دسته بندی

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.

آموزش کار با الگوریتم های هوش مصنوعی Grokking

دانلود OReilly Grokking Artificial Intelligence Algorithms video edition

10,900 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

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با الگوریتم های هوش مصنوعی یاد می گیرید.

عنوان اصلی : Grokking Artificial Intelligence Algorithms video edition

این مجموعه آموزش ویدیویی محصول موسسه آموزشی OReilly است که بر روی 1 حلقه دیسک ارائه شده و به مدت زمان 7 ساعت و 29 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :

01-Preface - وسواس ما با تکنولوژی و اتوماسیون
02-Preface - اخلاق، مسائل حقوقی و مسئولیت ما
03-Chapter 1 شهود هوش مصنوعی
04-Chapter 1 تاریخچه مختصری از هوش مصنوعی
05-Chapter 1 Super Intelligence - ناشناخته بزرگ
06-Chapter 1 بانکداری - تشخیص تقلب
07-chapter 2 مبانی جستجو
08-Chapter 2 نمایندگی دولت - ایجاد یک چارچوب برای نشان دادن فضاهای مشکل و راه حل ها
09-Chapter 2 Worlth-First Search - به دنبال گسترده قبل از نگاه عمیق
10 فصل 2 عمق اولین جستجو - به دنبال عمیق قبل از به دنبال گسترده
11-فصل 3 جستجوی هوشمند
12 فصل 3 A_ جستجو
13-Chapter 3 موارد استفاده از الگوریتم های جستجوی آگاهانه
14 فصل 3 ورزش - چه مقادیر در Min-Max Min Max منتشر می شود
15 فصل 3 Alpha-beta pruning - بهینه سازی با بررسی مسیرهای معقول تنها
16-فصل 4 الگوریتم های تکاملی
17-فصل چهارم مشکلات مربوط به الگوریتم های تکاملی
18-Chapter 4 رمزگذاری فضاهای راه حل
19 فصل 4 انتخاب والدین بر اساس تناسب اندام آنها
20 فصل 4 دو نقطه تقاطع - به ارث بردن قطعات بیشتر از هر پدر و مادر
21-Chapter 4 پیکربندی پارامترهای یک الگوریتم ژنتیک
22 فصل 5 رویکردهای پیشرفته تکاملی
23-Chapter 5 Arithmetic Crossover - با ریاضی تولید می شود
24-Chapter 5 تغییر جهش جهش - تغییر مقدار یک گره
25 فصل 6 Swarm Intelligence - مورچه ها
26-فصل 6 نمایندگی دولت - چه مسیرها و مورچه ها به نظر می رسد
27-Chapter 6 جمعیت مورچه ها را راه اندازی کنید
28-فصل 6 به روز رسانی فرومون بر اساس تورهای مورچه
29-Chapter 7 Swarm Intelligence - ذرات
30-Chapter 7 مشکلات مربوط به بهینه سازی ذرات ذرات
31-فصل 7 محاسبه تناسب اندام هر ذره
32 فصل 7 به روز رسانی موقعیت
33-فصل 8 یادگیری ماشین
34-Chapter 8 جمع آوری و درک داده ها - دانستن زمینه خود را
35 فصل 8 مقادیر مبهم
36-chapter 8 پیدا کردن میانگین ویژگی ها
37-Chapter 8 تست مدل - تعیین صحت مدل
38-chapter 8 طبقه بندی با درخت تصمیم گیری
39-فصل 8 چرخه زندگی یادگیری درخت تصمیم گیری
40 فصل 8 طبقه بندی نمونه هایی با درخت تصمیم گیری
41-فصل 9 شبکه های عصبی مصنوعی
42-Chapter 9 ورزش - خروجی ورودی زیر را برای Perceptron محاسبه کنید
43-chapter 9 propagation forward - با استفاده از یک آموزش Ann
44-Chapter 9 BackPropagation - آموزش Ann
45 فصل 9 گزینه برای توابع فعال سازی
46-فصل 9 تعصب
47-فصل 10 یادگیری تقویت با Q-Learning
48-Chapter 10 مشکلات قابل اجرا برای یادگیری تقویت
49-فصل 10 آموزش با شبیه سازی با استفاده از Q-Learning
50 فصل 10 تمرین - محاسبه تغییر در مقادیر Q جدول
51- فصل 10 روش های یادگیری عمیق برای یادگیری تقویت

01-Preface - Our obsession with technology and automation
02-Preface - Ethics, legal matters, and our responsibility
03-Chapter 1 Intuition of artificial intelligence
04-Chapter 1 A brief history of artificial intelligence
05-Chapter 1 Super intelligence - The great unknown
06-Chapter 1 Banking - Fraud detection
07-Chapter 2 Search fundamentals
08-Chapter 2 Representing state - Creating a framework to represent problem spaces and solutions
09-Chapter 2 Breadth-first search - Looking wide before looking deep
10-Chapter 2 Depth-first search - Looking deep before looking wide
11-Chapter 3 Intelligent search
12-Chapter 3 A_ search
13-Chapter 3 Use cases for informed search algorithms
14-Chapter 3 Exercise - What values would propagate in the following Min-max tree
15-Chapter 3 Alpha-beta pruning - Optimize by exploring the sensible paths only
16-Chapter 4 Evolutionary algorithms
17-Chapter 4 Problems applicable to evolutionary algorithms
18-Chapter 4 Encoding the solution spaces
19-Chapter 4 Selecting parents based on their fitness
20-Chapter 4 Two-point crossover - Inheriting more parts from each parent
21-Chapter 4 Configuring the parameters of a genetic algorithm
22-Chapter 5 Advanced evolutionary approaches
23-Chapter 5 Arithmetic crossover - Reproduce with math
24-Chapter 5 Change node mutation - Changing the value of a node
25-Chapter 6 Swarm intelligence - Ants
26-Chapter 6 Representing state - What do paths and ants look like
27-Chapter 6 Set up the population of ants
28-Chapter 6 Updating pheromones based on ant tours
29-Chapter 7 Swarm intelligence - Particles
30-Chapter 7 Problems applicable to particle swarm optimization
31-Chapter 7 Calculate the fitness of each particle
32-Chapter 7 Position update
33-Chapter 8 Machine learning
34-Chapter 8 Collecting and understanding data - Know your context
35-Chapter 8 Ambiguous values
36-Chapter 8 Finding the mean of the features
37-Chapter 8 Testing the model - Determine the accuracy of the model
38-Chapter 8 Classification with decision trees
39-Chapter 8 Decision-tree learning life cycle
40-Chapter 8 Classifying examples with decision trees
41-Chapter 9 Artificial neural networks
42-Chapter 9 Exercise - Calculate the output of the following input for the Perceptron
43-Chapter 9 Forward propagation - Using a trained ANN
44-Chapter 9 Backpropagation - Training an ANN
45-Chapter 9 Options for activation functions
46-Chapter 9 Bias
47-Chapter 10 Reinforcement learning with Q-learning
48-Chapter 10 Problems applicable to reinforcement learning
49-Chapter 10 Training with the simulation using Q-learning
50-Chapter 10 Exercise - Calculate the change in values for the Q-table
51-Chapter 10 Deep learning approaches to reinforcement learning