لیست مقاله ها

لیست مقاله های وبسایت

دسته بندی مقاله ها برای دسترسی سریع تر
صفحه قبلی
پیمایش رکوردها - صفحه 65 از 66
12345. . . .63646566
صفحه بعدی
1 GELU و Swish، Batch Normalization و Gradient Clipping
2 فصل ۱۱: آموزش شبکه‌های عصبی عمیق؛ Vanishing/Exploding Gradients و Activationهای پیشرفته
3 تنظیم Hyperparameter شبکه عصبی با Keras Tuner و تمرین‌های فصل ۱۰
4 Subclassing API، ذخیره مدل، Callbackها و TensorBoard در Keras
5 ارزیابی، پیش‌بینی و Functional API در Keras؛ مدل‌های Wide & Deep و چندورودی/چندخروجی
6 پیاده‌سازی MLP با Keras؛ Fashion MNIST، Sequential API و آموزش مدل
7 MLP، Backpropagation و معماری‌های رگرسیون و طبقه‌بندی شبکه عصبی
8 بخش دوم و فصل ۱۰: آشنایی با شبکه‌های عصبی مصنوعی، نورون‌ها و Perceptron
9 Gaussian Mixture، تشخیص ناهنجاری، BIC/AIC و مدل‌های Novelty Detection
10 Label Propagation، Active Learning، DBSCAN و Gaussian Mixture
11 k-means پیشرفته؛ Mini-Batch، Silhouette و کاربردهای خوشه‌بندی
12 فصل ۹: یادگیری بدون نظارت؛ خوشه‌بندی و مبانی k-means
13 انتخاب ابعاد PCA، فشرده‌سازی، Random Projection و LLE
14 فصل ۸: کاهش ابعاد؛ نفرین ابعاد، Projection، Manifold و PCA
15 Gradient Boosting، HGB، Stacking و جمع‌بندی یادگیری گروهی
16 جنگل تصادفی، Extra-Trees، اهمیت ویژگی‌ها و AdaBoost
17 فصل ۷: یادگیری گروهی؛ رأی‌گیری، Bagging، Pasting و OOB
18 رگرسیون با درخت تصمیم، حساسیت به محور و واریانس مدل
19 فصل ۶: درخت‌های تصمیم؛ آموزش، پیش‌بینی، CART و منظم‌سازی
20 SVM در رگرسیون، ترفند هسته و مبانی ریاضی ماشین بردار پشتیبان
21 فصل ۵: ماشین‌های بردار پشتیبان؛ طبقه‌بندی خطی و غیرخطی
22 منظم‌سازی مدل‌ها، توقف زودهنگام، Logistic و Softmax Regression
23 گرادیان کاهشی تصادفی، رگرسیون چندجمله‌ای و منحنی‌های یادگیری
24 فصل ۴: آموزش مدل‌ها؛ رگرسیون خطی و گرادیان کاهشی
25 طبقه‌بندی چندکلاسه، تحلیل خطا و سامانه‌های چندبرچسبی
26 فصل ۳: طبقه‌بندی؛ MNIST، طبقه‌بندی دودویی و معیارهای ارزیابی
27 ارزیابی نهایی، استقرار، پایش و نگهداری سامانهٔ یادگیری ماشین
28 انتخاب و آموزش مدل، اعتبارسنجی متقابل و تنظیم فراپارامترها
29 تبدیل ویژگی‌ها، Transformerهای سفارشی و Pipelineهای پیش‌پردازش
30 آماده‌سازی داده: پاک‌سازی، ویژگی‌های دسته‌ای و مقیاس‌بندی
31 کاوش و مصورسازی داده، همبستگی‌ها و ترکیب ویژگی‌ها
32 ساخت مجموعهٔ آزمون و نمونه‌گیری طبقه‌بندی‌شده
33 کار با Google Colab و شناخت ساختار داده‌های مسکن کالیفرنیا
34 فصل ۲: پروژهٔ یادگیری ماشین از ابتدا تا انتها؛ صورت‌بندی مسئله و معیارهای ارزیابی
35 آزمون و اعتبارسنجی، انتخاب مدل، ناهماهنگی داده و تمرین‌های فصل ۱
36 چالش‌های اصلی یادگیری ماشین: کیفیت داده، بیش‌برازش و کم‌برازش
37 یادگیری دسته‌ای و برخط؛ یادگیری نمونه‌محور و مدل‌محور
38 کاربردها و انواع سامانه‌های یادگیری ماشین: از نظارت آموزشی تا یادگیری تقویتی
39 سپاسگزاری و فصل ۱: تعریف یادگیری ماشین و چرایی استفاده از آن
40 پیشگفتار: سونامی یادگیری ماشین، هدف کتاب و مسیر مطالعه
صفحه قبلی
پیمایش رکوردها - صفحه 65 از 66
12345. . . .63646566
صفحه بعدی

اطلاعات تماس

  • آدرس:اصفهان-خیابان ام کلثوم غربی - بعد خیابان تخم چی - بیست متر بعد از پیتزا ننه شب - کوچه تعمیر گاه سمار زغالی - پلاک 354 - درب مشکی - طبقه هفتم
  • آدرس ایمیل:najafzade@gmail.com
  • وب سایت:http://www.a00b.com/
  • تلفن ثابت:(+98)9131253620
  • تلفن همراه:09131253620