دوره هوش مصنوعی پایتون و یادگیری ماشین رویداد آنلاین

ویژگی های دوره پایتون هوش مصنوعی و یادگیری ماشین

70 ساعت آموزش آنلاین

پشتیبانی روزانه

رفع اشکال و منتورینگ تخصصی

انجام پروژه نزدیک به صنعت

گواهی پایان دوره معتبر

برگزاری آنلاین کلاس به همراه دسترسی آفلاین

رزومه سازی و تسهیل در ورود به کسب و کار

تصور کنید بتوانید با کامپیوتر خود به زبان طبیعی صحبت کنید و از آن بخواهید وظایف مختلف را انجام دهد. این امر با یادگیری زبان برنامه‌نویسی امکان‌پذیر است. زبان برنامه نویسی پایتون به دلیل سادگی و نزدیک بودن به زبان گفتاری انسان، انتخاب ایده‌آلی برای افراد مبتدی است که می‌خواهند با برنامه‌نویسی و هوش مصنوعی آشنا شوند. با استفاده از زبان برنامه نویسی پایتون میتوانیم راحت تر با کامپیوتر ارتباط داشته باشیم و دستورات مد نظر خود را پیاده سازی کنیم؛ علاوه بر آن برای ورود به دنیای هوش مصنوعی و استفاده از آن نیز، نیازمند تسلط نسبی به زبان برنامه نویسی پایتون هستیم. در این دوره 30 ساعته، علاوه بر مبانی برنامه نویسی کامپیوتر و مقدمات لازم برای شروع از صفر، به آموزش زبان برنامه نویسی پایتون به همراه ریاضیات کاربردی و همچنین ماشین لرنینگ مقدماتی میپردازیم.

نیازمندی های ورود به دوره

انگیزه شروع آموزش

تمرین و تحقیق مداوم

حضور فعال در گروه تخصصی

پس از پایان دوره

حمایت جهت ورود به کسب و کار شامل تعریف پروژه، استخدام، تشکیل استارتاپ

تیم سازی افراد فعال و منتخب دوره

پیاده سازی مدل های ساده یادگیری ماشین

تسلط به مفاهیم پایه ای زبان برنامه نویسی پایتون، آمار و جبر خطی

توانایی انجام پروژه های ساده با پایتون

شروع مسیر متخصص شدن در هوش مصنوعی

ساخت رزومه در سایت های معتبر خارجی جهت تسهیلگری مهاجرت

اگر بخواهیم به کامپیوتر توانایی یادگیری بدهیم از یادگیری ماشین استفاده میکنیم. الگوریتم‌های یادگیری ماشین با استفاده از داده‌های موجود الگوها و روابط را کشف می‌کنند و از این دانش برای انجام وظایف مختلف، مانند پیش‌بینی، طبقه‌بندی و تصمیم‌گیری استفاده می‌کنند. در این دوره، 40 ساعت آموزش یادگیری ماشین برای افرادی طراحی شده است که در زبان برنامه نویسی پایتون تسلط نسبی دارند و میخواهند با استفاده از پروژه های عملی و کاربردی، اصول الگوریتم های ماشین لرنینگ، پیش‌پردازش داده‌ها و ارزیابی مدل را آموزش ببینند. علاوه بر این، در این دوره با مقدمات آموزش یادگیری عمیق برای پردازش تصویر، صوت و متن هم آشنا خواهید شد. 

​

نیازمندی های ورود به دوره

تسلط به زبان برنامه نویسی پایتون

آشنایی با ریاضیات کاربردی، جبر خطی، آمار

انگیزه برای متخصص شدن

تمرین و تحقیق مداوم

حضور فعال در گروه تخصصی

پس از پایان دوره

حمایت جهت ورود به کسب و کار شامل تعریف پروژه، استخدام، تشکیل استارتاپ

توانایی انجام پروژه هایی مانند پیش بینی قیمت و سیستم های توصیه گر

کسب درآمد از انجام پروژه های یادگیری ماشین

شروع مسیر متخصص شدن در هوش مصنوعی

ساخت رزومه در سایت های معتبر خارجی جهت تسهیلگری مهاجرت

نیازمندی های ورود به دوره

تسلط به زبان برنامه نویسی پایتون

آشنایی با ریاضیات کاربردی، جبر خطی، آمار

انگیزه برای متخصص شدن

تمرین و تحقیق مداوم

حضور فعال در گروه تخصصی

پس از پایان دوره

حمایت جهت ورود به کسب و کار شامل تعریف پروژه، استخدام، تشکیل استارتاپ

توانایی انجام پروژه هایی مانند پیش بینی قیمت و سیستم های توصیه گر

کسب درآمد از انجام پروژه های یادگیری ماشین

شروع مسیر متخصص شدن در هوش مصنوعی

ساخت رزومه در سایت های معتبر خارجی جهت تسهیلگری مهاجرت

1- مفاهیم پایه:

ارتباط با ماشین و زبان برنامه

مقایسه انواع زبان های برنامه نویسی و فریم ورک ها

الگوریتم و فلوچارت

آموزش کار با Kaggle و Github

انواع داده ها و ساختارها (اعداد، رشته ها، لیست ها، دیکشنری ها و ...)

عملگرها و عبارات

ساختار های کنترلی (شروط، حلقه ها و ...)

توابع

2- برنامه نویسی شیء گرا:

کلاس ها و اشیاء

وراثت

پلی مورفیسم

3- آمار و جبر خطی

مفاهیم پایه ی آمار (توزیع احتمال، میانگین، واریانس و ...)

استنتاج آماری (آزمون فرضیه، رگرسیون خطی و ...)

ماتریس ها و عملیات ماتریسی

معادلات خطی

فضای برداری

مقادیر ویژه

4-ماژول ها و کتابخانه ها

مقدمه ای بر کتابخانه های علوم داده NumPy و Pandas

دستکاری آرایه ها و دیتافریم‌ها

تجسم داده ها با استفاده از Matplotlib و Seaborn

تجزیه و تحلیل داده های اکتشافی

رسیدگی به داده های از دست رفته و اطلاعات پرت

مقدمه ای بر یادگیری ماشین

- مروری بر مفاهیم و برنامه های یادگیری ماشین

- مروری بر کتابخانه های پایتون برای یادگیری ماشینNumPy ، Pandas، Matplotlib

- راه اندازی محیط Anaconda، Jupyter

- تجزیه و تحلیل داده های اکتشافی (EDA) با استفاده از Pandas و Matplotlib

2- پیش پردازش داده

- پاکسازی داده ها و مدیریت مقادیر از دست رفته

- مقیاس بندی و نورمال سازی ویژگی ها

- مدیریت متغیرهای طبقه بندی شده با استفاده ازOne_Hot Encoding وLabel Encoding

- تکنیک های مهندسی ویژگی

3: یادگیری تحت نظارت: رگرسیون

- مقدمه ای بر تحلیل رگرسیون

- اجرای رگرسیون خطی با استفاده ازScikit-Learn

- رگرسیون چند جمله ای

- معیارهای ارزیابی مدل: میانگین مربعات خطا(MSE)، R-squared

4: یادگیری تحت نظارت

طبقه بندی

- مقدمه ای بر الگوریتم های طبقه بندی

- رگرسیون لجستیک

(KNN) K-Nearest Neighbors

Decision Treeو Random Forest

- معیارهای ارزیابی مدل

5 یادگیری بدون نظارت

خوشه بندی

کاهش ابعاد

Curse of dimensionality

تجزیه و تحلیل اجزای اصلی (PCA)

t-Distributed Stochastic Neighbor Embedding (t-SNE)

7 مقدمه ای بر یادگیری عمیق

- مبانی شبکه های عصبی مصنوعی

- مقدمه ای بر TensorFlow و Keras

- ساخت یک شبکه عصبی ساده برای طبقه بندی

- آموزش و ارزیابی الگو

- شبکه های عصبی کانولوشن (CNN)

- انتقال یادگیری با مدل های از پیش آموزش دیده

- مقدمه ای بر NLP و جاسازی کلمات

- شبکه های عصبی مکرر (RNN) و حافظه طولانی کوتاه مدت (LSTM)

دانشجویان علاقه مند به هوش مصنوعی (بدون محدودیت رشته)

پژوهشگران و علاقه مندان به ریسرچ

علاقه مندان به مهاجرت، مچ کردن Ph.D. و ریسرچ پوزیشن

و...