اکسپرس 24
کتاب مقدمه‌ای بر محاسبات در مدل‌سازی شبکه‌های عصبی عمیق

کتاب مقدمه‌ای بر محاسبات در مدل‌سازی شبکه‌های عصبی عمیق

تگ‌ها: برنامه‌نویسی پایتون پردازش موازی شبکه عصبی عمیق علم داده محاسبات علمی مدل‌سازی شبکه‌های عصبی هوش مصنوعی یادگیری عمیق 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 مقدمه‌ای بر محاسبات در مدل‌سازی شبکه‌های عصبی عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

  • 1. مبانی شبکه های عصبی
  • 2. مفهوم نورون مصنوعی
  • 3. توابع فعال‌سازی
  • 4. لایه های شبکه عصبی
  • 5. معماری های پایه شبکه عصبی
  • 6. پس انتشار خطا
  • 7. بهینه سازی گرادیان نزولی
  • 8. نرخ یادگیری و تنظیم آن
  • 9. مجموعه داده های آموزشی و اعتبارسنجی
  • 10. تقسیم داده ها
  • 11. پیش پردازش داده ها
  • 12. نرمال سازی و استانداردسازی
  • 13. مدل های رگرسیون خطی
  • 14. مدل های رگرسیون لجستیک
  • 15. طبقه‌بندی با شبکه های عصبی
  • 16. معیارهای ارزیابی مدل های طبقه‌بندی
  • 17. مقدمه ای بر شبکه های عصبی کانولوشنی (CNN)
  • 18. لایه های کانولوشن
  • 19. فیلترها و کرنل ها در CNN
  • 20. لایه‌های پولینگ
  • 21. معماری های معروف CNN
  • 22. کاربرد CNN در پردازش تصویر
  • 23. تشخیص اشیاء
  • 24. تقسیم بندی تصویر
  • 25. شبکه های عصبی بازگشتی (RNN)
  • 26. حافظه کوتاه مدت در RNN
  • 27. حافظه بلند مدت در RNN (LSTM)
  • 28. شبکه های حافظه کوتاه مدت و بلند مدت (LSTM)
  • 29. شبکه های حافظه کوتاه مدت و بلند مدت (GRU)
  • 30. کاربرد RNN در پردازش زبان طبیعی
  • 31. مدل های زبانی
  • 32. ترجمه ماشینی
  • 33. تولید متن
  • 34. تحلیل احساسات
  • 35. شبکه های عصبی ترانسفورمر
  • 36. مکانیزم توجه (Attention Mechanism)
  • 37. کاربرد ترانسفورمر در پردازش زبان طبیعی
  • 38. ترانسفورمرهای بینایی (Vision Transformers)
  • 39. یادگیری انتقال (Transfer Learning)
  • 40. مدل های از پیش آموزش دیده
  • 41. تنظیم دقیق (Fine-tuning)
  • 42. روش های منظم سازی (Regularization)
  • 43. کاهش برازش (Dropout)
  • 44. منظم سازی L1 و L2
  • 45. تکنیک های افزایش داده (Data Augmentation)
  • 46. شبکه های مولد تخاصمی (GAN)
  • 47. شبکه های مولد (Generator)
  • 48. شبکه های ممیز (Discriminator)
  • 49. آموزش GAN ها
  • 50. کاربرد GAN ها در تولید تصویر
  • 51. شبکه های عصبی گراف (GNN)
  • 52. مفهوم گراف در یادگیری ماشین
  • 53. لایه‌های GNN
  • 54. کاربرد GNN در شبکه های اجتماعی
  • 55. کاربرد GNN در شیمی و زیست شناسی
  • 56. شبکه های عصبی عمیق در یادگیری تقویتی
  • 57. مفهوم عامل (Agent) و محیط (Environment)
  • 58. پاداش و جریمه
  • 59. سیاست (Policy)
  • 60. تابع ارزش (Value Function)
  • 61. الگوریتم های یادگیری تقویتی
  • 62. Q-Learning
  • 63. Deep Q-Networks (DQN)
  • 64. Policy Gradients
  • 65. Actor-Critic Methods
  • 66. کاربرد یادگیری تقویتی در رباتیک
  • 67. کاربرد یادگیری تقویتی در بازی ها
  • 68. مقدمه ای بر یادگیری نیمه نظارتی
  • 69. روش های یادگیری نیمه نظارتی
  • 70. کاربرد یادگیری نیمه نظارتی
  • 71. مقدمه ای بر یادگیری خود نظارتی
  • 72. روش های یادگیری خود نظارتی
  • 73. کاربرد یادگیری خود نظارتی
  • 74. بهینه سازی های پیشرفته در شبکه های عصبی
  • 75. بهینه سازی های مبتنی بر مومنتوم
  • 76. بهینه سازی های آدام (Adam)
  • 77. بهینه سازی های RMSprop
  • 78. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 79. جستجوی شبکه‌ای (Grid Search)
  • 80. جستجوی تصادفی (Random Search)
  • 81. بهینه سازی بیزی (Bayesian Optimization)
  • 82. تفسیرپذیری در شبکه های عصبی (XAI)
  • 83. روش های تفسیرپذیری
  • 84. کاربرد تفسیرپذیری
  • 85. ملاحظات اخلاقی در هوش مصنوعی
  • 86. حریم خصوصی داده ها
  • 87. سوگیری در مدل های هوش مصنوعی
  • 88. مسئولیت پذیری در هوش مصنوعی
  • 89. آینده شبکه های عصبی عمیق

📚 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.