سپنتا کتاب اکسپرس
کتاب ساخت مدل‌های پیش‌بین با یادگیری نظارت‌شده

کتاب ساخت مدل‌های پیش‌بین با یادگیری نظارت‌شده

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 ساخت مدل‌های پیش‌بین با یادگیری نظارت‌شده

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: مدل‌سازی پیش‌بین و یادگیری نظارت‌شده

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علم داده و هوش مصنوعی
  • 2. مبانی یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. یادگیری نظارت‌شده: تعاریف و اصول
  • 5. مدل‌سازی پیش‌بین: مفاهیم کلیدی
  • 6. مراحل ساخت مدل پیش‌بین
  • 7. جمع‌آوری و آماده‌سازی داده‌ها
  • 8. پاکسازی داده‌ها و مدیریت مقادیر گمشده
  • 9. مهندسی ویژگی
  • 10. انتخاب ویژگی
  • 11. ارزیابی مدل‌های یادگیری نظارت‌شده
  • 12. معیارهای ارزیابی: دقت، صحت، بازیابی
  • 13. منحنی ROC و AUC
  • 14. رگرسیون خطی
  • 15. رگرسیون لجستیک
  • 16. درختان تصمیم
  • 17. جنگل‌های تصادفی
  • 18. ماشین‌های بردار پشتیبان (SVM)
  • 19. شبکه‌های عصبی مصنوعی
  • 20. مقدمه‌ای بر شبکه‌های عصبی
  • 21. لایه‌های شبکه عصبی
  • 22. توابع فعال‌سازی
  • 23. پس‌انتشار خطا
  • 24. کاربرد شبکه‌های عصبی در مدل‌سازی پیش‌بین
  • 25. یادگیری عمیق
  • 26. مقدمه‌ای بر یادگیری عمیق
  • 27. شبکه‌های عصبی کانولوشنی (CNN)
  • 28. شبکه‌های عصبی بازگشتی (RNN)
  • 29. کاربرد یادگیری عمیق در علم داده
  • 30. مدل‌سازی سری‌های زمانی
  • 31. پیش‌بینی سری‌های زمانی
  • 32. مدل‌های ARIMA
  • 33. مدل‌های LSTM برای سری‌های زمانی
  • 34. کاربرد مدل‌سازی سری‌های زمانی
  • 35. تشخیص ناهنجاری (Anomaly Detection)
  • 36. روش‌های مبتنی بر آمار
  • 37. روش‌های مبتنی بر یادگیری ماشین
  • 38. کاربرد تشخیص ناهنجاری
  • 39. سیستم‌های توصیه‌گر
  • 40. مبانی سیستم‌های توصیه‌گر
  • 41. فیلترینگ مبتنی بر محتوا
  • 42. فیلترینگ مشارکتی
  • 43. ترکیب روش‌ها
  • 44. کاربرد سیستم‌های توصیه‌گر
  • 45. پردازش زبان طبیعی (NLP)
  • 46. مبانی NLP
  • 47. مدل‌سازی موضوعی
  • 48. تحلیل احساسات
  • 49. کاربرد NLP در علم داده
  • 50. بینایی ماشین (Computer Vision)
  • 51. مبانی بینایی ماشین
  • 52. تشخیص و شناسایی اشیاء
  • 53. تقسیم‌بندی تصویر
  • 54. کاربرد بینایی ماشین
  • 55. اخلاق در هوش مصنوعی
  • 56. سوگیری در داده‌ها و مدل‌ها
  • 57. عدالت و شفافیت در هوش مصنوعی
  • 58. حریم خصوصی و امنیت داده‌ها
  • 59. مسئولیت‌پذیری در هوش مصنوعی
  • 60. مدل‌سازی پیش‌بین برای کسب‌وکار
  • 61. تحلیل مشتریان
  • 62. پیش‌بینی تقاضا
  • 63. تشخیص تقلب
  • 64. بهینه‌سازی عملیات
  • 65. کاربرد مدل‌سازی پیش‌بین در صنایع مختلف
  • 66. مدل‌سازی پیش‌بین در بهداشت و درمان
  • 67. تشخیص بیماری
  • 68. پیش‌بینی اثربخشی درمان
  • 69. مدیریت منابع بیمارستانی
  • 70. کاربرد مدل‌سازی پیش‌بین در بهداشت و درمان
  • 71. مدل‌سازی پیش‌بین در امور مالی
  • 72. امتیازدهی اعتباری
  • 73. پیش‌بینی بازار سهام
  • 74. مدیریت ریسک
  • 75. کاربرد مدل‌سازی پیش‌بین در امور مالی
  • 76. پیاده‌سازی مدل‌ها در پایتون
  • 77. کتابخانه‌های کلیدی: Scikit-learn, TensorFlow, PyTorch
  • 78. ساخت و آموزش مدل‌ها با Scikit-learn
  • 79. ارزیابی و تنظیم مدل‌ها
  • 80. کاربرد TensorFlow برای یادگیری عمیق
  • 81. کاربرد PyTorch برای یادگیری عمیق
  • 82. استقرار مدل‌های پیش‌بین
  • 83. مبانی استقرار مدل
  • 84. روش‌های استقرار آنلاین و آفلاین
  • 85. ساخت API برای مدل‌ها
  • 86. مانیتورینگ و به‌روزرسانی مدل‌ها
  • 87. مقدمه‌ای بر یادگیری تقویتی
  • 88. اصول یادگیری تقویتی
  • 89. عامل و محیط
  • 90. پاداش و سیاست
  • 91. الگوریتم‌های یادگیری تقویتی
  • 92. کاربرد یادگیری تقویتی
  • 93. مباحث پیشرفته در مدل‌سازی پیش‌بین
  • 94. یادگیری چند وظیفه‌ای
  • 95. یادگیری انتقالی
  • 96. یادگیری فعال
  • 97. یادگیری خودنظارت‌شده
  • 98. آینده علم داده و هوش مصنوعی
  • 99. روندهای نوظهور
  • 100. چالش‌های پیش رو

📚 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.