سپنتا کتاب اکسپرس
کتاب تئوری شبکه های عصبی عمیق: مفاهیم پایه برای شبکه های کم عمق

کتاب تئوری شبکه های عصبی عمیق: مفاهیم پایه برای شبکه های کم عمق

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 تئوری شبکه های عصبی عمیق: مفاهیم پایه برای شبکه های کم عمق

موضوع کلی: ریاضیات کاربردی در علوم کامپیوتر

موضوع میانی: مبانی ریاضی یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر ریاضیات کاربردی در علوم کامپیوتر
  • 2. مبانی جبر خطی برای یادگیری ماشین
  • 3. بردارها و ماتریس‌ها: عملیات اساسی
  • 4. ضرب ماتریس‌ها و کاربردهای آن
  • 5. فضاهای برداری و زیرفضاها
  • 6. مستقل خطی و پایه
  • 7. ابعاد و رتبه ماتریس
  • 8. تحلیل مقادیر منفرد (SVD)
  • 9. مفاهیم اولیه حساب دیفرانسیل
  • 10. مشتق توابع چند متغیره
  • 11. قاعده زنجیره‌ای در مشتق‌گیری
  • 12. گرادیان و کاربردهای آن
  • 13. بهینه‌سازی با استفاده از گرادیان
  • 14. مقدمه‌ای بر احتمالات
  • 15. متغیرهای تصادفی و توزیع‌ها
  • 16. توزیع‌های گسسته و پیوسته
  • 17. امید ریاضی و واریانس
  • 18. قضیه حد مرکزی
  • 19. قوانین احتمالات و احتمال شرطی
  • 20. قضیه بیز و کاربردهای آن
  • 21. مقدمه‌ای بر آمار استنباطی
  • 22. برآورد پارامترها
  • 23. فواصل اطمینان
  • 24. آزمون فرض آماری
  • 25. مفاهیم مقدماتی نظریه اطلاعات
  • 26. آنتروپی و اطلاعات متقابل
  • 27. آنتروپی متقاطع و واگرایی کولبک-لایبلر
  • 28. کاربرد نظریه اطلاعات در یادگیری ماشین
  • 29. مقدمه‌ای بر بهینه‌سازی
  • 30. بهینه‌سازی محدب
  • 31. روش‌های بهینه‌سازی بدون محدودیت
  • 32. روش نزول گرادیان
  • 33. روش‌های بهینه‌سازی با محدودیت
  • 34. روش لاگرانژین
  • 35. کاربرد بهینه‌سازی در مدل‌های یادگیری ماشین
  • 36. مبانی شبکه های عصبی
  • 37. توابع فعال‌سازی
  • 38. ساختار لایه‌ای شبکه های عصبی
  • 39. فرآیند یادگیری در شبکه های عصبی
  • 40. تابع هزینه و خطای مدل
  • 41. پس‌انتشار خطا (Backpropagation)
  • 42. تنظیم هایپرپارامترها
  • 43. روش‌های تنظیم (Regularization)
  • 44. L1 و L2 Regularization
  • 45. Dropout
  • 46. Batch Normalization
  • 47. مقدمه‌ای بر یادگیری عمیق
  • 48. شبکه‌های عصبی کانولوشنی (CNN)
  • 49. لایه کانولوشن
  • 50. لایه پولینگ
  • 51. کاربرد CNN در بینایی ماشین
  • 52. شبکه‌های عصبی بازگشتی (RNN)
  • 53. سلول‌های حافظه کوتاه‌مدت (LSTM)
  • 54. شبکه‌های حافظه طولانی کوتاه‌مدت (GRU)
  • 55. کاربرد RNN در پردازش زبان طبیعی
  • 56. معماری‌های پیشرفته شبکه های عصبی
  • 57. شبکه‌های مولد تخاصمی (GAN)
  • 58. شبکه‌های خودرمزگذار (Autoencoders)
  • 59. شبکه‌های ترنسفورمر (Transformer)
  • 60. مقدمه‌ای بر تحلیل داده‌های بزرگ
  • 61. پردازش داده‌ها در مقیاس بزرگ
  • 62. ابزارهای پردازش داده‌های توزیع شده
  • 63. مقدمه‌ای بر هوش مصنوعی اخلاقی
  • 64. مسئولیت‌پذیری در هوش مصنوعی
  • 65. شفافیت و قابلیت تفسیر مدل‌ها
  • 66. عدالت و عدم تبعیض در هوش مصنوعی
  • 67. حریم خصوصی و امنیت داده‌ها
  • 68. کاربرد هوش مصنوعی در صنعت
  • 69. هوش مصنوعی در سلامت
  • 70. هوش مصنوعی در امور مالی
  • 71. هوش مصنوعی در حمل و نقل
  • 72. هوش مصنوعی در آموزش
  • 73. مقدمه‌ای بر یادگیری تقویتی
  • 74. عناصر یادگیری تقویتی
  • 75. روش‌های یادگیری تقویتی
  • 76. کاربرد یادگیری تقویتی
  • 77. مباحث پیشرفته در شبکه های عصبی
  • 78. تکنیک‌های پیشرفته پس‌انتشار
  • 79. بهینه‌سازی پیشرفته
  • 80. ارزیابی و اعتبارسنجی مدل
  • 81. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
  • 82. معماری ترنسفورمر برای LLMs
  • 83. آموزش مدل‌های زبانی بزرگ
  • 84. کاربردهای مدل‌های زبانی بزرگ
  • 85. ملاحظات اخلاقی در LLMs
  • 86. آینده شبکه های عصبی

📚 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.