سپنتا کتاب اکسپرس
کتاب پیش‌پردازش داده‌ها و مهندسی ویژگی برای MLP

کتاب پیش‌پردازش داده‌ها و مهندسی ویژگی برای MLP

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 پیش‌پردازش داده‌ها و مهندسی ویژگی برای MLP

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی پرسپترون چند لایه (MLP)

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر یادگیری ماشین و شبکه‌های عصبی
  • 2. آشنایی با پرسپترون تک لایه
  • 3. آموزش پرسپترون تک لایه
  • 4. محدودیت‌های پرسپترون تک لایه
  • 5. شبکه‌های عصبی چند لایه (MLP)
  • 6. تابع فعال‌سازی سیگموئید
  • 7. تابع فعال‌سازی ReLU
  • 8. تابع فعال‌سازی تانژانت هیپربولیک
  • 9. تابع فعال‌سازی Softmax
  • 10. ساختار لایه‌ها در MLP
  • 11. لایه ورودی
  • 12. لایه‌های پنهان
  • 13. لایه خروجی
  • 14. انتخاب تعداد لایه‌های پنهان
  • 15. انتخاب تعداد نورون‌ها در لایه‌های پنهان
  • 16. انتشار پیشرو (Forward Propagation)
  • 17. محاسبه خروجی شبکه
  • 18. انتشار پسرو (Backpropagation)
  • 19. محاسبه گرادیان خطا
  • 20. قانون دلتا
  • 21. بهینه‌سازی با استفاده از گرادیان کاهشی
  • 22. نرخ یادگیری
  • 23. تنظیم نرخ یادگیری
  • 24. گرادیان کاهشی دسته‌ای (Batch Gradient Descent)
  • 25. گرادیان کاهشی تصادفی (Stochastic Gradient Descent)
  • 26. گرادیان کاهشی مینی‌بچ (Mini-batch Gradient Descent)
  • 27. تابع هزینه (Loss Function)
  • 28. خطای میانگین مربعات (MSE)
  • 29. آنتروپی متقاطع (Cross-Entropy)
  • 30. تنظیم وزن‌ها با استفاده از گرادیان کاهشی
  • 31. نرمال‌سازی ورودی‌ها
  • 32. اهمیت نرمال‌سازی
  • 33. روش‌های نرمال‌سازی
  • 34. نرمال‌سازی Min-Max
  • 35. استانداردسازی (Z-score Normalization)
  • 36. نرمال‌سازی Batch Normalization
  • 37. تاثیر Batch Normalization بر آموزش
  • 38. پیش‌پردازش داده‌ها برای MLP
  • 39. پاکسازی داده‌های پرت (Outliers)
  • 40. شناسایی داده‌های پرت
  • 41. روش‌های حذف داده‌های پرت
  • 42. جایگزینی داده‌های پرت
  • 43. مهندسی ویژگی (Feature Engineering)
  • 44. اهمیت مهندسی ویژگی
  • 45. ایجاد ویژگی‌های جدید
  • 46. ترکیب ویژگی‌ها
  • 47. تبدیل ویژگی‌ها
  • 48. مقیاس‌بندی ویژگی‌ها
  • 49. کدگذاری ویژگی‌های دسته‌ای (Categorical Features)
  • 50. کدگذاری One-Hot
  • 51. کدگذاری Label Encoding
  • 52. کدگذاری Target Encoding
  • 53. انتخاب ویژگی (Feature Selection)
  • 54. روش‌های مبتنی بر فیلتر
  • 55. روش‌های مبتنی بر wrapper
  • 56. روش‌های مبتنی بر embedded
  • 57. کاهش ابعاد (Dimensionality Reduction)
  • 58. تحلیل مولفه‌های اصلی (PCA)
  • 59. کاربرد PCA در MLP
  • 60. تکنیک‌های کاهش ابعاد دیگر
  • 61. بررسی همبستگی ویژگی‌ها
  • 62. تشخیص هم‌خطی (Multicollinearity)
  • 63. تاثیر هم‌خطی بر مدل
  • 64. روش‌های مقابله با هم‌خطی
  • 65. انتقال یادگیری (Transfer Learning)
  • 66. آشنایی با انتقال یادگیری
  • 67. کاربرد انتقال یادگیری در MLP
  • 68. تنظیم دقیق مدل (Fine-tuning)
  • 69. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 70. جستجوی شبکه‌ای (Grid Search)
  • 71. جستجوی تصادفی (Random Search)
  • 72. روش‌های بهینه‌سازی ابرپارامترها
  • 73. اعتبارسنجی متقابل (Cross-Validation)
  • 74. K-Fold Cross-Validation
  • 75. استراتژی‌های تقسیم داده
  • 76. مجموعه آموزش، اعتبارسنجی و تست
  • 77. اهمیت مجموعه تست
  • 78. بیش‌برازش (Overfitting)
  • 79. شناسایی بیش‌برازش
  • 80. روش‌های مقابله با بیش‌برازش
  • 81. تنظیم‌گری (Regularization)
  • 82. L1 Regularization
  • 83. L2 Regularization
  • 84. Dropout
  • 85. کاربرد Dropout در MLP
  • 86. کم‌برازش (Underfitting)
  • 87. شناسایی کم‌برازش
  • 88. روش‌های مقابله با کم‌برازش
  • 89. تنظیم معماری شبکه
  • 90. تنظیم تابع فعال‌سازی
  • 91. تنظیم تابع هزینه
  • 92. تنظیم بهینه‌ساز
  • 93. تنظیم نرخ یادگیری پویا
  • 94. روش‌های پیشرفته بهینه‌سازی
  • 95. Adam Optimizer
  • 96. RMSprop Optimizer
  • 97. Adagrad Optimizer
  • 98. Momentum
  • 99. تنظیم پارامترهای بهینه‌سازها
  • 100. جمع‌بندی و مراحل نهایی آموزش

📚 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.