علم داده و یادگیری ماشین (تئوری + پروژه ها) صفر تا صد در 90 ساعت

در دوره علم داده پایتون شما با آمار برای علم داده، یادگیری ماشین برای علم داده و یادگیری عمیق برای علم داده آشنا می شوید.

آنچه یاد خواهید گرفت

• مفاهیم کلیدی علم داده و یادگیری ماشین از همان ابتدا با درک کامل مثال ها در پایتون
• مفاهیم و الگوریتم های اساسی در یادگیری ماشین
• پایتون برای علم داده و تحلیل داده
• درک داده و مصورسازی داده با پایتون
• احتمالات و آمار در پایتون
• مهندسی ویژگی و کاهش ابعاد با پایتون
• شبکه های عصبی مصنوعی با پایتون
• شبکه های عصبی کانولوشن با پایتون
• شبکه های عصبی بازگشتی با پایتون
• توضیحات دقیق و کدنویسی لایو با پایتون
• ساخت اپلیکیشن های هوش مصنوعی خودتان

توضیحات دوره

بررسی محتوای دوره:

پایتون برای علم داده و تحلیل داده:

• آشنایی با حل مسئله که منجر به ایندکس گذاری پیچیده و مصورسازی داده با Matplotlib می شود.
• هیچ دانش قبلی از برنامه نویسی مورد نیاز نیست.
• تسلط به پکیج های علم داده‌ مانند NumPy و Pandas و Matplotlib
• پس از تکمیل این بخش، مهارت های لازم برای کار با پایتون و پکیج های علم داده را در اختیار خواهید داشت که پایه ای محکم برای انتقال به سایر زبان های برنامه نویسی فراهم می کند.

درک و مصورسازی داده با پایتون:

• پرداختن به تکنیک های پیشرفته دستکاری و مصورسازی داده
• بررسی پکیج های پرکاربرد از جمله Seaborn و Plotly و Folium برای ایجاد مصورسازی های دو بعدی، سه‌ بعدی و نقشه‌ های تعاملی
• کسب توانایی مدیریت مجموعه داده های پیچیده، کاهش وابستگی خود به زبان اصلی پایتون و افزایش تخصص خود با ابزارهای علم داده

تسلط به احتمالات و آمار در پایتون:

• یادگیری اصول نظری علم داده با تسلط به احتمالات و آمار
• درک مفاهیم مهمی مانند احتمال شرطی، استنتاج آماری و برآوردها - ارکان کلیدی برای تکنیک های یادگیری ماشین
• بررسی کاربردهای عملی و استخراج روابط مهم از طریق کد پایتون

دوره فشرده یادگیری ماشین:

• بررسی کامل جنبه های نظری و عملی یادگیری ماشین
• ساخت پایپ لاین های یادگیری ماشین با استفاده از Sklearn
• بررسی عمیق مفاهیم و کاربردهای پیشرفته یادگیری ماشین که شما را برای بررسی عمیق تر بخش های بعدی آماده می کند.

مهندسی ویژگی و کاهش ابعاد:

• درک اهمیت آماده سازی داده برای بهبود عملکرد مدل
• یادگیری تکنیک هایی برای انتخاب و تبدیل ویژگی ها، مدیریت داده گمشده و افزایش دقت و کارایی مدل
• این بخش شامل مطالعات موردی واقعی و مثال‌ های کدنویسی در پایتون است.

شبکه های عصبی مصنوعی (ANN) با پایتون:

• ANNs با توانایی پردازش مقادیر زیادی داده و شناسایی الگوهای پیچیده، یادگیری ماشینی را متحول کرده اند.
• یادگیری عملکرد تنسورفلو، فریمورک یادگیری عمیق گوگل و اعمال مدل های ANN برای حل مشکلات واقعی

شبکه های عصبی کانولوشن (CNN) با پایتون:

• کسب درک عمیقی از CNN که بینایی کامپیوتری و بسیاری از زمینه های دیگر از جمله پردازش صدا و یادگیری تقویتی را متحول کرده است.
• ساخت و آموزش CNNs با استفاده از تنسورفلو برای کاربردهای مختلف از شناسایی چهره تا انتقال سبک عصبی

در پایان دوره قادر به درک موارد زیر خواهید بود:

• درک اصول و نظریه های کلیدی در علم داده و یادگیری ماشین
• پیاده سازی مدل های یادگیری ماشین مبتنی بر پایتون با استفاده از مجموعه داده های واقعی
• استفاده از تکنیک های پیشرفته علم داده برای حل مسائل پیچیده
• بر عهده گرفتن با اطمینان نقش های چالش برانگیز در علم داده و یادگیری ماشین

این دوره برای چه کسانی مناسب است؟

• افرادی که می خواهند وارد حوزه یادگیری ماشین شوند.
• افرادی که می خواهند در صحبت با داده خود مهارت کسب کنند.
• افرادی که می خواهند علم داده و یادگیری ماشین را همراه با پیاده سازی آن در پروژه های واقع گرایانه بیاموزند.
• افرادی که می خواهند علم داده و یادگیری ماشین را با مجموعه داده های واقعی در علم داده یاد بگیرند.
• افرادی با پیشینه غیرمهندسی که می خواهند وارد حوزه علم داده شوند.
• افرادی که به اعداد و برنامه نویسی علاقه دارند.
• مبتدیان در رشته علم داده
• تحلیلگران کسب و کار