اکسپرس 24
کتاب یادگیری ماشین نظارت‌شده با کتابخانه‌های پایتون (scikit-learn)

کتاب یادگیری ماشین نظارت‌شده با کتابخانه‌های پایتون (scikit-learn)

تگ‌ها: scikit-learn پایتون علم داده مدل‌سازی پیش‌بینی هوش مصنوعی یادگیری ماشین یادگیری ماشین با پایتون یادگیری نظارت‌شده

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 نظارت‌شده با کتابخانه‌های پایتون (scikit-learn)

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین نظارت‌شده
  • 2. مفاهیم پایه یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. مجموعه داده‌ها و ویژگی‌ها
  • 5. پیش‌پردازش داده‌ها
  • 6. پاک‌سازی داده‌ها
  • 7. مدل‌سازی داده‌ها
  • 8. انتخاب ویژگی
  • 9. مهندسی ویژگی
  • 10. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
  • 11. ارزیابی مدل‌ها
  • 12. معیارهای ارزیابی مدل‌های طبقه‌بندی
  • 13. معیارهای ارزیابی مدل‌های رگرسیون
  • 14. مقدمه‌ای بر scikit-learn
  • 15. نصب و راه‌اندازی scikit-learn
  • 16. ساختار کلی scikit-learn
  • 17. داده‌ها در scikit-learn
  • 18. انواع داده‌ها و فرمت‌ها
  • 19. آماده‌سازی داده‌ها برای scikit-learn
  • 20. مدل‌های یادگیری ماشین در scikit-learn
  • 21. مدل‌های رگرسیون خطی
  • 22. رگرسیون چندجمله‌ای
  • 23. رگرسیون ریج
  • 24. رگرسیون لاسو
  • 25. رگرسیون الاستیک نت
  • 26. مدل‌های طبقه‌بندی
  • 27. رگرسیون لجستیک
  • 28. ماشین‌های بردار پشتیبان (SVM)
  • 29. درخت‌های تصمیم
  • 30. جنگل‌های تصادفی
  • 31. بوستینگ گرادیان
  • 32. مدل‌های K-نزدیک‌ترین همسایه (KNN)
  • 33. طبقه‌بندی بیز ساده
  • 34. مدل‌های خوشه‌بندی (غیرنظارت‌شده)
  • 35. K-means
  • 36. خوشه‌بندی سلسله مراتبی
  • 37. تحلیل مولفه‌های اصلی (PCA)
  • 38. کاهش ابعاد
  • 39. انتخاب مدل
  • 40. تنظیم هایپرپارامترها
  • 41. اعتبارسنجی متقابل (Cross-validation)
  • 42. جستجوی شبکه‌ای (Grid Search)
  • 43. جستجوی تصادفی (Random Search)
  • 44. مدیریت بایاس و واریانس
  • 45. بیش‌برازش (Overfitting)
  • 46. کم‌برازش (Underfitting)
  • 47. تنظیم مدل‌ها برای جلوگیری از بیش‌برازش
  • 48. یادگیری انتقالی (Transfer Learning)
  • 49. مقدمه‌ای بر یادگیری عمیق
  • 50. شبکه‌های عصبی پرسپترون چندلایه (MLP)
  • 51. شبکه‌های عصبی کانولوشنی (CNN)
  • 52. شبکه‌های عصبی بازگشتی (RNN)
  • 53. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 54. مدل‌سازی موضوعی
  • 55. تحلیل احساسات
  • 56. استخراج اطلاعات
  • 57. کاربردها در صنعت
  • 58. یادگیری ماشین در پزشکی
  • 59. یادگیری ماشین در مالی
  • 60. یادگیری ماشین در بازاریابی
  • 61. یادگیری ماشین در سیستم‌های توصیه‌گر
  • 62. یادگیری ماشین در تشخیص تقلب
  • 63. یادگیری ماشین در رباتیک
  • 64. یادگیری ماشین در هوش مصنوعی مولد
  • 65. ملاحظات اخلاقی در یادگیری ماشین
  • 66. حریم خصوصی داده‌ها
  • 67. سوگیری الگوریتمی
  • 68. مسئولیت‌پذیری در هوش مصنوعی
  • 69. امنیت در سیستم‌های یادگیری ماشین
  • 70. پیاده‌سازی مدل‌ها در عمل
  • 71. استقرار مدل‌ها
  • 72. مانیتورینگ مدل‌ها
  • 73. به‌روزرسانی مدل‌ها
  • 74. مدیریت چرخه عمر مدل
  • 75. مقدمه‌ای بر یادگیری تقویتی
  • 76. عناصر یادگیری تقویتی
  • 77. الگوریتم‌های یادگیری تقویتی
  • 78. کاربردها در یادگیری تقویتی
  • 79. یادگیری ماشین پیشرفته
  • 80. یادگیری نیمه‌نظارت‌شده
  • 81. یادگیری خودنظارت‌شده
  • 82. مدل‌های گراف (Graph Neural Networks)
  • 83. پردازش داده‌های سری زمانی
  • 84. پیش‌بینی سری زمانی
  • 85. مدل‌سازی آماری سری زمانی
  • 86. کاربردها در حوزه اقتصاد و مالی
  • 87. مدل‌های ترکیبی
  • 88. یادگیری ماشین و داده‌های حجیم (Big Data)
  • 89. چارچوب‌های پردازش توزیع‌شده
  • 90. Spark MLlib
  • 91. آموزش مدل‌های بزرگ
  • 92. مقدمه‌ای بر شبکه‌های عصبی گرافی
  • 93. کاربردهای شبکه‌های عصبی گرافی
  • 94. یادگیری ماشین قابل تفسیر (XAI)
  • 95. تکنیک‌های تفسیرپذیری مدل
  • 96. نمایش بصری نتایج مدل
  • 97. ارزیابی صحت و دقت مدل‌های قابل تفسیر
  • 98. مدیریت پروژه در یادگیری ماشین
  • 99. مستندسازی پروژه‌های یادگیری ماشین
  • 100. همکاری در تیم‌های 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.