کتاب مبانی یادگیری ماشین و هوش مصنوعی: از تئوری تا کاربرد در سامانه های هوشمند

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 و هوش مصنوعی: از تئوری تا کاربرد در سامانه های هوشمند

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

  • 1. مبانی هوش مصنوعی و یادگیری ماشین
  • 2. تاریخچه هوش مصنوعی
  • 3. مفاهیم کلیدی هوش مصنوعی
  • 4. انواع هوش مصنوعی
  • 5. یادگیری ماشین چیست
  • 6. انواع یادگیری ماشین
  • 7. یادگیری نظارت شده
  • 8. رگرسیون خطی
  • 9. رگرسیون لجستیک
  • 10. ماشین بردار پشتیبان
  • 11. درخت تصمیم
  • 12. جنگل تصادفی
  • 13. گرادیان بوستینگ
  • 14. شبکه‌های عصبی مصنوعی
  • 15. پروسپترون
  • 16. شبکه‌های عصبی عمیق
  • 17. یادگیری بدون نظارت
  • 18. خوشه‌بندی
  • 19. K-Means
  • 20. DBSCAN
  • 21. کاهش ابعاد
  • 22. تحلیل مولفه های اصلی (PCA)
  • 23. یادگیری تقویتی
  • 24. مفاهیم یادگیری تقویتی
  • 25. عامل و محیط
  • 26. حالت، عمل و پاداش
  • 27. سیاست و تابع ارزش
  • 28. الگوریتم‌های یادگیری تقویتی
  • 29. Q-Learning
  • 30. Deep Q-Networks (DQN)
  • 31. Policy Gradients
  • 32. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 33. توکن‌سازی و نرمال‌سازی متن
  • 34. مدل‌های زبانی
  • 35. نمایش کلمات (Word Embeddings)
  • 36. Word2Vec
  • 37. GloVe
  • 38. مقدمه‌ای بر بینایی ماشین
  • 39. پردازش تصویر
  • 40. استخراج ویژگی
  • 41. شبکه‌های عصبی کانولوشنی (CNN)
  • 42. کاربرد CNN در تشخیص تصویر
  • 43. مقدمه‌ای بر سیستم‌های توصیه‌گر
  • 44. انواع سیستم‌های توصیه‌گر
  • 45. فیلترینگ مبتنی بر محتوا
  • 46. فیلترینگ مشارکتی
  • 47. سیستم‌های توصیه‌گر ترکیبی
  • 48. مقدمه‌ای بر یادگیری عمیق
  • 49. معماری‌های یادگیری عمیق
  • 50. شبکه‌های عصبی بازگشتی (RNN)
  • 51. شبکه‌های حافظه طولانی کوتاه (LSTM)
  • 52. شبکه‌های حافظه کوتاه مدت (GRU)
  • 53. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
  • 54. کاربرد یادگیری انتقالی
  • 55. تنظیم دقیق مدل‌ها (Fine-tuning)
  • 56. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
  • 57. مزایای یادگیری فدرال
  • 58. چالش‌های یادگیری فدرال
  • 59. مقدمه‌ای بر هوش مصنوعی مولد
  • 60. مدل‌های زبانی بزرگ (LLMs)
  • 61. معماری ترنسفورمر
  • 62. کاربرد LLMs در تولید متن
  • 63. شبکه‌های مولد تخاصمی (GANs)
  • 64. کاربرد GANs در تولید تصویر
  • 65. مقدمه‌ای بر اخلاق در هوش مصنوعی
  • 66. سوگیری در الگوریتم‌ها
  • 67. شفافیت و قابلیت توضیح‌پذیری (Explainability)
  • 68. حریم خصوصی و امنیت داده‌ها
  • 69. مسئولیت‌پذیری در هوش مصنوعی
  • 70. چارچوب‌های قانونی و نظارتی هوش مصنوعی در ایران
  • 71. کاربردهای یادگیری ماشین در صنایع ایران
  • 72. هوش مصنوعی در سلامت
  • 73. هوش مصنوعی در کشاورزی
  • 74. هوش مصنوعی در صنعت
  • 75. هوش مصنوعی در آموزش
  • 76. هوش مصنوعی در اقتصاد و بانکداری اسلامی
  • 77. توسعه مدل‌های یادگیری ماشین در پایتون
  • 78. کتابخانه‌های کلیدی (Scikit-learn, TensorFlow, PyTorch)
  • 79. آماده‌سازی و پیش‌پردازش داده‌ها
  • 80. مهندسی ویژگی
  • 81. ارزیابی مدل‌های یادگیری ماشین
  • 82. معیارهای ارزیابی رگرسیون
  • 83. معیارهای ارزیابی طبقه‌بندی
  • 84. اعتبارسنجی متقابل (Cross-validation)
  • 85. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 86. مقدمه‌ای بر بهینه‌سازی مدل‌ها
  • 87. روش‌های بهینه‌سازی
  • 88. گرادیان کاهشی تصادفی (SGD)
  • 89. بهینه‌سازهای پیشرفته (Adam, RMSprop)
  • 90. مدیریت پروژه‌های یادگیری ماشین
  • 91. چرخه حیات توسعه مدل
  • 92. استقرار مدل‌ها
  • 93. نظارت بر عملکرد مدل
  • 94. توسعه ابزارهای هوشمند در سامانه های آموزشی
  • 95. کاربرد هوش مصنوعی در ارزیابی فراگیران
  • 96. طراحی محتوای آموزشی هوشمند
  • 97. سیستم‌های خودکار پاسخگویی به سوالات
  • 98. تحلیل داده‌های آموزشی با یادگیری ماشین
  • 99. مقدمه‌ای بر داده‌کاوی در حوزه آموزش
  • 100. شناسایی الگوهای یادگیری فراگیران

📚 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.