سپنتا کتاب اکسپرس
کتاب پیش‌نیازهای یادگیری نظارت شده و کاربردهای آن

کتاب پیش‌نیازهای یادگیری نظارت شده و کاربردهای آن

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 پیش‌نیازهای یادگیری نظارت شده و کاربردهای آن

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری نظارت شده (Supervised Learning)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری نظارت شده
  • 2. مفاهیم پایه یادگیری نظارت شده
  • 3. انواع مسائل در یادگیری نظارت شده
  • 4. داده‌های آموزشی و ارزیابی
  • 5. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
  • 6. مهندسی ویژگی: انتخاب و ایجاد ویژگی
  • 7. رگرسیون خطی ساده
  • 8. ارزیابی مدل‌های رگرسیون: MSE و R^2
  • 9. رگرسیون خطی چندگانه
  • 10. تنظیم‌گری در رگرسیون خطی: Ridge و Lasso
  • 11. مقدمه‌ای بر طبقه‌بندی
  • 12. رگرسیون لجستیک
  • 13. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت و بازیابی
  • 14. ماتریس درهم‌ریختگی
  • 15. منحنی ROC و AUC
  • 16. ماشین‌های بردار پشتیبان (SVM)
  • 17. هسته‌های SVM
  • 18. درختان تصمیم
  • 19. قوانین انجمنی
  • 20. یادگیری گروهی: Bagging و Boosting
  • 21. جنگل‌های تصادفی
  • 22. تقویت گرادیان (Gradient Boosting)
  • 23. شبکه‌های عصبی مصنوعی
  • 24. لایه ورودی و لایه‌های پنهان
  • 25. تابع فعال‌سازی
  • 26. پس‌انتشار خطا (Backpropagation)
  • 27. بهینه‌سازها: SGD، Adam
  • 28. تنظیم‌گری در شبکه‌های عصبی: Dropout
  • 29. مقدمه‌ای بر یادگیری عمیق
  • 30. شبکه‌های عصبی کانولوشنال (CNN)
  • 31. لایه‌های کانولوشن و Pooling
  • 32. کاربرد CNN در بینایی ماشین
  • 33. شبکه‌های عصبی بازگشتی (RNN)
  • 34. حافظه طولانی کوتاه مدت (LSTM)
  • 35. کاربرد RNN در پردازش زبان طبیعی
  • 36. مدل‌های زبانی
  • 37. یادگیری بدون نظارت
  • 38. خوشه‌بندی: K-Means
  • 39. ارزیابی خوشه‌بندی: Silhouette Score
  • 40. خوشه‌بندی سلسله مراتبی
  • 41. تحلیل مولفه‌های اصلی (PCA)
  • 42. کاهش ابعاد
  • 43. قوانین انجمنی: Apriori
  • 44. کاربرد قوانین انجمنی در تحلیل سبد خرید
  • 45. یادگیری تقویتی
  • 46. مفاهیم پایه یادگیری تقویتی
  • 47. عامل، محیط، پاداش
  • 48. سیاست و تابع ارزش
  • 49. الگوریتم‌های Q-Learning
  • 50. الگوریتم‌های SARSA
  • 51. یادگیری تقویتی عمیق (DRL)
  • 52. کاربرد DRL در بازی‌ها
  • 53. کاربرد DRL در رباتیک
  • 54. یادگیری نیمه‌نظارت شده
  • 55. یادگیری خودنظارت شده
  • 56. تولید داده مصنوعی
  • 57. افزایش داده (Data Augmentation)
  • 58. شبکه‌های مولد تخاصمی (GAN)
  • 59. کاربرد GAN در تولید تصویر
  • 60. مدل‌های ترنسفورمر
  • 61. توجه (Attention Mechanism)
  • 62. کاربرد ترنسفورمر در NLP
  • 63. ترجمه ماشینی
  • 64. خلاصه‌سازی متن
  • 65. پرسش و پاسخ با متن
  • 66. سیستم‌های توصیه‌گر
  • 67. فیلترینگ مشارکتی
  • 68. فیلترینگ مبتنی بر محتوا
  • 69. ترکیب روش‌ها در سیستم‌های توصیه‌گر
  • 70. ارزیابی سیستم‌های توصیه‌گر
  • 71. پیاده‌سازی مدل‌های یادگیری نظارت شده
  • 72. استفاده از کتابخانه‌های Python: Scikit-learn
  • 73. استفاده از کتابخانه‌های Python: TensorFlow
  • 74. استفاده از کتابخانه‌های Python: PyTorch
  • 75. مدیریت چرخه عمر مدل
  • 76. استقرار مدل
  • 77. مانیتورینگ عملکرد مدل
  • 78. بهبود مداوم مدل
  • 79. اخلاق در هوش مصنوعی
  • 80. سوگیری در داده‌ها و مدل‌ها
  • 81. شفافیت و توضیح‌پذیری مدل‌ها
  • 82. حریم خصوصی داده‌ها
  • 83. امنیت مدل‌های هوش مصنوعی
  • 84. قوانین و مقررات مربوط به هوش مصنوعی در ایران
  • 85. کاربرد هوش مصنوعی در صنعت
  • 86. کاربرد هوش مصنوعی در سلامت
  • 87. کاربرد هوش مصنوعی در کشاورزی
  • 88. کاربرد هوش مصنوعی در آموزش
  • 89. کاربرد هوش مصنوعی در خدمات مالی
  • 90. مباحث پیشرفته در یادگیری نظارت شده
  • 91. یادگیری چند وظیفه‌ای
  • 92. یادگیری انتقالی
  • 93. یادگیری فدرال
  • 94. بررسی مطالعات موردی یادگیری نظارت شده
  • 95. چالش‌ها و آینده یادگیری نظارت شده

📚 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.