سپنتا کتاب اکسپرس
کتاب دسته‌بندی با XGBoost: از مبانی تا کاربردهای پیشرفته

کتاب دسته‌بندی با XGBoost: از مبانی تا کاربردهای پیشرفته

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 دسته‌بندی با XGBoost: از مبانی تا کاربردهای پیشرفته

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: الگوریتم‌های یادگیری ماشین پیشرفته

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر مبانی دسته‌بندی در یادگیری ماشین
  • 2. انواع مسائل دسته‌بندی: باینری و چندکلاسه
  • 3. معیارهای ارزیابی مدل‌های دسته‌بندی
  • 4. دقت (Accuracy)، صحت (Precision)، بازیابی (Recall) و امتیاز F1
  • 5. منحنی ROC و سطح زیر منحنی (AUC)
  • 6. مقدمه ای بر الگوریتم‌های یادگیری تقویتی
  • 7. درخت تصمیم به عنوان پایه یادگیری ماشین
  • 8. محدودیت‌های درخت تصمیم ساده
  • 9. مقدمه ای بر روش‌های Boosting
  • 10. ایده اصلی الگوریتم AdaBoost
  • 11. نحوه کار AdaBoost در ترکیب مدل‌های ضعیف
  • 12. معرفی الگوریتم Gradient Boosting Machines (GBM)
  • 13. تفاوت AdaBoost و Gradient Boosting
  • 14. مبانی ریاضی Gradient Boosting
  • 15. تابع زیان (Loss Function) در Gradient Boosting
  • 16. گرادیان منفی تابع زیان
  • 17. بهینه‌سازی مدل با استفاده از گرادیان نزولی
  • 18. معرفی الگوریتم XGBoost
  • 19. چرا XGBoost؟ مزایای کلیدی
  • 20. معماری و اجزای کلیدی XGBoost
  • 21. ساختار درخت در XGBoost
  • 22. جستجوی بهینه شکاف (Split) در درخت
  • 23. الگوریتم تقسیم‌بندی (Splitting Algorithm)
  • 24. تنظیم پارامترهای درخت در XGBoost
  • 25. روش‌های منظم‌سازی (Regularization) در XGBoost
  • 26. L1 و L2 Regularization برای جلوگیری از بیش‌برازش
  • 27. پارامترهای `gamma` و `lambda`
  • 28. مدیریت مقادیر گمشده (Missing Values) در XGBoost
  • 29. نحوه برخورد XGBoost با داده‌های نامتعادل
  • 30. تکنیک‌های وزن‌دهی به کلاس‌ها (Class Weighting)
  • 31. کاربرد XGBoost در مسائل دسته‌بندی
  • 32. پیاده‌سازی XGBoost با استفاده از کتابخانه `xgboost` پایتون
  • 33. بارگذاری داده‌ها و پیش‌پردازش
  • 34. آموزش مدل دسته‌بندی با XGBoost
  • 35. تنظیم پارامترهای اصلی XGBoost
  • 36. جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی (Random Search)
  • 37. اعتبارسنجی متقابل (Cross-Validation)
  • 38. ارزیابی مدل با معیارهای مختلف
  • 39. تفسیر نتایج مدل XGBoost
  • 40. اهمیت مهندسی ویژگی (Feature Engineering)
  • 41. نکات کاربردی در انتخاب ویژگی‌ها
  • 42. مقایسه XGBoost با سایر الگوریتم‌های دسته‌بندی
  • 43. کاربرد XGBoost در مسائل واقعی
  • 44. دسته‌بندی ایمیل‌های اسپم
  • 45. تشخیص تقلب در تراکنش‌های مالی
  • 46. دسته‌بندی تصاویر پزشکی
  • 47. پیش‌بینی ریزش مشتری (Customer Churn)
  • 48. کاربرد در پردازش زبان طبیعی (NLP)
  • 49. دسته‌بندی متون خبری
  • 50. تحلیل احساسات (Sentiment Analysis)
  • 51. روش‌های پیشرفته در XGBoost
  • 52. یادگیری با داده‌های حجیم (Large-scale Learning)
  • 53. استفاده از GPU در XGBoost
  • 54. تنظیمات پیشرفته برای عملکرد بهینه
  • 55. مدل‌های ترکیبی (Ensemble Models) با XGBoost
  • 56. ترکیب XGBoost با شبکه‌های عصبی
  • 57. روش‌های کاهش ابعاد (Dimensionality Reduction)
  • 58. تکنیک‌های کاهش نویز (Noise Reduction)
  • 59. بررسی موارد خطا در مدل‌های XGBoost
  • 60. دیباگ کردن مدل‌های پیچیده
  • 61. اصول اخلاقی در استفاده از هوش مصنوعی
  • 62. مسئولیت‌پذیری در توسعه مدل‌های یادگیری ماشین
  • 63. حریم خصوصی داده‌ها و امنیت مدل‌ها
  • 64. قوانین و مقررات مرتبط با هوش مصنوعی در ایران
  • 65. اهمیت داده‌های معتبر و پاکسازی آن‌ها
  • 66. رویکردهای داده‌محور در حل مسائل
  • 67. مروری بر الگوریتم‌های یادگیری ماشین دیگر
  • 68. دسته‌بندی با استفاده از ماشین‌های بردار پشتیبان (SVM)
  • 69. دسته‌بندی با استفاده از رگرسیون لجستیک
  • 70. دسته‌بندی با استفاده از شبکه‌های عصبی کانولوشنی (CNN)
  • 71. دسته‌بندی با استفاده از شبکه‌های عصبی بازگشتی (RNN)
  • 72. شباهت‌ها و تفاوت‌های الگوریتم‌ها
  • 73. انتخاب بهترین الگوریتم برای مسئله دسته‌بندی
  • 74. مقدمه ای بر یادگیری عمیق (Deep Learning)
  • 75. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 76. ساختارهای پیشرفته شبکه‌های عصبی
  • 77. آموزش شبکه‌های عصبی عمیق
  • 78. مبانی یادگیری انتقالی (Transfer Learning)
  • 79. کاربرد یادگیری انتقالی در دسته‌بندی
  • 80. مقدمه ای بر پردازش سیگنال
  • 81. کاربرد پردازش سیگنال در دسته‌بندی
  • 82. استخراج ویژگی از سیگنال‌های صوتی
  • 83. استخراج ویژگی از سیگنال‌های زمانی
  • 84. مقدمه ای بر سری‌های زمانی
  • 85. دسته‌بندی سری‌های زمانی
  • 86. کاربرد در پیش‌بینی‌های مالی
  • 87. مقدمه ای بر یادگیری تقویتی عمیق (Deep Reinforcement Learning)
  • 88. کاربرد در بازی‌ها و رباتیک
  • 89. مقدمه ای بر یادگیری فعال (Active Learning)
  • 90. کاربرد در کاهش هزینه برچسب‌گذاری داده‌ها
  • 91. مروری بر انواع داده‌ها و ساختارهای آن‌ها
  • 92. داده‌های جدولی، متنی، تصویری و صوتی
  • 93. روش‌های پردازش و آماده‌سازی داده‌ها
  • 94. اهمیت اعتبارسنجی و تست مدل‌ها
  • 95. مراحل استقرار مدل در محیط عملیاتی
  • 96. پایش و نگهداری مدل‌های یادگیری ماشین
  • 97. چالش‌های پیاده‌سازی مدل‌های پیچیده
  • 98. آینده یادگیری ماشین و هوش مصنوعی
  • 99. روندهای نوظهور در حوزه هوش مصنوعی
  • 100. تاثیر هوش مصنوعی بر صنایع مختلف

📚 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.