اکسپرس 24
کتاب پیاده‌سازی الگوریتم‌های یادگیری عمیق برای دسته‌بندی تصاویر و متن در داده‌کاوی

کتاب پیاده‌سازی الگوریتم‌های یادگیری عمیق برای دسته‌بندی تصاویر و متن در داده‌کاوی

تگ‌ها: CNN Computer Vision Data Mining Deep Learning Image Classification Machine Learning NLP PyTorch Text Classification Transformer داده کاوی دسته بندی تصاویر دسته بندی متن 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 پیاده‌سازی الگوریتم‌های یادگیری عمیق برای دسته‌بندی تصاویر و متن در داده‌کاوی

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و داده‌کاوی

📋 سرفصل‌های دوره

  • 1. مبانی یادگیری عمیق و جایگاه آن در داده‌کاوی
  • 2. فرایند حل مسئله دسته‌بندی با یادگیری عمیق
  • 3. آماده‌سازی محیط توسعه پایتون برای یادگیری عمیق
  • 4. آشنایی با NumPy و پردازش آرایه‌های داده
  • 5. آشنایی با PyTorch برای پیاده‌سازی مدل‌های یادگیری عمیق
  • 6. ساختار داده‌های آموزشی، اعتبارسنجی و آزمون
  • 7. پیش‌پردازش و نرمال‌سازی داده‌های ورودی
  • 8. مبانی شبکه‌های عصبی مصنوعی
  • 9. نورون مصنوعی و لایه‌های کاملاً متصل
  • 10. توابع فعال‌سازی و انتخاب تابع مناسب
  • 11. توابع هزینه برای مسائل دسته‌بندی
  • 12. انتشار رو به جلو در شبکه عصبی
  • 13. محاسبه گرادیان و پس‌انتشار خطا
  • 14. بهینه‌سازی مدل با Gradient Descent
  • 15. بهینه‌سازهای SGD، Adam و AdamW
  • 16. یادگیری نرخ یادگیری و زمان‌بندی آن
  • 17. مفهوم Epoch، Batch و Iteration
  • 18. مقداردهی اولیه وزن‌ها
  • 19. Batch Normalization و Layer Normalization
  • 20. Dropout و روش‌های منظم‌سازی شبکه
  • 21. تشخیص بیش‌برازش و کم‌برازش در شبکه‌های عمیق
  • 22. افزایش داده و روش‌های مقابله با بیش‌برازش
  • 23. معیارهای ارزیابی مدل‌های دسته‌بندی
  • 24. Confusion Matrix و تحلیل خطاهای طبقه‌بندی
  • 25. Precision، Recall، F1 و Accuracy
  • 26. دسته‌بندی چندکلاسه و چندبرچسبی
  • 27. مبانی پردازش تصاویر برای یادگیری عمیق
  • 28. خواندن، تغییر اندازه و تبدیل تصاویر
  • 29. تبدیل تصاویر به Tensor
  • 30. Data Augmentation برای داده‌های تصویری
  • 31. ساخت اولین مدل دسته‌بندی تصویر با شبکه عصبی
  • 32. ساختار و عملکرد شبکه‌های عصبی کانولوشنی
  • 33. فیلترهای کانولوشن و استخراج ویژگی
  • 34. Padding، Stride و اندازه خروجی کانولوشن
  • 35. Pooling و کاهش ابعاد ویژگی‌ها
  • 36. ساخت معماری CNN برای دسته‌بندی تصاویر
  • 37. پیاده‌سازی CNN در PyTorch
  • 38. بهبود CNN با Normalization و Regularization
  • 39. معماری‌های VGG و اصول طراحی شبکه‌های عمیق
  • 40. شبکه‌های Residual و معماری ResNet
  • 41. انتقال یادگیری در دسته‌بندی تصاویر
  • 42. استفاده از مدل‌های ازپیش‌آموزش‌دیده برای تصاویر
  • 43. Fine-tuning مدل‌های بینایی
  • 44. انتخاب لایه‌های قابل آموزش در Transfer Learning
  • 45. دسته‌بندی تصاویر با مدل‌های EfficientNet
  • 46. Vision Transformer برای دسته‌بندی تصاویر
  • 47. تقسیم تصویر به Patch و ایجاد Embedding
  • 48. مکانیزم Attention در Vision Transformer
  • 49. مقایسه CNN و Vision Transformer در دسته‌بندی تصویر
  • 50. پیش‌پردازش متن برای مدل‌های یادگیری عمیق
  • 51. پاک‌سازی و نرمال‌سازی داده‌های متنی
  • 52. توکن‌سازی متن و ساخت واژگان
  • 53. Padding و Truncation برای توالی‌های متنی
  • 54. نمایش متن با One-Hot و روش‌های کلاسیک
  • 55. Word Embedding و نمایش برداری کلمات
  • 56. پیاده‌سازی Embedding در شبکه‌های عصبی
  • 57. دسته‌بندی متن با شبکه‌های Feedforward
  • 58. مدل‌سازی توالی با شبکه‌های RNN
  • 59. محدودیت‌های RNN و مشکل محوشدن گرادیان
  • 60. دسته‌بندی متن با LSTM
  • 61. دسته‌بندی متن با GRU
  • 62. Attention در پردازش زبان طبیعی
  • 63. ساختار Encoder در مدل‌های متنی
  • 64. مبانی معماری Transformer
  • 65. Self-Attention و Multi-Head Attention
  • 66. Positional Encoding در Transformer
  • 67. دسته‌بندی متن با مدل‌های Transformer
  • 68. استفاده از BERT برای دسته‌بندی متن
  • 69. Fine-tuning مدل‌های زبانی ازپیش‌آموزش‌دیده
  • 70. دسته‌بندی متن فارسی با مدل‌های Transformer
  • 71. مدیریت داده‌های نامتوازن در دسته‌بندی تصاویر و متن
  • 72. استفاده از Class Weight و Weighted Loss
  • 73. نمونه‌برداری مجدد و روش‌های متعادل‌سازی داده
  • 74. انتخاب معماری مناسب برای تصویر و متن
  • 75. تنظیم ابرپارامترهای مدل‌های عمیق
  • 76. Grid Search و روش‌های بهینه‌سازی ابرپارامترها
  • 77. Early Stopping و انتخاب بهترین مدل
  • 78. ثبت آزمایش‌ها و مقایسه نسخه‌های مدل
  • 79. تحلیل خطاهای مدل در دسته‌بندی تصاویر
  • 80. تحلیل خطاهای مدل در دسته‌بندی متن
  • 81. تفسیر پیش‌بینی‌های مدل‌های دسته‌بندی
  • 82. ذخیره، بارگذاری و استفاده مجدد از مدل آموزش‌دیده
  • 83. ساخت Pipeline کامل داده‌کاوی برای دسته‌بندی تصویر
  • 84. ساخت Pipeline کامل داده‌کاوی برای دسته‌بندی متن
  • 85. استفاده از GPU برای آموزش مدل‌های عمیق
  • 86. بهینه‌سازی مصرف حافظه و سرعت آموزش
  • 87. افزایش مقیاس داده و آموزش مدل‌های بزرگ
  • 88. پیاده‌سازی پروژه واقعی دسته‌بندی تصاویر
  • 89. پیاده‌سازی پروژه واقعی دسته‌بندی متن
  • 90. مقایسه و انتخاب بهترین مدل بر اساس نتایج آزمایش
  • 91. ارزیابی نهایی و تحلیل قابلیت تعمیم مدل

📚 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.