Machine Learning with Python

یادگیری ماشین یکی از جذاب‌ترین و پرکاربردترین شاخه‌های علوم کامپیوتر است. در این فناوری سیستم‌ها و الگوریتم‌ها توانایی یادگیری از داده‌ها را به دست می‌آورند. یعنی یادگیری ماشین به سیستم‌ها اجازه می‌دهد تا از داده‌ها یاد بگیرند و بدون نیاز به برنامه‌نویسی صریح، عملکرد خود را بهبود بخشند. این فناوری در دنیای امروز ارزش بسیاری دارد و شرکت‌ها و سازمان‌ها به دنبال افرادی هستند که در این زمینه متخصص باشند. به همین علت آموزش machine learning روز به روز اهمیت بیشتری پیدا می‌کند.

قیمت دوره

10,500,000 تومان

برای دریافت مشاوره با ما در ارتباط باشید.

پرداخت درب منزل

بعد از دریافت سفارش

تضمین قیمت محصولات

کمترین قیمت در سطح اینترنت

امکان مرجوع کردن سفارش

در صورت عدم رضایت

تضمین کیفیت و اصالت

فروش مستقیم از شرکت

ارسال سریع سفارشات

با پست پیشتاز

توضیحات دوره

آموزش machine learning | دوره یادگیری ماشین

یادگیری ماشین یکی از جذاب‌ترین و پرکاربردترین شاخه‌های علوم کامپیوتر است. در این فناوری سیستم‌ها و الگوریتم‌ها توانایی یادگیری از داده‌ها را به دست می‌آورند. یعنی یادگیری ماشین به سیستم‌ها اجازه می‌دهد تا از داده‌ها یاد بگیرند و بدون نیاز به برنامه‌نویسی صریح، عملکرد خود را بهبود بخشند. این فناوری در دنیای امروز ارزش بسیاری دارد و شرکت‌ها و سازمان‌ها به دنبال افرادی هستند که در این زمینه متخصص باشند. به همین علت آموزش machine learning روز به روز اهمیت بیشتری پیدا می‌کند.

این فناوری از تشخیص چهره در عکس‌ها گرفته تا پیش‌بینی بازارهای مالی، یادگیری ماشین در بسیاری از زمینه‌ها کاربرد دارد. همچنین به عنوان یکی از ابزارهای قدرتمند در تحلیل داده‌ها و تصمیم‌گیری‌های هوشمند شناخته می‌شود. به همین علت توجه مدیران را به خود جلب کرده است. اگر قصد دارید مهارت‌های خود را در این زمینه افزایش دهید و در این حوزه مشغول به کار شوید، این مطلب را تا انتها کنید تا با بهترین دوره یادگیری ماشین آشنا شوید.

با توجه به رشد پرسرعت حوزه هوش مصنوعی امروزه با رویکردهای نوین آن مواجه هستیم. این رویکردها به قابلیت های بسیار وسیعی مجهز شده اند که می توانند بسیاری از پدیده های اطراف ما را درک کنند. در این دوره پس از درک مفهوم داده سراغ استفاده از رویکردهای مطرح و ساده این حوزه می رویم. این گام به ما کمک می کند تا مفاهیم اصلی این حوزه را در کنار زیرساخت اجرای آن درک کنیم. در ادامه کاربرد فضای هوش مصنوعی در موضوعات مختلف جهان را بررسی کنیم. این امر باعث تقویت مهارت حل مساله در این حوزه خواهد شد. رویکردهای مختلف مبتنی بر یادگیری با نظارت، خوشه بندی داده ها از مواردی است که در بخش اول دوره Machine Learning پرداخته می شوند.

در بخش دوم دوره سراغ رویکردهای پیشرفته تر این حوزه می رویم. درک قوی ما از این حوزه باعث می شود تا به راحتی رویکردهای جدید را فرا بگیریم و از آنان در مسائل پر چالش واقعی استفاده کنیم. در مسیر این دوره از مثال های مختلف دنیای واقعی استفاده می کنیم تا یادگیری خود را تکمیل کنیم همچنین کلیه نتایج بدست آمده را تحلیل می کنیم تا درکمان از عملکرد مدل هوشمند ارتقا یابد.

اطلاعات دوره

نوع دورهآنلاین, حضوری
نوع پرداختقسطی, نقدی
مدت دوره50 ساعت
روز برگزاریهماهنگی با آموزش
ساعت برگزاریهماهنگی با آموزش
تاریخ پیش بینی شروع کلاسهماهنگی با آموزش
نحوه برگزاریحضوری - آنلاین
پیش نیازدارد
پیش نیاز هاپایتون مقدماتی
گواهی دورهدارد
استاداستاد تعیین نشده است

سایر زمان‌های برگزاری

روز برگزاری ساعت برگزاری تاریخ شروع استاد نحوه برگزاری عملیات
دوره مشابهی پیدا نشد
سرفصل ها
مروری بر آنالیز داده
  1. مروری بر جبر خطی
  2. مروری بر آنالیز داده
  3. بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد
بررسی روشهای گوناگون آماده سازی مجموعه دادگان
  1. معرفی چالش های موجود در آماده سازی مجموعه دادگان
  2. معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند
بررسی رویکردهای گوناگون دسته بندی داده ها
  1. بررسی رویکردهای مختلف دسته بندی اطلاعات
    • Binary class classification
    • Multi class classification
    • Multi label classification
    • Multi class Multi label classification
  2. بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی
بررسی رویکرد نزدیکترین همسایه
  1. معرفی رویکرد KNNImputer و استفاده از آن برای پیش پردازش داده ها
  2. معرفی رویکرد KNN در دسته بندی اطلاعات
  3. بیان مزایا و معایب آن
بررسی رویکردهای گوناگون رگرسیون خطی
  1. پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
  2. بیان مفهوم گرادیان و تابع خطا
  3. معرفی انواع توابع خطا مرسوم در رگرسیون خطی
  4. بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
  5. بررسی Polynomial Regression
  6. بررسی مفهوم underfitting و overfitting
  7. بررسی مفهوم Early Stopping و پیاده سازی آن
  8. بررسی انواع مختلف Regularization
  9. بررسی و پیاده سازی Logistic Regression
  10. بیان مفهوم Softmax
بررسی رویکرد Support Vector Machine
  1. معرفی SVM و عملکرد آن در دسته بندی اطلاعات
  2. معرفی SVR و عملکرد آن در رگرسیون خطی
  3. بیان مزایا و معایب آن
بررسی رویکرد درخت تصمیم
  1. معرفی رویکرد Decision Tree در دسته بندی اطلاعات
    • بیان نحوه ی کارکرد آن و پیمایش درخت تصمیم
    • بیان مفاهیم آنتروپی، cut off point , ضریب جینی
  2. معرفی رویکرد Decision Tree در رگرسیون خطی
  3. بیان مزایا و معایب این رویکرد
بررسی رویکردهای گوناگون خوشه بندی اطلاعات
  1. معرفی رویکردهای مبتنی بر یادگیری بدون ناظر
  2. معرفی رویکرد KMeans
    • نحوه عملکرد آن
    • نحوه ی ارزیابی آن
    • چالش های این رویکرد و نحوه ی حل آنان
    • معرفی نسخه های ارتقا یافته آن
  3. معرفی رویکرد DBSCAN
    • نحوه عملکرد آن
    • نحوه ارزیابی آن
بررسی رویکردهای مختلف کاهش بعد
  1. بررسی لزوم کاهش بعد در آموزش یک مدل
  2. بررسی کاهش بعد با دیدگاه Projection
    • بررسی رویکرد PCA
  3. بررسی کاهش بعد با دیدگاه Manifold
    • بررسی رویکرد LLE
بررسی رویکردهای ترکیبی Ensemble Methods
  1. بررسی رویکرد Random Forest
  2. بررسی رویکرد Adaptive Boost
  3. بررسی مزایا و معایب آن
بررسی ساختارهای گوناگون شبکه های عصبی - مقدماتی
  1. معرفی Tensorflow
    • بیان نحوه ی کارکرد Tensorflow
    • انواع مختلف متغیر در Tensorflow
    • مفهوم Session و عملکرد آن در Tensorflow
    • مدیریت گراف ها
    • پیاده سازی یک مثال برای دسته بندی اطلاعات
    • پیاده سازی یک مثال برای رگرسیون خطی
    • ذخیره و بازیابی مجدد مدل
    • نمایش گراف و روال آموزش با Tensorboard
  2. بررسی کارکرد شبکه های عصبی
    • بیان ساختار نورون و عملکرد آن در مغز
    • بیان انواع توابع آتش در نورون ها و بررسی آن
    • بررسی روال Back Propagation
    • پیاده سازی ساختار های مختلف یک شبکه عصبی جهت دسته بندی اطلاعات توسط numpy
    • پیاده سازی ساختار های مختلف یک شبکه عصبی جهت رگرسیون خطی توسط numpy
بررسی ساختارهای گوناگون شبکه های عصبی - پیشرفته
  1. معرفی KERAS
  2. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
  3. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
  4. نمایش گرافیکی یک مدل طراحی شده در KERAS
  5. ذخیره و بازیابی یک مدل در KERAS
  6. نحوه ی ارزیابی عملکرد یک مدل در KERAS
پیش نیاز ها
  • آشنا به آمار و احتمال ریاضی
  • برنامه نویسی پایتون
  • آنالیز داده
آینده شغلی
  • رویکردهای موجود در یادگیری ماشین به دلیل عدم نیاز به منابع سخت افزاری قوی بسیار مورد توجه قرار میگیرد و در صنایعی که به تازگی با این حوزه آشنا شده اند بسیار کاربردی خواهد بود.
  • بسیاری از کسب و کارهای نوپا برای ورود به حوزه‌ی هوش مصنوعی رویکردهای یادگیری ماشین را برمی گزینند. از این رو جذب متخصص یادگیری ماشین برای آنان می تواند بسیار ارزنده باشد.
  • گذراندن این دوره به عنوان یکی از دوره های اصلی هوش مصنوعی می تواند تجربه استفاده از الگوریتم های مطرح این حوزه را در بخش صنعت برای شما فراهم کند.
  • این دوره به عنوان دوره میانی هوش مصنوعی پیش نیاز شما برای ورود به دنیای یادگیری عمیق بوده و شما را برای استفاده از قابلیت های هوشمند در لبه تکنولوژی آماده می کند.
  • امکان استخدام به عنوان یک مهندس یادگیری ماشین در شرکت های بزرگ برنامه نویسی پس از گذراندن این دوره میسر است.

نظرات کاربران

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “Machine Learning with Python”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دوره های مشابه