اکسپرس 24
کتاب مبانی یادگیری ماشین: سادگی در مدل‌های یادگیری سازگار

کتاب مبانی یادگیری ماشین: سادگی در مدل‌های یادگیری سازگار

تگ‌ها: پردازش داده تحلیل داده تیغ اُکام علوم کامپیوتر مبانی یادگیری ماشین مدل‌های یادگیری هوش مصنوعی یادگیری سازگار یادگیری ماشین

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 مبانی یادگیری ماشین: سادگی در مدل‌های یادگیری سازگار

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
  • 2. تعریف یادگیری ماشین و انواع آن
  • 3. مروری بر مفاهیم آماری پایه برای یادگیری ماشین
  • 4. نظریه احتمال و کاربرد آن در مدل‌سازی
  • 5. آمار توصیفی و استنباطی
  • 6. مفاهیم اساسی یادگیری نظارت شده
  • 7. رگرسیون خطی ساده و چندگانه
  • 8. ارزیابی مدل‌های رگرسیون
  • 9. طبقه‌بندی خطی
  • 10. رگرسیون لجستیک
  • 11. ارزیابی مدل‌های طبقه‌بندی
  • 12. مفهوم واریانس و بایاس (Bias-Variance Tradeoff)
  • 13. مدل‌های مبتنی بر درخت تصمیم
  • 14. درختان تصمیم برای رگرسیون
  • 15. درختان تصمیم برای طبقه‌بندی
  • 16. ارزیابی درختان تصمیم
  • 17. مقدمه‌ای بر الگوریتم‌های دسته‌بندی‌کننده
  • 18. دسته‌بندی‌کننده بیز ساده (Naive Bayes)
  • 19. مفاهیم یادگیری بدون نظارت
  • 20. خوشه‌بندی K-Means
  • 21. ارزیابی خوشه‌بندی
  • 22. کاهش ابعاد
  • 23. تحلیل مؤلفه‌های اصلی (PCA)
  • 24. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
  • 25. نورون مصنوعی و توابع فعال‌سازی
  • 26. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
  • 27. پس‌انتشار خطا (Backpropagation)
  • 28. بهینه‌سازی در شبکه‌های عصبی
  • 29. آموزش مدل‌های عمیق
  • 30. شبکه‌های عصبی کانولوشنال (CNN)
  • 31. کاربرد CNN در پردازش تصویر
  • 32. شبکه‌های عصبی بازگشتی (RNN)
  • 33. کاربرد RNN در پردازش زبان طبیعی
  • 34. یادگیری تقویتی: مفاهیم پایه
  • 35. عامل، محیط، حالت، عمل، پاداش
  • 36. یادگیری تقویتی بدون مدل
  • 37. یادگیری تقویتی با مدل
  • 38. الگوریتم‌های Q-Learning
  • 39. الگوریتم‌های Policy Gradient
  • 40. مقدمه‌ای بر یادگیری عمیق
  • 41. مدل‌های زبانی و پردازش متن
  • 42. شبکه‌های ترنسفورمر
  • 43. کاربرد ترنسفورمرها در مدل‌های زبانی بزرگ
  • 44. مدل‌های مولد
  • 45. خودرمزگذارها (Autoencoders)
  • 46. شبکه‌های مولد تخاصمی (GANs)
  • 47. کاربرد GANs در تولید تصویر
  • 48. یادگیری انتقالی (Transfer Learning)
  • 49. تنظیم دقیق مدل‌های از پیش آموزش دیده
  • 50. یادگیری چند-وظیفه‌ای (Multi-task Learning)
  • 51. یادگیری فدرال (Federated Learning)
  • 52. مقدمه‌ای بر یادگیری ماشین سازگار
  • 53. چالش‌های یادگیری ماشین در دنیای واقعی
  • 54. مفهوم سازگاری در یادگیری ماشین
  • 55. اهمیت سادگی در مدل‌های یادگیری
  • 56. قاعده اوکام (Occam's Razor) در انتخاب مدل
  • 57. مدل‌های ساده در مقابل مدل‌های پیچیده
  • 58. تکنیک‌های انتخاب ویژگی (Feature Selection)
  • 59. انتخاب ویژگی مبتنی بر فیلتر
  • 60. انتخاب ویژگی مبتنی بر wrapper
  • 61. انتخاب ویژگی مبتنی بر embedded
  • 62. اهمیت مهندسی ویژگی (Feature Engineering)
  • 63. روش‌های ایجاد ویژگی‌های جدید
  • 64. کاربرد ویژگی‌های مهندسی شده در مدل‌ها
  • 65. تنظیم فراپارامترها (Hyperparameter Tuning)
  • 66. جستجوی شبکه‌ای (Grid Search)
  • 67. جستجوی تصادفی (Random Search)
  • 68. بهینه‌سازی بیزین (Bayesian Optimization)
  • 69. روش‌های اعتبارسنجی متقابل (Cross-Validation)
  • 70. اعتبارسنجی K-Fold
  • 71. اعتبارسنجی Leave-One-Out
  • 72. مدیریت داده‌های نامتوازن (Imbalanced Data)
  • 73. روش‌های نمونه‌برداری
  • 74. تکنیک‌های افزایش داده (Data Augmentation)
  • 75. تکنیک‌های منظم‌سازی (Regularization)
  • 76. منظم‌سازی L1 و L2
  • 77. کاهش بیش‌برازش (Overfitting)
  • 78. مقدمه‌ای بر یادگیری ماشین قابل تفسیر (Interpretable ML)
  • 79. چرا تفسیرپذیری مهم است؟
  • 80. روش‌های تفسیرپذیری سراسری (Global Interpretability)
  • 81. روش‌های تفسیرپذیری محلی (Local Interpretability)
  • 82. روش LIME
  • 83. روش SHAP
  • 84. کاربرد تفسیرپذیری در حوزه‌های مختلف
  • 85. ملاحظات اخلاقی در یادگیری ماشین
  • 86. سوگیری در داده‌ها و مدل‌ها
  • 87. عدالت و انصاف در هوش مصنوعی
  • 88. حریم خصوصی و امنیت داده‌ها
  • 89. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
  • 90. مقدمه‌ای بر یادگیری ماشین پایدار
  • 91. یادگیری ماشین و توسعه پایدار
  • 92. کاربرد یادگیری ماشین در محیط زیست
  • 93. کاربرد یادگیری ماشین در سلامت
  • 94. کاربرد یادگیری ماشین در آموزش
  • 95. مقدمه‌ای بر معماری‌های نوین یادگیری ماشین
  • 96. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
  • 97. شبکه‌های عصبی گراف (Graph Neural Networks)
  • 98. کاربرد GNN در تحلیل شبکه‌ها
  • 99. یادگیری ماشین در سیستم‌های توصیه‌گر
  • 100. مقدمه‌ای بر هوش مصنوعی مولد

📚 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.