سپنتا کتاب اکسپرس
کتاب یادگیری ماشین کاربردی با پایتون برای تحلیل داده

کتاب یادگیری ماشین کاربردی با پایتون برای تحلیل داده

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 ماشین کاربردی با پایتون برای تحلیل داده

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: علم داده و یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علم داده و یادگیری ماشین
  • 2. نصب و راه‌اندازی محیط توسعه پایتون
  • 3. آشنایی با کتابخانه‌های کلیدی علم داده (NumPy, Pandas)
  • 4. کار با ساختارهای داده‌ای در پایتون
  • 5. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
  • 6. مفهوم و انواع داده‌ها
  • 7. پاکسازی و پیش‌پردازش داده‌ها
  • 8. مدیریت داده‌های گم‌شده
  • 9. شناسایی و مدیریت داده‌های پرت
  • 10. استانداردسازی و نرمال‌سازی داده‌ها
  • 11. مهندسی ویژگی (Feature Engineering)
  • 12. انتخاب ویژگی (Feature Selection)
  • 13. مقدمه‌ای بر یادگیری ماشین
  • 14. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت، تقویتی)
  • 15. مفاهیم اساسی مدل‌های یادگیری ماشین
  • 16. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
  • 17. معیارهای ارزیابی مدل‌ها
  • 18. بایاس و واریانس (Bias-Variance Tradeoff)
  • 19. رگرسیون خطی (Linear Regression)
  • 20. ارزیابی مدل‌های رگرسیون
  • 21. رگرسیون لجستیک (Logistic Regression)
  • 22. مقدمه‌ای بر طبقه‌بندی
  • 23. معیارهای ارزیابی مدل‌های طبقه‌بندی
  • 24. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 25. درختان تصمیم (Decision Trees)
  • 26. قانون‌گذاری (Pruning) در درختان تصمیم
  • 27. جنگل‌های تصادفی (Random Forests)
  • 28. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
  • 29. شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN)
  • 30. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
  • 31. شبکه‌های عصبی کانولوشنال (CNN)
  • 32. شبکه‌های عصبی بازگشتی (RNN)
  • 33. مدل‌های زبانی (Language Models)
  • 34. پردازش زبان طبیعی (NLP)
  • 35. توکن‌سازی (Tokenization)
  • 36. ریشه‌یابی (Stemming) و لماتیزاسیون (Lemmatization)
  • 37. مدل‌سازی موضوعی (Topic Modeling)
  • 38. تحلیل احساسات (Sentiment Analysis)
  • 39. کار با داده‌های متنی در پایتون
  • 40. مقدمه‌ای بر یادگیری بدون نظارت
  • 41. خوشه‌بندی (Clustering)
  • 42. الگوریتم K-Means
  • 43. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
  • 44. کاهش ابعاد (Dimensionality Reduction)
  • 45. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
  • 46. تحلیل تمایز خطی (Linear Discriminant Analysis - LDA)
  • 47. مقدمه‌ای بر مدل‌های پیش‌بینی سری زمانی
  • 48. مدل ARIMA
  • 49. مدل‌های پیش‌بینی سری زمانی با یادگیری ماشین
  • 50. کار با داده‌های سری زمانی در پایتون
  • 51. شبکه‌های عصبی برای سری‌های زمانی
  • 52. مقدمه‌ای بر یادگیری تقویتی
  • 53. مفاهیم عامل، محیط، پاداش
  • 54. الگوریتم Q-Learning
  • 55. تکنیک‌های یادگیری تقویتی عمیق
  • 56. کاربردهای یادگیری تقویتی
  • 57. مقدمه‌ای بر مدل‌های گراف
  • 58. یادگیری ماشین روی گراف‌ها (GNNs)
  • 59. کار با داده‌های گراف در پایتون
  • 60. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
  • 61. کاربرد یادگیری انتقالی در مدل‌های از پیش آموزش‌دیده
  • 62. تنظیم دقیق (Fine-tuning) مدل‌ها
  • 63. مقدمه‌ای بر یادگیری فعال (Active Learning)
  • 64. کاربرد یادگیری فعال در برچسب‌گذاری داده‌ها
  • 65. مقدمه‌ای بر یادگیری مولد (Generative Learning)
  • 66. شبکه‌های مولد تخاصمی (GANs)
  • 67. کاربرد GANs در تولید داده
  • 68. مقدمه‌ای بر یادگیری قابل تفسیر (Interpretable ML)
  • 69. تکنیک‌های تفسیر مدل‌ها
  • 70. شبه‌مقادیر (Shapley Values)
  • 71. مقدمه‌ای بر اخلاق در هوش مصنوعی
  • 72. سوگیری در مدل‌ها و راه‌های مقابله
  • 73. حریم خصوصی در علم داده
  • 74. کاربردهای عملی علم داده در صنعت
  • 75. علم داده در حوزه سلامت
  • 76. علم داده در حوزه مالی
  • 77. علم داده در حوزه بازاریابی
  • 78. علم داده در حوزه تولید
  • 79. علم داده در حوزه حمل و نقل
  • 80. علم داده در حوزه انرژی
  • 81. علم داده در حوزه حکمرانی
  • 82. پروژه‌های کاربردی علم داده
  • 83. توسعه مدل یادگیری ماشین برای پیش‌بینی
  • 84. ساخت سیستم توصیه‌گر
  • 85. تحلیل داده‌های شبکه‌های اجتماعی
  • 86. پیش‌بینی تقاضا در کسب و کار
  • 87. شناسایی تقلب در تراکنش‌های مالی
  • 88. تحلیل داده‌های اینترنت اشیاء (IoT)
  • 89. پردازش و تحلیل تصاویر پزشکی
  • 90. مدل‌سازی ریسک در بیمه
  • 91. بهینه‌سازی فرآیندهای تولید
  • 92. تحلیل داده‌های آب و هوایی
  • 93. ساخت چت‌بات هوشمند
  • 94. توسعه سیستم‌های تشخیص گفتار
  • 95. کاربرد هوش مصنوعی در کشاورزی
  • 96. تحلیل داده‌های بازار سهام
  • 97. توسعه مدل‌های پیش‌بینی ترافیک
  • 98. مقدمه‌ای بر یادگیری توزیع‌شده
  • 99. یادگیری ماشین فدرال (Federated Learning)
  • 100. ملاحظات امنیتی در 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.