سپنتا کتاب اکسپرس
کتاب تکنیک‌های کاهش بعد (Dimensionality Reduction)

کتاب تکنیک‌های کاهش بعد (Dimensionality Reduction)

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 تکنیک‌های کاهش بعد (Dimensionality Reduction)

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر کاهش بعد
  • 2. مفهوم ابعاد و فضای ویژگی
  • 3. چرا به کاهش بعد نیاز داریم؟
  • 4. کاربردها و مزایای کاهش بعد
  • 5. انواع روش‌های کاهش بعد
  • 6. تحلیل مولفه‌های اصلی (PCA) - مبانی
  • 7. مراحل اجرای PCA
  • 8. محاسبه ماتریس کوواریانس
  • 9. محاسبه مقادیر ویژه و بردارهای ویژه
  • 10. انتخاب مولفه‌های اصلی
  • 11. تفسیر مولفه‌های اصلی
  • 12. مزایای PCA
  • 13. محدودیت‌های PCA
  • 14. تحلیل مؤلفه‌های مستقل (ICA) - مبانی
  • 15. تفاوت ICA با PCA
  • 16. مفاهیم آماری در ICA
  • 17. الگوریتم‌های ICA
  • 18. کاربردهای ICA
  • 19. تحلیل تشابه (Factor Analysis) - مبانی
  • 20. مدل‌سازی در تحلیل تشابه
  • 21. تفاوت تحلیل تشابه با PCA
  • 22. تفسیر عوامل
  • 23. کاربردهای تحلیل تشابه
  • 24. کاهش ابعاد غیرخطی
  • 25. t-Distributed Stochastic Neighbor Embedding (t-SNE) - مبانی
  • 26. مفهوم احتمال همسایگی
  • 27. تابع هزینه در t-SNE
  • 28. پارامتر Perplexity
  • 29. کاربرد t-SNE در بصری‌سازی
  • 30. مزایای t-SNE
  • 31. محدودیت‌های t-SNE
  • 32. Uniform Manifold Approximation and Projection (UMAP) - مبانی
  • 33. اصول توپولوژیکی در UMAP
  • 34. ساخت گراف در UMAP
  • 35. تابع هزینه در UMAP
  • 36. مقایسه UMAP با t-SNE
  • 37. مزایای UMAP
  • 38. محدودیت‌های UMAP
  • 39. کاهش بعد مبتنی بر درخت (Tree-based Dimensionality Reduction)
  • 40. Random Forests برای انتخاب ویژگی
  • 41. Gradient Boosting برای انتخاب ویژگی
  • 42. مزایای روش‌های مبتنی بر درخت
  • 43. محدودیت‌های روش‌های مبتنی بر درخت
  • 44. انتخاب ویژگی (Feature Selection) در مقابل استخراج ویژگی (Feature Extraction)
  • 45. روش‌های فیلتر (Filter Methods)
  • 46. آمار مبتنی بر همبستگی
  • 47. آزمون‌های آماری برای انتخاب ویژگی
  • 48. مزایا و معایب روش‌های فیلتر
  • 49. روش‌های بسته‌بندی (Wrapper Methods)
  • 50. جستجوی حریصانه (Greedy Search)
  • 51. انتخاب ویژگی با استفاده از مدل‌ها
  • 52. مزایا و معایب روش‌های بسته‌بندی
  • 53. روش‌های ترکیبی (Embedded Methods)
  • 54. انتخاب ویژگی در مدل‌های رگرسیون منظم شده (Regularized Regression)
  • 55. انتخاب ویژگی در مدل‌های درخت تصمیم
  • 56. مزایا و معایب روش‌های ترکیبی
  • 57. کاهش بعد در داده‌های متنی
  • 58. نمایش اسناد (Document Representation)
  • 59. مدل Bag-of-Words (BoW)
  • 60. مدل TF-IDF
  • 61. کاهش ابعاد در BoW و TF-IDF
  • 62. مدل‌های موضوعی (Topic Modeling)
  • 63. Latent Dirichlet Allocation (LDA) - مبانی
  • 64. مراحل اجرای LDA
  • 65. تفسیر موضوعات در LDA
  • 66. کاربرد LDA در کاهش بعد
  • 67. مزایای LDA
  • 68. محدودیت‌های LDA
  • 69. کاهش بعد در داده‌های تصویری
  • 70. استخراج ویژگی از تصاویر
  • 71. شبکه‌های عصبی کانولوشنال (CNN) برای استخراج ویژگی
  • 72. استفاده از لایه‌های میانی CNN به عنوان ویژگی
  • 73. Autoencoders برای کاهش بعد
  • 74. مبانی Autoencoders
  • 75. انواع Autoencoders (Sparse, Denoising)
  • 76. کاربرد Autoencoders در کاهش بعد تصاویر
  • 77. کاهش بعد در داده‌های سری زمانی
  • 78. ویژگی‌های سری زمانی
  • 79. تبدیل موجک (Wavelet Transform)
  • 80. نمونه‌برداری مجدد (Resampling)
  • 81. استفاده از PCA بر روی ویژگی‌های سری زمانی
  • 82. کاهش بعد در داده‌های گرافی
  • 83. نمایش گرافی
  • 84. Embedding گرافی
  • 85. Node2Vec
  • 86. Graph Convolutional Networks (GCNs) برای کاهش بعد
  • 87. ارزیابی روش‌های کاهش بعد
  • 88. معیارهای ارزیابی برای حفظ وضوح (Variance)
  • 89. معیارهای ارزیابی برای حفظ ساختار (Structure Preservation)
  • 90. معیارهای ارزیابی برای بصری‌سازی
  • 91. تکنیک‌های بصری‌سازی داده‌های کاهش یافته
  • 92. بصری‌سازی با استفاده از Scatter Plots
  • 93. بصری‌سازی با استفاده از Heatmaps
  • 94. بصری‌سازی با استفاده از Parallel Coordinates
  • 95. بصری‌سازی با استفاده از T-SNE و UMAP
  • 96. نکات عملی در انتخاب روش کاهش بعد
  • 97. اندازه و نوع داده
  • 98. هدف از کاهش بعد
  • 99. قابلیت تفسیرپذیری
  • 100. پیاده‌سازی و ابزارهای موجود (Scikit-learn, TensorFlow, PyTorch)

📚 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.