سپنتا کتاب اکسپرس
کتاب مبانی شبکه‌های عصبی عمیق با PyTorch

کتاب مبانی شبکه‌های عصبی عمیق با PyTorch

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 شبکه‌های عصبی عمیق با PyTorch

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
  • 2. مبانی یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. مقدمه‌ای بر شبکه‌های عصبی
  • 5. تاریخچه شبکه‌های عصبی
  • 6. کاربرد شبکه‌های عصبی
  • 7. مقدمه‌ای بر PyTorch
  • 8. نصب و راه‌اندازی PyTorch
  • 9. تنسورها در PyTorch
  • 10. عملیات پایه روی تنسورها
  • 11. مقدمه‌ای بر اتوگِراد (Autograd)
  • 12. محاسبه گرادیان با اتوگِراد
  • 13. ماژول nn در PyTorch
  • 14. لایه‌های شبکه‌های عصبی (Linear)
  • 15. توابع فعال‌سازی (ReLU)
  • 16. توابع فعال‌سازی (Sigmoid)
  • 17. توابع فعال‌سازی (Tanh)
  • 18. ساخت یک شبکه عصبی ساده
  • 19. تابع زیان (Loss Function)
  • 20. بهینه‌سازها (Optimizers)
  • 21. بهینه‌سازی با SGD
  • 22. بهینه‌سازی با Adam
  • 23. آموزش یک مدل با PyTorch
  • 24. مجموعه داده‌ها (Datasets)
  • 25. بارگذاری داده‌ها با DataLoader
  • 26. پیش‌پردازش داده‌ها
  • 27. نرمال‌سازی داده‌ها
  • 28. تقسیم داده‌ها به بخش‌های آموزش و تست
  • 29. ارزیابی مدل
  • 30. معیارهای ارزیابی (Accuracy)
  • 31. معیارهای ارزیابی (Precision, Recall)
  • 32. شبکه‌های عصبی کانولوشنال (CNN)
  • 33. مبانی CNN
  • 34. لایه‌های کانولوشنال
  • 35. لایه‌های Pooling
  • 36. ساخت یک CNN ساده
  • 37. کاربرد CNN در بینایی ماشین
  • 38. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 39. شبکه‌های عصبی بازگشتی (RNN)
  • 40. مبانی RNN
  • 41. لایه‌های RNN
  • 42. کاربرد RNN در NLP
  • 43. شبکه‌های حافظه کوتاه‌مدت و بلندمدت (LSTM)
  • 44. مبانی LSTM
  • 45. لایه‌های LSTM
  • 46. کاربرد LSTM در NLP
  • 47. شبکه‌های حافظه کوتاه‌مدت (GRU)
  • 48. مبانی GRU
  • 49. لایه‌های GRU
  • 50. کاربرد GRU در NLP
  • 51. ترنسفورمرها (Transformers)
  • 52. مبانی ترنسفورمرها
  • 53. مکانیزم توجه (Attention Mechanism)
  • 54. کاربرد ترنسفورمرها در NLP
  • 55. مدل‌های زبانی بزرگ (LLMs)
  • 56. مقدمه‌ای بر مدل‌های زبانی بزرگ
  • 57. معماری ترنسفورمر در LLMs
  • 58. کاربرد LLMs
  • 59. آموزش مدل‌های زبانی بزرگ
  • 60. تنظیم دقیق (Fine-tuning) LLMs
  • 61. یادگیری تقویتی (Reinforcement Learning)
  • 62. مبانی یادگیری تقویتی
  • 63. عامل (Agent) و محیط (Environment)
  • 64. پاداش (Reward) و جریمه (Penalty)
  • 65. سیاست (Policy)
  • 66. تابع ارزش (Value Function)
  • 67. یادگیری Q (Q-Learning)
  • 68. یادگیری عمیق تقویتی (Deep RL)
  • 69. کاربرد یادگیری تقویتی
  • 70. مقدمه‌ای بر مدل‌های مولد (Generative Models)
  • 71. شبکه‌های مولد تخاصمی (GANs)
  • 72. مبانی GANs
  • 73. مولد (Generator) و متمایزکننده (Discriminator)
  • 74. آموزش GANs
  • 75. کاربرد GANs
  • 76. خودرمزگذارها (Autoencoders)
  • 77. مبانی خودرمزگذارها
  • 78. رمزگذار (Encoder) و رمزگشا (Decoder)
  • 79. کاربرد خودرمزگذارها
  • 80. یادگیری انتقالی (Transfer Learning)
  • 81. مبانی یادگیری انتقالی
  • 82. استفاده از مدل‌های از پیش آموزش‌دیده
  • 83. کاربرد یادگیری انتقالی
  • 84. مقدمه‌ای بر توضیح‌پذیری مدل‌های هوش مصنوعی (XAI)
  • 85. تکنیک‌های XAI
  • 86. تکنیک‌های LIME و SHAP
  • 87. مقدمه‌ای بر اخلاق در هوش مصنوعی
  • 88. سوگیری در داده‌ها و مدل‌ها
  • 89. عدالت و انصاف در هوش مصنوعی
  • 90. حریم خصوصی و امنیت در هوش مصنوعی
  • 91. مسئولیت‌پذیری در هوش مصنوعی
  • 92. آینده هوش مصنوعی
  • 93. کاربردهای پیشرفته هوش مصنوعی
  • 94. هوش مصنوعی در صنعت
  • 95. هوش مصنوعی در پزشکی
  • 96. هوش مصنوعی در آموزش
  • 97. هوش مصنوعی در امور مالی
  • 98. هوش مصنوعی و رباتیک
  • 99. مباحث تکمیلی در شبکه‌های عصبی
  • 100. بهبود عملکرد مدل‌ها

📚 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.