سپنتا کتاب اکسپرس
کتاب مبانی تحلیل داده و یادگیری ماشین در IBM

کتاب مبانی تحلیل داده و یادگیری ماشین در IBM

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 تحلیل داده و یادگیری ماشین در IBM

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: تحلیل داده‌های پیشرفته و یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مبانی علوم داده در IBM
  • 2. جمع‌آوری و پاکسازی داده‌ها
  • 3. اکتشاف و بصری‌سازی داده‌ها
  • 4. مقدمه‌ای بر یادگیری ماشین
  • 5. انواع یادگیری ماشین: نظارت‌شده و بدون نظارت
  • 6. رگرسیون خطی و منطقی
  • 7. مدل‌های درخت تصمیم
  • 8. جنگل‌های تصادفی
  • 9. ماشین‌های بردار پشتیبان (SVM)
  • 10. خوشه‌بندی K-Means
  • 11. تحلیل مولفه‌های اصلی (PCA)
  • 12. کاهش ابعاد
  • 13. ارزیابی مدل‌های یادگیری ماشین
  • 14. معیارهای ارزیابی رگرسیون
  • 15. معیارهای ارزیابی طبقه‌بندی
  • 16. اعتبارسنجی متقابل
  • 17. تنظیم فراپارامترها
  • 18. مقدمه‌ای بر شبکه‌های عصبی
  • 19. شبکه‌های عصبی پرسپترون چندلایه
  • 20. شبکه‌های عصبی کانولوشنال (CNN)
  • 21. شبکه‌های عصبی بازگشتی (RNN)
  • 22. یادگیری عمیق
  • 23. کاربرد یادگیری عمیق در پردازش تصویر
  • 24. کاربرد یادگیری عمیق در پردازش زبان طبیعی
  • 25. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 26. کلمات کلیدی و استخراج اطلاعات
  • 27. تحلیل احساسات
  • 28. مدل‌سازی موضوعی
  • 29. ترجمه ماشینی
  • 30. تشخیص موجودیت نام‌گذاری شده (NER)
  • 31. مقدمه‌ای بر یادگیری تقویتی
  • 32. عوامل و محیط‌ها در یادگیری تقویتی
  • 33. یادگیری Q
  • 34. یادگیری مبتنی بر سیاست
  • 35. شبکه‌های عصبی عمیق برای یادگیری تقویتی
  • 36. کاربرد یادگیری تقویتی
  • 37. مقدمه‌ای بر داده‌های سری زمانی
  • 38. پیش‌پردازش داده‌های سری زمانی
  • 39. مدل‌سازی سری زمانی: ARIMA
  • 40. مدل‌سازی سری زمانی: Exponential Smoothing
  • 41. شبکه‌های عصبی برای سری زمانی
  • 42. پیش‌بینی سری زمانی
  • 43. مقدمه‌ای بر داده‌های مکانی-زمانی
  • 44. تحلیل داده‌های مکانی
  • 45. تحلیل داده‌های زمانی
  • 46. ترکیب داده‌های مکانی و زمانی
  • 47. مقدمه‌ای بر سیستم‌های توصیه‌گر
  • 48. فیلترینگ مبتنی بر محتوا
  • 49. فیلترینگ مشارکتی
  • 50. سیستم‌های توصیه‌گر ترکیبی
  • 51. ارزیابی سیستم‌های توصیه‌گر
  • 52. مقدمه‌ای بر تحلیل شبکه
  • 53. مفاهیم پایه در تحلیل شبکه
  • 54. مدل‌سازی شبکه
  • 55. تحلیل گره‌ها و یال‌ها
  • 56. شاخص‌های مرکزیت در شبکه
  • 57. شناسایی جامعه در شبکه
  • 58. کاربرد تحلیل شبکه
  • 59. مقدمه‌ای بر داده‌های بزرگ (Big Data)
  • 60. معماری‌های داده‌های بزرگ: Hadoop
  • 61. معماری‌های داده‌های بزرگ: Spark
  • 62. پردازش داده‌های بزرگ با Spark
  • 63. ذخیره‌سازی داده‌های بزرگ
  • 64. امنیت داده‌های بزرگ
  • 65. ملاحظات اخلاقی در علوم داده
  • 66. حریم خصوصی داده‌ها
  • 67. سوگیری در الگوریتم‌ها
  • 68. مسئولیت‌پذیری در هوش مصنوعی
  • 69. کاربرد علوم داده در صنعت
  • 70. کاربرد علوم داده در بهداشت و درمان
  • 71. کاربرد علوم داده در امور مالی
  • 72. کاربرد علوم داده در بازاریابی
  • 73. کاربرد علوم داده در حمل و نقل
  • 74. کاربرد علوم داده در دولت
  • 75. مقدمه‌ای بر ابزارهای علوم داده در IBM
  • 76. IBM Watson Studio
  • 77. IBM SPSS Modeler
  • 78. IBM Data Refinery
  • 79. IBM Cognos Analytics
  • 80. توسعه مدل‌های پیش‌بینی در IBM
  • 81. پیاده‌سازی مدل‌های یادگیری ماشین در IBM
  • 82. ارزیابی و استقرار مدل‌ها در IBM
  • 83. داده‌کاوی و تحلیل پیشرفته
  • 84. تکنیک‌های پیشرفته رگرسیون
  • 85. تکنیک‌های پیشرفته طبقه‌بندی
  • 86. مدل‌سازی پیش‌بینانه در IBM
  • 87. هوش تجاری و تحلیل داده
  • 88. مقدمه‌ای بر داده‌کاوی
  • 89. الگوهای تداعی
  • 90. قوانین تداعی
  • 91. طبقه‌بندی داده‌ها
  • 92. مدل‌های پیش‌بینی
  • 93. تحلیل داده‌های حجیم
  • 94. فناوری‌های کلان داده
  • 95. معماری‌های کلان داده
  • 96. پردازش جریان داده
  • 97. یادگیری ماشین توزیع‌شده
  • 98. کاربردها و چالش‌های کلان داده
  • 99. اخلاق در علم داده
  • 100. حریم خصوصی و امنیت داده

📚 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.