اکسپرس 24
کتاب ساخت سرویس‌های پیش‌بینی آینده با Azure ML و R

کتاب ساخت سرویس‌های پیش‌بینی آینده با Azure ML و R

تگ‌ها: Azure ML پیش‌بینی داده تحلیل پیش‌بینانه سرویس‌های ابری مدل‌سازی پیش‌بینانه هوش مصنوعی 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 ساخت سرویس‌های پیش‌بینی آینده با Azure ML و R

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌سازی پیش‌بینانه با استفاده از ابزارهای ابری

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
  • 2. مفاهیم پایه یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. یادگیری نظارت شده
  • 5. یادگیری بدون نظارت
  • 6. یادگیری تقویتی
  • 7. مقدمه ای بر Azure Machine Learning
  • 8. ایجاد فضای کاری در Azure ML
  • 9. مجموعه داده ها در Azure ML
  • 10. ویژگی های مجموعه داده
  • 11. بارگذاری داده ها در Azure ML
  • 12. مدیریت مجموعه داده ها
  • 13. آماده سازی داده ها
  • 14. پاکسازی داده ها
  • 15. تبدیل داده ها
  • 16. مهندسی ویژگی
  • 17. انتخاب ویژگی
  • 18. تقسیم داده ها
  • 19. مدل های یادگیری ماشین
  • 20. رگرسیون خطی
  • 21. رگرسیون لجستیک
  • 22. ماشین بردار پشتیبان (SVM)
  • 23. درختان تصمیم
  • 24. جنگل های تصادفی
  • 25. شبکه های عصبی
  • 26. مقدمه ای بر زبان R
  • 27. محیط توسعه RStudio
  • 28. مبانی زبان R
  • 29. ساختار داده ها در R
  • 30. توابع در R
  • 31. بسته های R
  • 32. نصب و بارگذاری بسته ها
  • 33. تجسم داده ها در R
  • 34. کتابخانه ggplot2
  • 35. رسم نمودارهای پراکندگی
  • 36. رسم نمودارهای خطی
  • 37. رسم نمودارهای میله ای
  • 38. رسم نمودارهای هیستوگرام
  • 39. رسم نمودارهای جعبه ای
  • 40. آماده سازی داده ها در R
  • 41. پاکسازی داده ها در R
  • 42. تبدیل داده ها در R
  • 43. مهندسی ویژگی در R
  • 44. انتخاب ویژگی در R
  • 45. تقسیم داده ها در R
  • 46. ساخت مدل های یادگیری ماشین در R
  • 47. آموزش مدل های رگرسیون در R
  • 48. ارزیابی مدل های رگرسیون در R
  • 49. آموزش مدل های طبقه بندی در R
  • 50. ارزیابی مدل های طبقه بندی در R
  • 51. استفاده از Azure ML SDK برای R
  • 52. اتصال به Azure ML از R
  • 53. مدیریت مجموعه داده ها در Azure ML از R
  • 54. آماده سازی داده ها در Azure ML از R
  • 55. ساخت و آموزش مدل ها در Azure ML از R
  • 56. استقرار مدل ها به عنوان سرویس های وب
  • 57. استقرار مدل ها در Azure ML
  • 58. مصرف سرویس های وب مدل
  • 59. امنیت سرویس های وب
  • 60. نظارت بر سرویس های وب
  • 61. مدیریت چرخه عمر مدل
  • 62. مفاهیم پیش بینی کننده
  • 63. ساخت پیش بینی کننده ها
  • 64. تنظیم پیش بینی کننده ها
  • 65. ارزیابی پیش بینی کننده ها
  • 66. استقرار پیش بینی کننده ها
  • 67. کاربرد پیش بینی کننده ها در کسب و کار
  • 68. مدیریت داده های سری زمانی
  • 69. مدل های پیش بینی سری زمانی
  • 70. ارزیابی مدل های سری زمانی
  • 71. پیش بینی تقاضا
  • 72. پیش بینی فروش
  • 73. پیش بینی قیمت
  • 74. پیش بینی ریسک
  • 75. مقدمه ای بر یادگیری عمیق
  • 76. شبکه های عصبی کانولوشنال (CNN)
  • 77. شبکه های عصبی بازگشتی (RNN)
  • 78. کاربرد یادگیری عمیق در Azure ML
  • 79. ساخت مدل های یادگیری عمیق در R
  • 80. استفاده از TensorFlow و Keras در R
  • 81. آموزش مدل های یادگیری عمیق در Azure ML
  • 82. بهینه سازی مدل های یادگیری ماشین
  • 83. تنظیم ابرپارامترها
  • 84. اعتبارسنجی متقابل
  • 85. روش های بهبود مدل
  • 86. اخلاق در هوش مصنوعی
  • 87. سوگیری در الگوریتم ها
  • 88. شفافیت و توضیح پذیری
  • 89. حریم خصوصی داده ها
  • 90. مسئولیت پذیری در هوش مصنوعی
  • 91. ملاحظات قانونی و شرعی در هوش مصنوعی
  • 92. امنیت داده ها و مدل ها
  • 93. ملاحظات اقتصادی پیاده سازی هوش مصنوعی
  • 94. مدیریت تغییرات سازمانی
  • 95. آینده هوش مصنوعی و یادگیری ماشین
  • 96. نوآوری در سرویس های پیش بینی کننده
  • 97. روندهای نوظهور در Azure ML
  • 98. کاربرد هوش مصنوعی در صنایع مختلف
  • 99. توسعه مهارت های لازم برای کار با هوش مصنوعی

📚 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.