فهرست محتوای دوره
معرفی دوره
درباره دوره
دوره یادگیری ماشین (Machine Learning) مسیری کاربردی برای آشنایی با مفاهیم، الگوریتمها و ابزارهای اصلی یادگیری ماشین است. در این دوره، ابتدا با برنامهنویسی پایتون، اهمیت داده و کتابخانههای پرکاربردی مانند NumPy، Pandas، scikit-learn، TensorFlow و PyTorch آشنا میشوید و سپس نحوه آمادهسازی و پردازش دادهها و پیادهسازی مدلهای مختلف یادگیری ماشین را فرا میگیرید. در ادامه، الگوریتمهایی مانند K-Means، Naive Bayes، SVM، رگرسیون، درخت تصمیم و Random Forest بررسی میشوند و مباحث پیشرفتهتری مانند شبکههای عصبی ANN، CNN و RNN، یادگیری تقویتی، PCA و پردازش زبان طبیعی (NLP) نیز پوشش داده خواهند شد. محتوای دوره بهصورت وبینارهای ضبطشده و آفلاین ارائه میشود و امکان مشاهده و مرور جلسات متناسب با برنامه زمانی شما وجود دارد.
چرا در این دوره شرکت کنیم؟
یادگیری ماشین یکی از مهمترین حوزههای هوش مصنوعی و پایه بسیاری از سیستمهای هوشمند امروزی است. برای فعالیت حرفهای در این حوزه، تنها شناخت الگوریتمها کافی نیست و باید بتوانید دادهها را آماده کنید، الگوریتم مناسب را انتخاب کنید و مدلهای یادگیری ماشین را با ابزارهای استاندارد پیادهسازی کنید. این دوره با ترکیب پایتون، تحلیل و آمادهسازی داده، الگوریتمهای کلاسیک Machine Learning و مبانی شبکههای عصبی و Deep Learning دید مناسبی از مسیر ساخت مدلهای یادگیری ماشین در اختیار شما قرار میدهد.
پیشنیازها
آشنایی مقدماتی با مفاهیم برنامهنویسی و ریاضیات میتواند به یادگیری بهتر مباحث کمک کند. با توجه به اینکه برنامهنویسی پایتون و مبانی یادگیری ماشین در دوره پوشش داده میشوند، تسلط قبلی بر Machine Learning الزامی نیست.
این دوره برای چه کسانی است؟
دانشجویان و فارغالتحصیلان رشتههای مهندسی و علوم کامپیوتر
برنامهنویسان علاقهمند به هوش مصنوعی و یادگیری ماشین
تحلیلگران داده و علاقهمندان به Data Science
افراد علاقهمند به ورود به حوزه Machine Learning
متخصصانی که قصد آشنایی با شبکههای عصبی و Deep Learning را دارند
افرادی که میخواهند کار با کتابخانههای اصلی یادگیری ماشین در پایتون را بیاموزند
مسیر یادگیری
آنچه یاد میگیرید
برنامهنویسی پایتون برای یادگیری ماشین
کار با NumPy، SciPy، Pandas و scikit-learn
آشنایی با TensorFlow و PyTorch
آمادهسازی، پاکسازی و ساختاردهی دادهها
مبانی یادگیری نظارتشده و بدون نظارت
خوشهبندی با K-Means
طبقهبندی با Naive Bayes و SVM
تحلیل رگرسیون و مدلسازی دادهها
درخت تصمیم و Random Forest
مبانی یادگیری تقویتی (Reinforcement Learning)
شبکههای عصبی مصنوعی (ANN)
شبکههای عصبی پیچشی (CNN)
شبکههای عصبی بازگشتی (RNN)
کاهش ابعاد داده با PCA
مبانی پردازش زبان طبیعی (NLP)
پاسخ به پرسشهای شما
سوالات متداول
آیا برای شرکت در دوره باید پایتون بلد باشم؟+
خیر. برنامهنویسی پایتون از مباحث دوره است، اما آشنایی اولیه با برنامهنویسی میتواند روند یادگیری را سادهتر کند.
آیا برای شرکت در دوره باید از قبل یادگیری ماشین بلد باشم؟+
خیر. دوره از مبانی Machine Learning شروع میشود و سپس به الگوریتمها و مدلهای پیشرفتهتر میپردازد.
آیا کتابخانههای کاربردی پایتون هم آموزش داده میشوند؟+
بله. کتابخانههایی مانند NumPy، SciPy، Pandas، scikit-learn، TensorFlow و PyTorch در سرفصل دوره قرار دارند.
آیا Deep Learning هم در این دوره پوشش داده میشود؟+
بله. شبکههای عصبی ANN، CNN و RNN در کنار مباحث کلاسیک یادگیری ماشین بررسی میشوند.
آیا پردازش زبان طبیعی هم جزو دوره است؟+
بله. آشنایی با پردازش زبان طبیعی (NLP) یکی از مباحث دوره است.
دوره به چه صورت برگزار میشود؟+
محتوای دوره شامل وبینارهای ضبطشده است و بهصورت آفلاین قابل مشاهده خواهد بود؛ بنابراین میتوانید جلسات را متناسب با زمان خود مشاهده و مرور کنید.
همراه شما در مسیر یادگیری