اکسپرس 24
کتاب یادگیری ماشین پیشرفته با پایتون برای دانشمندان داده

کتاب یادگیری ماشین پیشرفته با پایتون برای دانشمندان داده

تگ‌ها: catboost data science deep learning dimensionality reduction ensemble methods explainable ai fair ml feature selection lightgbm machine learning python reinforcement learning semi-supervised learning transfer learning xgboost

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 یادگیری ماشین پیشرفته با پایتون برای دانشمندان داده

موضوع کلی: علم داده

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین پیشرفته
  • 2. مرور مبانی یادگیری ماشین: یک یادآوری سریع
  • 3. مقدمه‌ای بر روش‌های ensemble
  • 4. Bagging: کاهش واریانس با استفاده از چندین مدل
  • 5. Boosting: افزایش دقت با تمرکز بر اشتباهات
  • 6. آشنایی با الگوریتم AdaBoost
  • 7. گرادیان بوستینگ: اصول و کاربردها
  • 8. XGBoost: الگوریتم گرادیان بوستینگ بهینه شده
  • 9. LightGBM: الگوریتم گرادیان بوستینگ سریع و کارآمد
  • 10. CatBoost: الگوریتم گرادیان بوستینگ با مدیریت داده‌های دسته‌ای
  • 11. انتخاب ویژگی (Feature Selection) در یادگیری ماشین
  • 12. روش‌های فیلتر، Wrapper و Embedded برای انتخاب ویژگی
  • 13. کاهش ابعاد (Dimensionality Reduction) با PCA
  • 14. کاهش ابعاد با t-SNE
  • 15. یادگیری ماشین نیمه نظارتی (Semi-Supervised Learning)
  • 16. یادگیری ماشین فعال (Active Learning)
  • 17. یادگیری انتقالی (Transfer Learning): اصول و کاربردها
  • 18. Fine-tuning مدل‌های از پیش آموزش‌دیده
  • 19. مدل‌های گرافیکی احتمالی (Probabilistic Graphical Models)
  • 20. شبکه‌های بیزی (Bayesian Networks)
  • 21. مدل‌های مارکوف مخفی (Hidden Markov Models)
  • 22. یادگیری تقویتی (Reinforcement Learning)
  • 23. Q-Learning: یادگیری تابع Q
  • 24. Deep Q-Network (DQN): ترکیب یادگیری تقویتی با شبکه‌های عصبی عمیق
  • 25. یادگیری تقویتی مبتنی بر سیاست (Policy-Based Reinforcement Learning)
  • 26. مقدمه‌ای بر مدل‌سازی سری‌های زمانی
  • 27. ARIMA: مدل‌سازی خودهمبسته و میانگین متحرک
  • 28. مدل‌های LSTM برای پیش‌بینی سری‌های زمانی
  • 29. شبکه‌های عصبی کانولوشنی (CNN) برای داده‌های سری زمانی
  • 30. یادگیری ماشین توضیح‌پذیر (Explainable AI - XAI)
  • 31. اهمیت XAI در تصمیم‌گیری‌های مبتنی بر مدل
  • 32. روش‌های LIME و SHAP برای توضیح مدل‌ها
  • 33. یادگیری ماشین عادلانه (Fair Machine Learning)
  • 34. شناسایی و کاهش سوگیری در مدل‌ها
  • 35. تفسیرپذیری مدل‌های یادگیری ماشین در حوزه‌های حساس
  • 36. استقرار مدل‌های یادگیری ماشین (Model Deployment)
  • 37. استفاده از Flask و Django برای استقرار مدل‌ها
  • 38. Docker و Kubernetes برای مدیریت و مقیاس‌بندی مدل‌ها
  • 39. مانیتورینگ و نگهداری مدل‌های یادگیری ماشین
  • 40. بهبود مستمر مدل‌ها با استفاده از داده‌های جدید
  • 41. یادگیری یادگیری ماشین (Meta-Learning)
  • 42. مقدمه‌ای بر یادگیری چند وظیفه‌ای (Multi-Task Learning)
  • 43. یادگیری ماشین با منابع محدود (Few-Shot Learning)
  • 44. کاربرد یادگیری ماشین در پردازش زبان طبیعی (NLP)
  • 45. کاربرد یادگیری ماشین در بینایی ماشین (Computer Vision)
  • 46. کاربرد یادگیری ماشین در سیستم‌های توصیه‌گر (Recommender Systems)

📚 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.