اکسپرس 24
کتاب تسلط بر یادگیری تدریجی چند-نمونه‌ای: از صفر تا قهرمان

کتاب تسلط بر یادگیری تدریجی چند-نمونه‌ای: از صفر تا قهرمان

تگ‌ها: Catastrophic Forgetting Computer Vision Data Augmentation Deep Learning Few-Shot Learning Generative Models Incremental Learning Machine Learning Meta-Learning Metric Learning NLP PyTorch TensorFlow Transfer Learning 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 تدریجی چند-نمونه‌ای: از صفر تا قهرمان

موضوع کلی: یادگیری ماشین

موضوع میانی: یادگیری با داده‌های محدود

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین و چالش‌های آن
  • 2. یادگیری با نظارت، بدون نظارت و نیمه‌نظارتی: یک مرور کلی
  • 3. مفهوم یادگیری با داده‌های محدود (Few-Shot Learning)
  • 4. چرا یادگیری با داده‌های محدود مهم است؟ کاربردها و سناریوها
  • 5. مقایسه یادگیری با داده‌های محدود با روش‌های سنتی یادگیری ماشین
  • 6. مقدمه‌ای بر یادگیری تدریجی (Incremental Learning)
  • 7. چرا یادگیری تدریجی مهم است؟ سناریوها و مزایا
  • 8. چالش‌های یادگیری تدریجی: فراموشی فاجعه‌بار و تغییر مفهوم
  • 9. ترکیب یادگیری با داده‌های محدود و یادگیری تدریجی: یک رویکرد قدرتمند
  • 10. معماری‌های پایه برای یادگیری تدریجی چند-نمونه‌ای
  • 11. شبکه‌های عصبی کانولوشنی (CNN) و کاربرد آن‌ها در یادگیری تصویر
  • 12. شبکه‌های عصبی بازگشتی (RNN) و کاربرد آن‌ها در یادگیری دنباله
  • 13. شبکه‌های ترانسفورمر و کاربرد آن‌ها در یادگیری چند-نمونه‌ای
  • 14. روش‌های مبتنی بر متریک در یادگیری با داده‌های محدود
  • 15. یادگیری تطبیقی (Metric Learning)
  • 16. یادگیری با مقایسه (Comparison Learning)
  • 17. روش‌های مبتنی بر مدل در یادگیری با داده‌های محدود
  • 18. یادگیری با تولید (Generative Learning)
  • 19. یادگیری با انتقال (Transfer Learning) و نقش آن در یادگیری چند-نمونه‌ای
  • 20. پیش‌آموزش (Pre-training) و تنظیم دقیق (Fine-tuning)
  • 21. تنظیم دقیق مدل با داده‌های محدود
  • 22. روش‌های مبتنی بر بهینه‌سازی در یادگیری با داده‌های محدود
  • 23. بهینه‌سازی فراداده (Meta-Optimization)
  • 24. بهینه‌سازی مبتنی بر گرادیان
  • 25. روش‌های مبتنی بر حافظه در یادگیری با داده‌های محدود
  • 26. شبکه‌های حافظه (Memory Networks)
  • 27. شبکه‌های حافظه بلندمدت (Long Short-Term Memory - LSTM)
  • 28. مدل‌های حافظه تطبیقی
  • 29. ارزیابی عملکرد مدل‌های یادگیری تدریجی چند-نمونه‌ای
  • 30. معیارهای ارزیابی: دقت، بازیابی، F1-score و AUC
  • 31. اعتبارسنجی متقابل (Cross-Validation)
  • 32. استراتژی‌های مقابله با فراموشی فاجعه‌بار
  • 33. تنظیم‌کننده‌های وزن (Weight Regularization)
  • 34. روش‌های مبتنی بر بازآفرینی (Replay-Based Methods)
  • 35. روش‌های مبتنی بر معماری (Architecture-Based Methods)
  • 36. تکنیک‌های افزایش داده (Data Augmentation) برای یادگیری با داده‌های محدود
  • 37. تولید داده‌های مصنوعی
  • 38. استفاده از داده‌های ترکیبی
  • 39. بررسی موردی: یادگیری تدریجی چند-نمونه‌ای در تشخیص تصویر
  • 40. بررسی موردی: یادگیری تدریجی چند-نمونه‌ای در پردازش زبان طبیعی
  • 41. بررسی موردی: یادگیری تدریجی چند-نمونه‌ای در تشخیص صدا
  • 42. ابزارهای محبوب برای پیاده‌سازی یادگیری تدریجی چند-نمونه‌ای
  • 43. TensorFlow، PyTorch و Keras
  • 44. مجموعه‌داده‌های رایج برای یادگیری با داده‌های محدود
  • 45. MNIST, CIFAR-10, ImageNet
  • 46. آینده یادگیری تدریجی چند-نمونه‌ای و زمینه‌های تحقیقاتی
  • 47. یادگیری خودنظارتی (Self-Supervised Learning) و یادگیری با داده‌های محدود
  • 48. یادگیری تقویتی (Reinforcement Learning) و یادگیری با داده‌های محدود
  • 49. یادگیری فعال (Active Learning) و یادگیری با داده‌های محدود
  • 50. چگونگی انتخاب بهترین روش برای مسئله خود
  • 51. بهینه‌سازی هایپرپارامترها
  • 52. نکات و ترفندهای عملی برای پیاده‌سازی موفقیت‌آمیز

📚 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.