سپنتا کتاب اکسپرس
کتاب یادگیری ماشین کاربردی با Scikit-learn در پایتون

کتاب یادگیری ماشین کاربردی با Scikit-learn در پایتون

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 یادگیری ماشین کاربردی با Scikit-learn در پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
  • 2. نصب و راه‌اندازی محیط پایتون و کتابخانه‌های لازم
  • 3. آشنایی با کتابخانه Scikit-learn
  • 4. مفاهیم پایه در یادگیری ماشین: داده‌ها، ویژگی‌ها و برچسب‌ها
  • 5. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت و تقویتی
  • 6. پیش‌پردازش داده‌ها: پاکسازی و مدیریت داده‌های گمشده
  • 7. پیش‌پردازش داده‌ها: مقیاس‌بندی ویژگی‌ها (Scaling)
  • 8. پیش‌پردازش داده‌ها: کدگذاری متغیرهای دسته‌ای (Encoding)
  • 9. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
  • 10. کاهش ابعاد: تجزیه و تحلیل تفکیکی خطی (LDA)
  • 11. شناخت الگوریتم‌های طبقه‌بندی (Classification)
  • 12. رگرسیون خطی (Linear Regression)
  • 13. رگرسیون لجستیک (Logistic Regression)
  • 14. ماشین‌های بردار پشتیبان (SVM)
  • 15. درختان تصمیم (Decision Trees)
  • 16. جنگل‌های تصادفی (Random Forests)
  • 17. دسته‌بندی‌کننده‌های Naive Bayes
  • 18. دسته‌بندی‌کننده‌های K-نزدیک‌ترین همسایه (KNN)
  • 19. متریک‌های ارزیابی مدل‌های طبقه‌بندی: دقت (Accuracy)
  • 20. متریک‌های ارزیابی مدل‌های طبقه‌بندی: ماتریس درهم‌ریختگی (Confusion Matrix)
  • 21. متریک‌های ارزیابی مدل‌های طبقه‌بندی: دقت (Precision) و بازیابی (Recall)
  • 22. متریک‌های ارزیابی مدل‌های طبقه‌بندی: امتیاز F1
  • 23. متریک‌های ارزیابی مدل‌های طبقه‌بندی: منحنی ROC و AUC
  • 24. شناخت الگوریتم‌های رگرسیون (Regression)
  • 25. رگرسیون چندجمله‌ای (Polynomial Regression)
  • 26. رگرسیون ریج (Ridge Regression)
  • 27. رگرسیون لاسو (Lasso Regression)
  • 28. متریک‌های ارزیابی مدل‌های رگرسیون: خطای میانگین مربعات (MSE)
  • 29. متریک‌های ارزیابی مدل‌های رگرسیون: ریشه خطای میانگین مربعات (RMSE)
  • 30. متریک‌های ارزیابی مدل‌های رگرسیون: خطای میانگین مطلق (MAE)
  • 31. متریک‌های ارزیابی مدل‌های رگرسیون: ضریب تعیین (R-squared)
  • 32. یادگیری بدون نظارت (Unsupervised Learning)
  • 33. خوشه‌بندی (Clustering)
  • 34. الگوریتم K-Means
  • 35. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
  • 36. خوشه‌بندی DBSCAN
  • 37. ارزیابی مدل‌های خوشه‌بندی: ضریب سیلوئت (Silhouette Coefficient)
  • 38. قوانین انجمنی (Association Rules)
  • 39. الگوریتم Apriori
  • 40. متریک‌های ارزیابی قوانین انجمنی: پشتیبانی (Support) و اطمینان (Confidence)
  • 41. یادگیری تقویتی (Reinforcement Learning) - مقدماتی
  • 42. مفاهیم پایه در یادگیری تقویتی: عامل، محیط، پاداش
  • 43. مدل‌های یادگیری تقویتی: Q-Learning
  • 44. مدل‌های یادگیری تقویتی: Deep Q-Networks (DQN)
  • 45. پردازش زبان طبیعی (NLP) - مقدماتی
  • 46. پردازش متن: توکن‌سازی (Tokenization)
  • 47. پردازش متن: حذف کلمات توقف (Stop Words)
  • 48. پردازش متن: ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
  • 49. بردار سازی متن: Bag-of-Words (BoW)
  • 50. بردار سازی متن: TF-IDF
  • 51. ساخت مدل‌های طبقه‌بندی متن
  • 52. ساخت مدل‌های تحلیل احساسات (Sentiment Analysis)
  • 53. شبکه‌های عصبی مصنوعی (Artificial Neural Networks) - مقدماتی
  • 54. مفهوم نورون و لایه‌ها
  • 55. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
  • 56. توابع فعال‌سازی (Activation Functions)
  • 57. روش پس‌انتشار خطا (Backpropagation)
  • 58. بهینه‌سازی مدل‌های شبکه‌های عصبی
  • 59. بهینه‌سازهای رایج: SGD، Adam
  • 60. تنظیم فراپارامترها (Hyperparameter Tuning)
  • 61. اعتبارسنجی متقابل (Cross-Validation)
  • 62. جستجوی شبکه‌ای (Grid Search)
  • 63. جستجوی تصادفی (Random Search)
  • 64. مدیریت مدل‌ها و ذخیره‌سازی
  • 65. کار با داده‌های واقعی و مسائل عملی
  • 66. مثال کاربردی: پیش‌بینی قیمت مسکن
  • 67. مثال کاربردی: تشخیص اسپم در ایمیل‌ها
  • 68. مثال کاربردی: دسته‌بندی تصاویر (مقدماتی)
  • 69. مثال کاربردی: سیستم‌های توصیه‌گر (مقدماتی)
  • 70. ملاحظات اخلاقی در یادگیری ماشین
  • 71. حریم خصوصی داده‌ها و امنیت
  • 72. سوگیری در الگوریتم‌ها و راه‌های مقابله
  • 73. تفسیرپذیری مدل‌ها (Model Interpretability)
  • 74. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
  • 75. شبکه‌های عصبی کانولوشنی (CNN) - مقدماتی
  • 76. شبکه‌های عصبی بازگشتی (RNN) - مقدماتی
  • 77. کاربرد یادگیری عمیق در پردازش تصویر
  • 78. کاربرد یادگیری عمیق در پردازش زبان طبیعی
  • 79. مقدمه‌ای بر یادگیری ماشین در حوزه داده‌های سری زمانی
  • 80. پیش‌بینی سری زمانی با مدل‌های آماری
  • 81. پیش‌بینی سری زمانی با مدل‌های یادگیری ماشین
  • 82. کاربرد Scikit-learn در تحلیل داده‌های سری زمانی
  • 83. مقدمه‌ای بر یادگیری ماشین در حوزه داده‌های گراف
  • 84. مفاهیم پایه در داده‌های گراف
  • 85. کاربرد یادگیری ماشین در تحلیل شبکه‌های اجتماعی
  • 86. مقدمه‌ای بر یادگیری ماشین در حوزه داده‌های مکانی-زمانی
  • 87. تحلیل داده‌های مکانی-زمانی
  • 88. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
  • 89. تکنیک‌های پیشرفته مهندسی ویژگی
  • 90. روش‌های ترکیب مدل‌ها (Ensemble Methods)
  • 91. تقویت گرادیان (Gradient Boosting)
  • 92. مدل XGBoost
  • 93. مدل LightGBM
  • 94. مقدمه‌ای بر یادگیری ماشین توزیع‌شده (Distributed Machine Learning)
  • 95. مقدمه‌ای بر MLOps (Machine Learning Operations)
  • 96. پایش و نگهداری مدل‌های یادگیری ماشین
  • 97. توسعه پایدار و مسئولانه در یادگیری ماشین
  • 98. مرور بر آخرین روندها در یادگیری ماشین

📚 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.