سپنتا کتاب اکسپرس
کتاب مبانی یادگیری ماشین و کاربرد آن با SciKit-Learn

کتاب مبانی یادگیری ماشین و کاربرد آن با SciKit-Learn

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 یادگیری ماشین و کاربرد آن با SciKit-Learn

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین با استفاده از کتابخانه‌های استاندارد

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
  • 2. تعریف یادگیری ماشین و انواع آن
  • 3. کاربرد یادگیری ماشین در دنیای امروز
  • 4. مراحل کلی در یک پروژه یادگیری ماشین
  • 5. محیط توسعه و نصب ابزارهای لازم
  • 6. آشنایی با کتابخانه NumPy برای محاسبات عددی
  • 7. کار با آرایه‌ها و عملیات بر روی آن‌ها در NumPy
  • 8. آشنایی با کتابخانه Pandas برای تحلیل داده
  • 9. ساختار داده DataFrame در Pandas
  • 10. خواندن و نوشتن داده‌ها با Pandas
  • 11. پاکسازی و پیش‌پردازش داده‌ها
  • 12. مدیریت مقادیر گمشده در داده‌ها
  • 13. شناسایی و حذف داده‌های پرت
  • 14. تبدیل داده‌های دسته‌ای به عددی (Encoding)
  • 15. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
  • 16. آشنایی با کتابخانه Matplotlib برای بصری‌سازی داده
  • 17. رسم نمودارهای خطی و پراکندگی
  • 18. رسم نمودارهای میله‌ای و هیستوگرام
  • 19. تنظیمات پیشرفته در Matplotlib
  • 20. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
  • 21. یادگیری با ناظر (Supervised Learning)
  • 22. یادگیری بدون ناظر (Unsupervised Learning)
  • 23. یادگیری تقویتی (Reinforcement Learning)
  • 24. مفهوم مدل و نحوه آموزش آن
  • 25. مجموعه داده‌های آموزشی و آزمایشی
  • 26. تقسیم داده‌ها به مجموعه آموزشی و آزمایشی
  • 27. ارزیابی مدل‌های یادگیری ماشین
  • 28. معیارهای ارزیابی برای مسائل رگرسیون
  • 29. معیارهای ارزیابی برای مسائل طبقه‌بندی
  • 30. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
  • 31. روش‌های جلوگیری از بیش‌برازش
  • 32. اعتبارسنجی متقابل (Cross-Validation)
  • 33. رگرسیون خطی ساده (Simple Linear Regression)
  • 34. تنظیم پارامترهای رگرسیون خطی
  • 35. ارزیابی مدل رگرسیون خطی
  • 36. رگرسیون خطی چندگانه (Multiple Linear Regression)
  • 37. مقدمه‌ای بر رگرسیون چندجمله‌ای (Polynomial Regression)
  • 38. کاربرد SciKit-Learn در رگرسیون
  • 39. مدل‌های طبقه‌بندی (Classification Models)
  • 40. رگرسیون لجستیک (Logistic Regression)
  • 41. مفهوم تابع سیگموئید
  • 42. تنظیم پارامترهای رگرسیون لجستیک
  • 43. ارزیابی مدل رگرسیون لجستیک
  • 44. درخت تصمیم (Decision Tree)
  • 45. ساختار و نحوه کار درخت تصمیم
  • 46. تنظیم پارامترهای درخت تصمیم
  • 47. ارزیابی مدل درخت تصمیم
  • 48. ماشین بردار پشتیبان (Support Vector Machine - SVM)
  • 49. مفهوم ابرصفحه جداکننده
  • 50. هسته‌ها در SVM (Kernel Trick)
  • 51. تنظیم پارامترهای SVM
  • 52. ارزیابی مدل SVM
  • 53. طبقه‌بندی‌کننده بیز ساده (Naive Bayes Classifier)
  • 54. مفاهیم احتمالاتی در Naive Bayes
  • 55. انواع Naive Bayes
  • 56. ارزیابی مدل Naive Bayes
  • 57. کی-نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
  • 58. مفهوم فاصله در KNN
  • 59. انتخاب مقدار K
  • 60. ارزیابی مدل KNN
  • 61. مقدمه‌ای بر یادگیری بدون ناظر
  • 62. خوشه‌بندی (Clustering)
  • 63. الگوریتم K-Means
  • 64. نحوه کار K-Means
  • 65. انتخاب تعداد خوشه‌ها
  • 66. ارزیابی مدل K-Means
  • 67. کاهش ابعاد (Dimensionality Reduction)
  • 68. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
  • 69. نحوه کار PCA
  • 70. کاربرد PCA در کاهش ابعاد
  • 71. مقدمه‌ای بر انتخاب ویژگی (Feature Selection)
  • 72. روش‌های مبتنی بر فیلتر (Filter Methods)
  • 73. روش‌های مبتنی بر لفاف (Wrapper Methods)
  • 74. روش‌های ترکیبی (Embedded Methods)
  • 75. مهندسی ویژگی (Feature Engineering)
  • 76. ایجاد ویژگی‌های جدید
  • 77. تبدیل ویژگی‌های موجود
  • 78. کاربرد SciKit-Learn در یادگیری بدون ناظر
  • 79. مقدمه‌ای بر مدل‌های پیچیده‌تر
  • 80. جنگل تصادفی (Random Forest)
  • 81. نحوه کار جنگل تصادفی
  • 82. مزایا و معایب جنگل تصادفی
  • 83. تنظیم پارامترهای جنگل تصادفی
  • 84. تقویت گرادیان (Gradient Boosting)
  • 85. مفهوم Boosting
  • 86. الگوریتم‌های Gradient Boosting (مانند XGBoost)
  • 87. کاربرد SciKit-Learn در مدل‌های پیچیده‌تر
  • 88. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 89. کاربرد یادگیری ماشین در NLP
  • 90. مفاهیم اولیه NLP (توکنایز کردن، ریشه‌یابی)
  • 91. استفاده از کتابخانه‌های NLP در پایتون
  • 92. مقدمه‌ای بر بینایی ماشین (Computer Vision)
  • 93. کاربرد یادگیری ماشین در بینایی ماشین
  • 94. مفاهیم اولیه بینایی ماشین (پردازش تصویر)
  • 95. استفاده از کتابخانه‌های بینایی ماشین در پایتون
  • 96. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANN)
  • 97. ساختار یک نورون مصنوعی
  • 98. لایه‌های شبکه‌های عصبی
  • 99. آموزش شبکه‌های عصبی (Backpropagation)
  • 100. مقدمه‌ای بر یادگیری عمیق (Deep Learning)

📚 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.