کتاب امنیت شبکه‌های عصبی با پایتون با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره امنیت شبکه‌های عصبی با پایتون

موضوع کلی: توسعه نرم‌افزارهای کاربردی با پایتون

موضوع میانی: امنیت پایتون

📋 سرفصل‌های دوره

  • 1. مبانی شبکه‌های عصبی و پایتون
  • 2. معرفی کتابخانه‌های پایتون برای یادگیری ماشین
  • 3. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
  • 4. نرمال‌سازی و استانداردسازی داده‌ها
  • 5. انتخاب ویژگی‌های مهم در داده‌ها
  • 6. مدل‌های خطی در شبکه‌های عصبی
  • 7. رگرسیون خطی با پایتون
  • 8. رگرسیون لجستیک و طبقه‌بندی دودویی
  • 9. تابع هزینه و بهینه‌سازی گرادیان کاهشی
  • 10. انتخاب نرخ یادگیری و الگوریتم‌های بهینه‌سازی
  • 11. شبکه‌های عصبی پیش‌خور چندلایه
  • 12. معماری شبکه‌های عصبی پیش‌خور
  • 13. توابع فعال‌سازی: سیگموید، ReLU و تانژانت هذلولی
  • 14. انتخاب تابع فعال‌سازی مناسب
  • 15. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
  • 16. لایه کانولوشنی و فیلترها
  • 17. لایه Pooling و کاهش ابعاد
  • 18. معماری‌های معروف CNN: AlexNet، VGGNet، ResNet
  • 19. شبکه‌های عصبی بازگشتی (RNN) برای پردازش زبان طبیعی
  • 20. حافظه کوتاه‌مدت بلند (LSTM)
  • 21. شبکه‌های حافظه طولانی-کوتاه (GRU)
  • 22. پردازش متن با استفاده از Embedding کلمات
  • 23. تولید متن با استفاده از شبکه‌های RNN
  • 24. تشخیص الگو با استفاده از شبکه‌های عصبی
  • 25. طبقه‌بندی تصاویر با شبکه‌های عصبی
  • 26. تشخیص اشیاء در تصاویر با شبکه‌های عصبی
  • 27. بخش‌بندی تصاویر با شبکه‌های عصبی
  • 28. شبکه‌های مولد تخاصمی (GAN)
  • 29. تولید تصاویر با استفاده از GAN
  • 30. بهبود کیفیت تصاویر با GAN
  • 31. کاربردهای GAN در حوزه‌های مختلف
  • 32. انتقال یادگیری و استفاده از مدل‌های پیش‌آموزش‌دیده
  • 33. Fine-tuning مدل‌های پیش‌آموزش‌دیده
  • 34. انتخاب مدل مناسب برای انتقال یادگیری
  • 35. تنظیم پارامترهای مدل‌های پیش‌آموزش‌دیده
  • 36. روش‌های جلوگیری از بیش‌برازش (Overfitting)
  • 37. Regularization و Dropout
  • 38. اعتبارسنجی متقابل (Cross-Validation)
  • 39. ارزیابی عملکرد مدل‌های شبکه‌های عصبی
  • 40. متریک‌های ارزیابی: دقت، صحت، فراخوانی و F1-score
  • 41. تکنیک‌های کاهش ابعاد داده‌ها
  • 42. تحلیل مولفه‌های اصلی (PCA)
  • 43. خودرمزگذارها (Autoencoders)
  • 44. امنیت شبکه‌های عصبی در برابر حملات خصمانه
  • 45. حملات Adversarial و روش‌های دفاعی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.