در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.
دسته بندی
دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

یادگیری ماشینی و یادگیری عمیق ( Deep Learning )

19,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

یادگیری ماشین ، شبکه های عصبی ، چشم انداز رایانه ، یادگیری عمیق و یادگیری تقویت در کروها و تانسورفلوف

عنوان اصلی : [2022] Machine Learning and Deep Learning Bootcamp in Python

سرفصل های دوره :

مقدمه:
مقدمه
تنظیم محیط:
نصب PyCharm و Python در ویندوز
نصب PyCharm و Python در مک
مبانی هوش مصنوعی:
چرا هوش مصنوعی و یادگیری ماشین را یاد بگیریم؟
### یادگیری ماشینی ### :
بخش یادگیری ماشین
رگرسیون خطی:
اجرای رگرسیون خطی II
فرمول بندی ریاضی رگرسیون خطی
آزمون رگرسیون خطی
رگرسیون لجستیک:
رگرسیون لجستیک چیست؟
رگرسیون لجستیک و برآورد حداکثر احتمال
مثال رگرسیون لجستیک I - تابع سیگموئید
مثال رگرسیون لجستیک II- امتیازدهی اعتباری
مثال رگرسیون لجستیک III - امتیازدهی اعتبار
فرمول بندی ریاضی رگرسیون لجستیک
آزمون رگرسیون لجستیک
اعتبار متقابل:
اعتبار سنجی متقاطع چیست؟
مثال اعتبارسنجی متقابل
آزمون اعتبار سنجی متقابل
K-Nearest Neighbor Classifier :
کلاس بندی کننده k نزدیکترین همسایه چیست؟
مفهوم یادگیری تنبل
معیارهای فاصله - فاصله اقلیدسی
معادل تعصب و واریانس
پیاده سازی K-نزدیکترین همسایه I
پیاده سازی K-نزدیکترین همسایه II
پیاده سازی K-نزدیکترین همسایه III
فرمول بندی ریاضی k-نزدیکترین همسایه طبقه بندی کننده
آزمون K-نزدیکترین همسایه
طبقه بندی کننده ساده لوح بیز:
طبقه بندی کننده ساده لوح بیز چیست؟
تصویر طبقه بندی کننده ساده لوح بیز
اجرای طبقه بندی کننده ساده لوح بیز
خوشه بندی متن چیست؟
خوشه‌بندی متن - فرکانس معکوس سند (TF-IDF)
نمونه ساده بیز - اخبار خوشه بندی
فرمول بندی ریاضی طبقه بندی کننده ساده بیز
امتحان طبقه بندی کننده ساده لوح بیز
ماشین‌های بردار پشتیبانی (SVM):
ماشین های بردار پشتیبان (SVM) چیست؟
مسائل قابل تفکیک خطی
مسائل غیرخطی قابل تفکیک
توابع هسته
مثال ماشین بردار پشتیبانی I - ساده
مثال ماشین بردار پشتیبانی II - مجموعه داده عنبیه
پشتیبانی از ماشین های برداری مثال III - تنظیم پارامتر
پشتیبانی از ماشین بردار مثال IV - تشخیص رقم
پشتیبانی از ماشین بردار مثال V - تشخیص رقم
مزایا و معایب
فرمول‌بندی ریاضی ماشین‌های بردار پشتیبان (SVM)
آزمایش ماشین‌های بردار پشتیبانی
درخت تصمیم:
معرفی درختان تصمیم - مبانی
معرفی درختان تصمیم - آنتروپی
معرفی درختان تصمیم - به دست آوردن اطلاعات
رویکرد شاخص جینی
معرفی درختان تصمیم - جوانب مثبت و منفی
اجرای درختان تصمیم I
اجرای درختان تصمیم II - تنظیم پارامتر
اجرای درخت تصمیم III - شناسایی سرطان
فرمول بندی ریاضی درختان تصمیم
مسابقه درختان تصمیم
طبقه‌بندی جنگل تصادفی:
معرفی هرس
معرفی کیسه
معرفی طبقه‌بندی‌کننده تصادفی جنگل
مثال جنگل های تصادفی I - مجموعه داده عنبیه
نمونه جنگل های تصادفی II - امتیازدهی اعتبار
نمونه جنگل‌های تصادفی III - تنظیم پارامتر OCR
فرمول‌بندی ریاضی طبقه‌بندی‌کننده‌های تصادفی جنگل
آزمون جنگل‌های تصادفی
تقویت:
تقویت مقدمه - مبانی
تقویت مقدمه - تصویر
تقویت مقدمه - معادلات
تقویت مقدمه - فرمول نهایی
تقویت اجرای I - مجموعه داده iris
تقویت اجرای II -طبقه بندی شراب
تقویت در مقابل چمدان
فرمول بندی ریاضی تقویت
آزمون تقویتی
تحلیل مؤلفه اصلی (PCA):
معرفی تجزیه و تحلیل مؤلفه های اصلی (PCA).
مثال تجزیه و تحلیل مؤلفه اصلی
مثال تجزیه و تحلیل مؤلفه اصلی II
فرمول‌بندی ریاضی تحلیل مؤلفه‌های اصلی (PCA)
آزمون PCA
خوشه‌بندی:
K-به معنای معرفی خوشه بندی است
K-به معنای مثال خوشه بندی است
K-به معنی خوشه بندی - خوشه بندی متن
معرفی DBSCAN
مثال DBSCAN
معرفی خوشه بندی سلسله مراتبی
نمونه خوشه بندی سلسله مراتبی
خوشه بندی سلسله مراتبی - تقسیم بندی بازار
فرمول بندی ریاضی خوشه بندی
آزمون خوشه بندی
پروژه یادگیری ماشین I - تشخیص چهره:
مجموعه داده Olivetti
درک مجموعه داده
یافتن تعداد بهینه مولفه های اصلی (بردارهای ویژه)
درک "چهره های ویژه"
ساخت مدل های یادگیری ماشینی
استفاده از اعتبارسنجی متقابل
### شبکه های عصبی و یادگیری عمیق ###:
بخش شبکه های عصبی و یادگیری عمیق
نظریه شبکه عصبی پیشخور:
شبکه های عصبی مصنوعی - الهام
شبکه های عصبی مصنوعی - لایه ها
شبکه های عصبی مصنوعی - مدل
چرا از activati ​​استفاده کنیم؟در توابع؟
شبکه های عصبی - تصویر بزرگ
استفاده از گره های بایاس در شبکه عصبی
چگونه خطای شبکه را اندازه گیری کنیم؟
بهینه سازی با نزول گرادیان
نزول گرادیان با پس انتشار
پس انتشار توضیح داده شده است
فرمول بندی ریاضی شبکه های عصبی پیشخور
آزمون شبکه‌های عصبی پیش‌خور
پیاده سازی شبکه های تک لایه:
اجرای شبکه عصبی ساده - مشکل XOR
اجرای شبکه عصبی ساده - مجموعه داده Iris
امتیازدهی اعتبار با شبکه های عصبی ساده
یادگیری عمیق:
انواع شبکه های عصبی
نظریه شبکه های عصبی عمیق:
شبکه های عصبی عمیق
عملکردهای فعال‌سازی مجدداً بررسی شدند
توابع از دست دادن
نزول گرادیان و نزول گرادیان تصادفی
هایپرپارامترها
فرمول بندی ریاضی شبکه های عصبی عمیق
آزمون شبکه های عصبی عمیق
پیاده سازی شبکه های عصبی عمیق:
اجرای شبکه عصبی عمیق I
پیاده سازی شبکه عصبی عمیق II
اجرای شبکه عصبی عمیق III
پیاده سازی طبقه بندی چند کلاسه I
پیاده سازی طبقه بندی چند کلاسه II
پروژه یادگیری ماشینی II - آشکارساز لبخند:
درک مسئله طبقه بندی
خواندن تصاویر و ساخت مجموعه داده I
خواندن تصاویر و ساخت مجموعه داده II
ساخت مدل شبکه عصبی عمیق
ارزیابی و آزمایش مدل
نظریه شبکه های عصبی کانولوشنال (CNN):
مبانی شبکه های عصبی کانولوشنال
انتخاب ویژگی
شبکه های عصبی کانولوشنال - هسته
شبکه های عصبی کانولوشنال - هسته II
شبکه های عصبی کانولوشنال - ادغام
شبکه های عصبی کانولوشن - مسطح کردن
شبکه های عصبی کانولوشنال - تصویر
فرمول بندی ریاضی شبکه های عصبی کانولوشن
آزمون شبکه های عصبی کانولوشنال (CNN).
پیاده‌سازی شبکه‌های عصبی کانولوشنال (CNN):
طبقه بندی رقمی دست نویس I
طبقه بندی رقمی دست نویس II
طبقه بندی رقمی دست نویس III
پروژه یادگیری ماشین III - شناسایی اشیاء با CNN:
مجموعه داده CIFAR-10 چیست؟
پیش پردازش داده ها
تناسب مدل
تنظیم پارامترها - تنظیم
نظریه شبکه های عصبی بازگشتی (RNN):
چرا شبکه های عصبی تکراری مهم هستند؟
اصول شبکه های عصبی مکرر
مسئله ناپدید شدن و انفجار شیب
مدل حافظه بلند مدت (LSTM).
واحدهای بازگشتی دردار (GRU)
فرمول بندی ریاضی شبکه های عصبی بازگشتی
آزمون شبکه های عصبی تکراری
پیاده‌سازی شبکه‌های عصبی مکرر (RNN):
تحلیل سری زمانی مثال I
تحلیل سری زمانی مثال II
تحلیل سری زمانی مثال III
تحلیل سری زمانی مثال IV
تحلیل سری زمانی مثال V
تحلیل سری زمانی مثال VI
### یادگیری تقویتی ### :
یادگیری تقویتی چیست؟
کاربردهای یادگیری تقویتی
تئوری فرآیند تصمیم گیری مارکوف (MDP):
مبانی فرآیندهای تصمیم مارکف I
مبانی فرآیندهای تصمیم مارکوف II
فرایندهای تصمیم مارکوف - معادلات
فرایندهای تصمیم مارکف - تصویر
معادله بلمن
چگونه مشکلات MDP را حل کنیم؟
تکرار ارزش چیست؟
تکرار خط مشی چیست؟
فرمول بندی ریاضی یادگیری تقویتی
آزمون مبانی یادگیری تقویتی
مشکل اکتشاف در مقابل بهره برداری:
مشکل اکتشاف در مقابل بهره برداری
معرفی مشکل راهزن مسلح N
اجرای مشکل راهزن مسلح N-armed
کاربردها: تست A/B در بازاریابی
آزمون اکتشاف در مقابل بهره برداری
نظریه یادگیری Q :
یادگیری Q چیست؟
Q مقدمه یادگیری - الگوریتم
تصویر یادگیری Q
فرمول بندی ریاضی یادگیری Q
آزمون یادگیری Q
اجرای یادگیری Q (تیک تاک) :
Tic tac toe با اجرای یادگیری Q I
تیک تاک پا با اجرای یادگیری Q II
تیک تاک پا با اجرای یادگیری Q III
تیک تاک پا با اجرای یادگیری Q IV
تیک تاک پا با اجرای یادگیری Q V
تیک تاک پا با اجرای یادگیری Q VI
تیک تاک پا با اجرای یادگیری Q VII
تیک تاک پا با اجرای یادگیری Q VIII
نظریه یادگیری عمیق Q:
یادگیری عمیق Q چیست؟
یادگیری Deep Q و استراتژی ε-گریدی
به خاطر بسپارید و دوباره پخش کنید
فرمول بندی ریاضی یادگیری عمیق Q
مسابقه یادگیری عمیق Q
اجرای یادگیری Deep Q (Tic Tac Toe):
Tic Tac Toe با اجرای یادگیری عمیق Q I
Tic Tac Toe با یادگیری عمیق Q iپیاده سازی II
Tic Tac Toe با اجرای یادگیری عمیق Q III
Tic Tac Toe با اجرای یادگیری عمیق Q IV
Tic Tac Toe با اجرای یادگیری عمیق Q V
### COMPUTER VISION ### :
تکامل الگوریتم های مربوط به بینایی کامپیوتری
بررسی تصاویر و پیکسل ها:
تصاویر و شدت پیکسل
مدیریت شدت پیکسل I
مدیریت شدت پیکسل II
چرا کانولوشن در پردازش تصویر بسیار مهم است؟
پردازش تصویر - عملیات تاری
پردازش تصویر - هسته تشخیص لبه
پردازش تصویر - عملیات تیز کردن
آزمون پردازش تصویر
پروژه دید کامپیوتر I - مشکل تشخیص خط (خودروهای خودران):
تشخیص خط - مشکل
تشخیص خط - مدیریت ویدیوها
تشخیص خط - اولین تحولات
تشخیص لبه Canny چیست؟
دریافت ناحیه مفید تصویر - پوشاندن
تشخیص خطوط - تبدیل هاف چیست؟
تصویر تحول Hough
خطوط کشیدن روی فریم های ویدئویی
آزمایش الگوریتم تشخیص خط
نظریه الگوریتم تشخیص چهره ویولا جونز:
الگوریتم ویولا جونز
ویژگی های Haar
تصاویر انتگرال
تقویت بینایی کامپیوتر
آبشاری
مقالات پژوهشی دانشگاهی اصلی
آزمون تشخیص چهره
تشخیص چهره با اجرای روش ویولا جونز:
اجرای تشخیص چهره I - نصب OpenCV
اجرای تشخیص چهره II - CascadeClassifier
اجرای تشخیص چهره III - پارامترهای CascadeClassifier
اجرای تشخیص چهره IV - تنظیم پارامترها
پیاده سازی تشخیص چهره V - تشخیص چهره ها در زمان واقعی
تئوری الگوریتم هیستوگرام گرادیان های جهت دار (HOG):
اصول هیستوگرام گرادیان های جهت دار
هیستوگرام گرادیان های جهت دار - هسته گرادیان
هیستوگرام گرادیان های جهت دار - قدر و زاویه
هیستوگرام گرادیان های جهت دار - نرمال سازی
هیستوگرام گرادیان های جهت دار - تصویر بزرگ
مقاله پژوهشی دانشگاهی اصلی
آزمون هیستوگرام گرادیان های جهت دار (HOG).
پیاده سازی هیستوگرام گرادیان های جهت دار (HOG):
نمایش ویژگی های HOG به صورت برنامه ای
تشخیص چهره با اجرای HOG I
تشخیص چهره با اجرای HOG II
تشخیص چهره با اجرای HOG III
تشخیص چهره با اجرای HOG IV
رویکردهای مبتنی بر شبکه‌های عصبی کانولوشن (CNN):
روش شبکه عصبی کانولوشنال استاندارد (CNN).
پیشنهادهای منطقه و شبکه های عصبی کانولوشنال (CNN)
تشخیص کادرهای محدود کننده با رگرسیون
مدل Fast R-CNN چیست؟
مدل سریعتر R-CNN چیست؟
مقالات پژوهشی دانشگاهی اصلی
آزمون رویکردهای CNN
تئوری الگوریتم شما فقط یک بار نگاه می کنید (YOLO):
رویکرد YOLO چیست؟
الگوریتم YOLO - سلول های شبکه
الگوریتم YOLO - تقاطع روی اتحاد
چگونه الگوریتم YOLO را آموزش دهیم؟
الگوریتم YOLO - تابع ضرر
الگوریتم YOLO - سرکوب غیر حداکثر
چرا باید از انکر باکس های به اصطلاح استفاده کرد؟
مقاله پژوهشی دانشگاهی اصلی
آزمون الگوریتم YOLO
اجرای الگوریتم شما فقط یک بار نگاه می کنید (YOLO):
اجرای الگوریتم YOLO I
پیاده سازی الگوریتم YOLO II
پیاده سازی الگوریتم YOLO III
اجرای الگوریتم YOLO IV
پیاده سازی الگوریتم YOLO V
پیاده سازی الگوریتم YOLO VI
اجرای الگوریتم YOLO VII
نظریه آشکارساز چند باکس تک شات (SSD):
الگوریتم SSD چیست؟
مفهوم اصلی الگوریتم SSD (معماری)
جعبه های مرزی و جعبه های لنگر
نقشه ها و لایه های پیچیدگی را مشخص کنید
استخراج منفی سخت در طول تمرین
منظم سازی (افزایش داده ها) و سرکوب غیر حداکثری در طول آموزش
مقاله پژوهشی دانشگاهی اصلی
اجرای الگوریتم SSD:
پیاده سازی SSD I
پیاده سازی SSD II
پیاده سازی SSD III
پیاده سازی SSD IV
پیاده سازی SSD V
### دوره crash برنامه نویسی پایتون ### :
معرفی دوره سقوط پایتون
پیوست شماره 1 - مبانی پایتون:
اولین مراحل در پایتون
انواع داده های اساسی چیست؟
بولی ها
رشته ها
برش رشته
ریخته گری را تایپ کنید
اپراتورها
اظهارات مشروط
چگونه از چند شرط استفاده کنیم؟
عملگرهای منطقی
حلقه - برای حلقه
حلقه - حلقه while
حلقه های تو در تو چیست؟
شمارش کنید
بشکنید و ادامه دهید
محاسبه اعداد فیبوناچی
پیوست شماره 2 - توابع:
توابع چیست؟
تعریف توابع
آرگومان های موقعیت و آرگومان های کلیدواژه
برگرداندن مقادیر
برگرداندن چندین مقدار
عملگر بازده
متغیرهای محلی و جهانی
چه هستندمرتبط ترین توابع داخلی؟
بازگشت چیست؟
متغیرهای محلی در مقابل متغیرهای جهانی
عملکرد __main__
پیوست شماره 3 - ساختارهای داده در پایتون:
چگونه زمان اجرای الگوریتم ها را اندازه گیری کنیم؟
معرفی ساختارهای داده
ساختارهای داده آرایه چیست I
ساختارهای داده آرایه چیست II
لیست در پایتون
لیست در پایتون - عملیات پیشرفته
لیست در پایتون - درک لیست
(!!!) لیست ها و آرایه های پایتون
تاپل ها چیست؟
تغییرپذیری و تغییرناپذیری
ساختارهای داده لیست پیوندی چیست؟
پیاده سازی لیست پیوندی دوگانه در پایتون
هش و پیچیدگی زمان اجرا O(1).
فرهنگ لغت در پایتون
مجموعه ها در پایتون
مرتب سازی
پیوست شماره 4 - برنامه نویسی شی گرا (OOP):
برنامه نویسی شی گرا (OOP) چیست؟
اصول کلاس و اشیا
با استفاده از سازنده
متغیرهای کلاس و متغیرهای نمونه
متغیرهای خصوصی و انحراف نام
وراثت در OOP چیست؟
کلید کلیدی فوق العاده
عملکرد (روش) تابع
چند ریختی چیست؟
نمونه چندشکلی و انتزاعی
ماژول ها
تابع __str__
مقایسه اشیا - توابع برتر
پیوست شماره 5 - NumPy:
مزیت کلیدی NumPy چیست؟
ایجاد و به روز رسانی آرایه ها
بعد آرایه ها
شاخص‌ها و برش
انواع
تغییر شکل
چیدمان و ادغام آرایه ها
فیلتر
مقایسه زمان اجرا: آرایه ها و لیست ها
مواد دوره (دانلود) :
مواد دوره (کد منبع و اسلایدها)

نمایش سرفصل های انگلیسی

[2022] Machine Learning and Deep Learning Bootcamp in Python