اکسپرس 24
کتاب یادگیری عمیق با زبان جولیا: کاربردها و پیاده‌سازی با Flux.jl

کتاب یادگیری عمیق با زبان جولیا: کاربردها و پیاده‌سازی با Flux.jl

تگ‌ها: Flux.jl برنامه‌نویسی جولیا جولیا دیپ لرنینگ شبکه‌های عصبی علم داده محاسبات علمی هوش مصنوعی یادگیری عمیق یادگیری ماشین

انتخاب پلن

افزودنی‌های اختیاری

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 عمیق با زبان جولیا: کاربردها و پیاده‌سازی با Flux.jl

موضوع کلی: محاسبات علمی و هوش مصنوعی

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری عمیق
  • 2. مبانی زبان برنامه‌نویسی جولیا برای یادگیری ماشین
  • 3. نصب و پیکربندی جولیا و پکیج‌های مورد نیاز
  • 4. مفاهیم اساسی جبر خطی در یادگیری ماشین
  • 5. مشتق‌پذیری و بهینه‌سازی توابع
  • 6. مقدمه‌ای بر پکیج Flux.jl
  • 7. تعریف مدل‌های عصبی ساده با Flux.jl
  • 8. لایه‌های عصبی و توابع فعال‌سازی
  • 9. تابع زیان و الگوریتم‌های بهینه‌سازی
  • 10. آموزش مدل‌های عصبی با استفاده از داده‌های آموزشی
  • 11. اعتبارسنجی و ارزیابی مدل
  • 12. بیش‌برازش و کم‌برازش: تشخیص و راهکارها
  • 13. تنظیم هایپرپارامترها
  • 14. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
  • 15. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks)
  • 16. پردازش تصاویر با شبکه‌های عصبی کانولوشنی
  • 17. تشخیص اشیاء در تصاویر
  • 18. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)
  • 19. پردازش زبان طبیعی با شبکه‌های عصبی بازگشتی
  • 20. مدل‌سازی سری‌های زمانی با شبکه‌های عصبی بازگشتی
  • 21. شبکه‌های مولد تخاصمی (Generative Adversarial Networks)
  • 22. تولید تصاویر با شبکه‌های GAN
  • 23. یادگیری تقویتی (Reinforcement Learning)
  • 24. مقدمه‌ای بر یادگیری تقویتی
  • 25. پیاده‌سازی الگوریتم Q-Learning
  • 26. پیاده‌سازی الگوریتم Deep Q-Network
  • 27. کاربرد یادگیری عمیق در تشخیص بیماری‌ها
  • 28. کاربرد یادگیری عمیق در تحلیل احساسات
  • 29. کاربرد یادگیری عمیق در پیش‌بینی بازار سهام
  • 30. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
  • 31. مفاهیم پیشرفته در بهینه‌سازی
  • 32. روش‌های منظم‌سازی (Regularization)
  • 33. Dropout و Batch Normalization
  • 34. بهینه‌سازی تصادفی (Stochastic Optimization)
  • 35. گرادیان کاهشی (Gradient Descent) و انواع آن
  • 36. بهینه‌سازی Adam و RMSProp
  • 37. یادگیری انتقالی (Transfer Learning)
  • 38. استفاده از مدل‌های از پیش آموزش‌دیده
  • 39. Fine-tuning مدل‌های از پیش آموزش‌دیده
  • 40. یادگیری خودنظارتی (Self-Supervised Learning)
  • 41. Autoencoders و کاربردهای آن‌ها
  • 42. Variational Autoencoders (VAEs)
  • 43. Generative Models
  • 44. مدل‌های زبانی بزرگ (Large Language Models)
  • 45. مقدمه‌ای بر Transformerها
  • 46. پیاده‌سازی Transformer با Flux.jl
  • 47. کاربرد Transformerها در پردازش زبان طبیعی
  • 48. آشنایی با معماری BERT
  • 49. آشنایی با معماری GPT
  • 50. یادگیری عمیق و داده‌های نامتوازن
  • 51. روش‌های مقابله با داده‌های نامتوازن
  • 52. تفسیرپذیری مدل‌های یادگیری عمیق
  • 53. روش‌های مصورسازی ویژگی‌ها
  • 54. شبیه‌سازی و تست مدل‌های یادگیری عمیق
  • 55. استقرار مدل‌های یادگیری عمیق
  • 56. بهینه‌سازی مدل‌ها برای استقرار
  • 57. مفاهیم پیشرفته شبکه‌های عصبی
  • 58. شبکه‌های عصبی گراف (Graph Neural Networks)
  • 59. یادگیری عمیق در داده‌های گراف
  • 60. روش‌های کاهش ابعاد داده‌ها
  • 61. PCA و t-SNE
  • 62. کاربرد یادگیری عمیق در رباتیک
  • 63. کاربرد یادگیری عمیق در بینایی ماشین
  • 64. کاربرد یادگیری عمیق در پردازش صوت
  • 65. کاربرد یادگیری عمیق در تشخیص تقلب
  • 66. کاربرد یادگیری عمیق در مدیریت ریسک
  • 67. اخلاق در یادگیری عمیق و هوش مصنوعی
  • 68. مباحث مرتبط با حریم خصوصی داده‌ها
  • 69. آینده یادگیری عمیق و هوش مصنوعی
  • 70. تحقیقات روز در یادگیری 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.