مقاله های منتشر شده گروه هوش مصنوعی

مقاله های منتشر شده گروه هوش مصنوعی

دسته بندی مقاله ها برای دسترسی سریع تر
صفحه قبلی
پیمایش رکوردها - صفحه 7 از 8
12345678
صفحه بعدی
1 فصل ۱۱: آموزش شبکه‌های عصبی عمیق؛ Vanishing/Exploding Gradients و Activationهای پیشرفته
2 تنظیم Hyperparameter شبکه عصبی با Keras Tuner و تمرین‌های فصل ۱۰
3 Subclassing API، ذخیره مدل، Callbackها و TensorBoard در Keras
4 ارزیابی، پیش‌بینی و Functional API در Keras؛ مدل‌های Wide & Deep و چندورودی/چندخروجی
5 پیاده‌سازی MLP با Keras؛ Fashion MNIST، Sequential API و آموزش مدل
6 MLP، Backpropagation و معماری‌های رگرسیون و طبقه‌بندی شبکه عصبی
7 بخش دوم و فصل ۱۰: آشنایی با شبکه‌های عصبی مصنوعی، نورون‌ها و Perceptron
8 Gaussian Mixture، تشخیص ناهنجاری، BIC/AIC و مدل‌های Novelty Detection
9 Label Propagation، Active Learning، DBSCAN و Gaussian Mixture
10 k-means پیشرفته؛ Mini-Batch، Silhouette و کاربردهای خوشه‌بندی
11 فصل ۹: یادگیری بدون نظارت؛ خوشه‌بندی و مبانی k-means
12 انتخاب ابعاد PCA، فشرده‌سازی، Random Projection و LLE
13 فصل ۸: کاهش ابعاد؛ نفرین ابعاد، Projection، Manifold و PCA
14 Gradient Boosting، HGB، Stacking و جمع‌بندی یادگیری گروهی
15 جنگل تصادفی، Extra-Trees، اهمیت ویژگی‌ها و AdaBoost
16 فصل ۷: یادگیری گروهی؛ رأی‌گیری، Bagging، Pasting و OOB
17 رگرسیون با درخت تصمیم، حساسیت به محور و واریانس مدل
18 فصل ۶: درخت‌های تصمیم؛ آموزش، پیش‌بینی، CART و منظم‌سازی
19 SVM در رگرسیون، ترفند هسته و مبانی ریاضی ماشین بردار پشتیبان
20 فصل ۵: ماشین‌های بردار پشتیبان؛ طبقه‌بندی خطی و غیرخطی
21 منظم‌سازی مدل‌ها، توقف زودهنگام، Logistic و Softmax Regression
22 گرادیان کاهشی تصادفی، رگرسیون چندجمله‌ای و منحنی‌های یادگیری
23 فصل ۴: آموزش مدل‌ها؛ رگرسیون خطی و گرادیان کاهشی
24 طبقه‌بندی چندکلاسه، تحلیل خطا و سامانه‌های چندبرچسبی
25 فصل ۳: طبقه‌بندی؛ MNIST، طبقه‌بندی دودویی و معیارهای ارزیابی
26 ارزیابی نهایی، استقرار، پایش و نگهداری سامانهٔ یادگیری ماشین
27 انتخاب و آموزش مدل، اعتبارسنجی متقابل و تنظیم فراپارامترها
28 تبدیل ویژگی‌ها، Transformerهای سفارشی و Pipelineهای پیش‌پردازش
29 آماده‌سازی داده: پاک‌سازی، ویژگی‌های دسته‌ای و مقیاس‌بندی
30 کاوش و مصورسازی داده، همبستگی‌ها و ترکیب ویژگی‌ها
31 ساخت مجموعهٔ آزمون و نمونه‌گیری طبقه‌بندی‌شده
32 کار با Google Colab و شناخت ساختار داده‌های مسکن کالیفرنیا
33 فصل ۲: پروژهٔ یادگیری ماشین از ابتدا تا انتها؛ صورت‌بندی مسئله و معیارهای ارزیابی
34 آزمون و اعتبارسنجی، انتخاب مدل، ناهماهنگی داده و تمرین‌های فصل ۱
35 چالش‌های اصلی یادگیری ماشین: کیفیت داده، بیش‌برازش و کم‌برازش
36 یادگیری دسته‌ای و برخط؛ یادگیری نمونه‌محور و مدل‌محور
37 کاربردها و انواع سامانه‌های یادگیری ماشین: از نظارت آموزشی تا یادگیری تقویتی
38 سپاسگزاری و فصل ۱: تعریف یادگیری ماشین و چرایی استفاده از آن
39 پیشگفتار: سونامی یادگیری ماشین، هدف کتاب و مسیر مطالعه
40 یادگیری ماشین کاربردی با Scikit-Learn، Keras و TensorFlow - معرفی و فهرست مطالب
صفحه قبلی
پیمایش رکوردها - صفحه 7 از 8
12345678
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