 96. شبیه‌سازی مونت کارلو
  • 97. کاربرد مونت کارلو در بهینه‌سازی
  • 98. مقدمه‌ای بر تحلیل داده‌های حجیم
  • 99. چالش‌های داده‌های حجیم
  • 100. ابزارهای تحلیل داده‌های حجیم

📚 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.