اکسپرس 24
کتاب تسلط بر یادگیری عمیق: از مبانی تا کاربردهای عملی

کتاب تسلط بر یادگیری عمیق: از مبانی تا کاربردهای عملی

تگ‌ها: الگوریتم‌های یادگیری پردازش تصویر تشخیص الگو دیپ لرنینگ شبکه‌های عصبی علم داده کاربرد هوش مصنوعی 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 تسلط بر یادگیری عمیق: از مبانی تا کاربردهای عملی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری عمیق
  • 2. شبکه‌های عصبی مصنوعی: تاریخچه و اصول
  • 3. پرceptron: مدل پایه یادگیری
  • 4. توابع فعال‌سازی: انواع و کاربردها
  • 5. یادگیری با نظارت: رگرسیون خطی
  • 6. یادگیری با نظارت: طبقه‌بندی باینری
  • 7. یادگیری با نظارت: رگرسیون لجستیک
  • 8. تابع هزینه و بهینه‌سازی گرادیان کاهشی
  • 9. پس‌انتشار خطا: الگوریتم و کاربردها
  • 10. شبکه‌های عصبی چندلایه (MLP)
  • 11. انتخاب ویژگی و مهندسی ویژگی
  • 12. بیش‌برازش و کم‌برازش: تشخیص و راه‌حل‌ها
  • 13. تنظیم‌سازی (Regularization): L1 و L2
  • 14. Dropout: روشی برای جلوگیری از بیش‌برازش
  • 15. بهینه‌سازها: گرادیان کاهشی تصادفی (SGD)
  • 16. بهینه‌سازها: Adam و RMSprop
  • 17. شبکه‌های عصبی کانولوشنی (CNN): مقدمه
  • 18. کانولوشن: عملیات اصلی در CNN
  • 19. Pooling: کاهش ابعاد و افزایش کارایی
  • 20. معماری‌های معروف CNN: LeNet-5
  • 21. معماری‌های معروف CNN: AlexNet
  • 22. معماری‌های معروف CNN: VGGNet
  • 23. معماری‌های معروف CNN: ResNet
  • 24. شبکه‌های عصبی بازگشتی (RNN): مقدمه
  • 25. RNN برای پردازش زبان طبیعی (NLP)
  • 26. مشکل گرادیان محوشده در RNN
  • 27. شبکه‌های حافظه بلندمدت (LSTM)
  • 28. شبکه‌های گیت‌دار بازگشتی (GRU)
  • 29. Autoencoders: یادگیری ویژگی‌های پنهان
  • 30. Autoencoders متغیر (VAE)
  • 31. شبکه‌های مولد تخاصمی (GAN): مقدمه
  • 32. GANها برای تولید تصاویر
  • 33. GANها برای تولید داده‌های مصنوعی
  • 34. انتقال یادگیری (Transfer Learning)
  • 35. Fine-tuning: تنظیم دقیق مدل‌های پیش‌آموزش‌دیده
  • 36. یادگیری تقویتی (Reinforcement Learning): مقدمه
  • 37. Q-Learning: الگوریتم یادگیری تقویتی
  • 38. Deep Q-Network (DQN)
  • 39. کاربردهای یادگیری عمیق در بینایی ماشین
  • 40. کاربردهای یادگیری عمیق در پردازش زبان طبیعی
  • 41. کاربردهای یادگیری عمیق در تشخیص صدا
  • 42. کاربردهای یادگیری عمیق در پیش‌بینی سری‌های زمانی
  • 43. ابزارهای محبوب یادگیری عمیق: TensorFlow
  • 44. ابزارهای محبوب یادگیری عمیق: Keras
  • 45. ابزارهای محبوب یادگیری عمیق: PyTorch
  • 46. مدل‌سازی و ارزیابی مدل‌های یادگیری عمیق
  • 47. تفسیرپذیری مدل‌های یادگیری عمیق
  • 48. تکنیک‌های کاهش ابعاد: PCA و t-SNE
  • 49. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
  • 50. یادگیری خودنظارتی (Self-Supervised Learning)
  • 51. یادگیری فعال (Active Learning)
  • 52. یادگیری چندوظیفه‌ای (Multi-Task Learning)
  • 53. یادگیری فدرال (Federated Learning)
  • 54. یادگیری عمیق بر روی دستگاه‌های لبه (Edge Computing)
  • 55. بهبود کارایی مدل‌های یادگیری عمیق: Quantization
  • 56. بهبود کارایی مدل‌های یادگیری عمیق: Pruning
  • 57. آینده یادگیری عمیق و چالش‌های پیش رو
  • 58. مباحث پیشرفته در شبکه‌های عصبی گراف
  • 59. مدل‌های ترانسفورمر و مکانیسم توجه
  • 60. یادگیری عمیق و اخلاق: سوگیری و انصاف
  • 61. استفاده از یادگیری عمیق در تشخیص تقلب
  • 62. شبکه‌های عصبی اسپایکینگ (SNN)
  • 63. یادگیری عمیق و پردازش سیگنال
  • 64. شبکه‌های عصبی دینامیکی (DNN)

📚 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.