مسترکلاس هوش مصنوعی با پایتون - بخش 1
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک ریاضیات اولیه پشت هوش مصنوعی، شامل جبر خطی، احتمال و بهینهسازی
- ساخت و آموزش مدلهای یادگیری ماشین از ابتدا با استفاده از پایتون و PyTorch
- توسعه سیستمهای یادگیری عمیق مانند CNNs ،RNNs، ترنسفرمرها و رمزگذارهای خودکار با کد واقعی
- اعمال الگوریتمهای یادگیری تقویتی شامل SARSA و Q-learning و PPO و A3C در محیطهای تعاملی
- استفاده از تکنیکهایی مانند PCA، منظمسازی و اعتبارسنجی متقابل برای بهبود عملکرد مدل
- بررسی مباحث پیشرفتهتر مانند شبکههای عصبی گراف، روشهای بیزی و فرایادگیری با مثالهای عملی
پیشنیازهای دوره
- نیازی به پیشزمینه در هوش مصنوعی نیست.
- دانش اولیه برنامهنویسی کمککننده است، اما بخش اختیاری پایتون در ابتدا برای کسانی که نیاز دارند ارائه شده است.
- شما به یک کامپیوتر که بتواند پایتون را اجرا کند و یک اتصال اینترنت پایدار برای همراهی با ابزارها و نوتبوکها نیاز دارید.
توضیحات دوره
این دوره برای افرادی طراحی شده که میخواهند به صورت جدی و ساختاریافته وارد دنیای هوش مصنوعی شوند. چه از زمینههای مهندسی، برنامهنویسی یا تحلیل داده آمده باشید و چه از ابتدا شروع کنید، همه موارد در این دوره به صورت عملی و گامبهگام ارائه شده است.
ما با ریاضیات پایه و پایتون شروع میکنیم، بنابراین نیازی نیست نگران باشید. اگر مدتی است از جبر خطی یا احتمال استفاده نکردهاید. شما توضیحات شفافی از ریاضیات پشت الگوریتمها دریافت خواهید کرد، همراه با پیادهسازیهای پایتون که میتوانید اجرا کنید، تغییر دهید و مستقیماً از آنها یاد بگیرید.
از آنجا، ما تمام بلوکهای سازنده اصلی هوش مصنوعی مدرن را پوشش میدهیم:
- یادگیری نظارت شده و نظارت نشده
- دقت مدل و منظمسازی
- یادگیری عمیق با CNNs ،RNNs و ترنسفرمرها
- روشهای یادگیری تقویتی مانند Q-Learning و PPO و A3C و TRPO
- مدلهای بیزی، روشهای بهینهسازی و جستجوی معماری عصبی
شما با کد واقعی کار خواهید کرد، تسکها را به صورت ویژوال حل کرده و درک خواهید کرد که چرا هر روش کار میکند نه اینکه فقط نحوه استفاده از آن را بیاموزید. ما همچنین از ترکیبی از پایتون، PyTorch، جولیا و Colab notebooks در مواقع مناسب استفاده میکنیم.
اگر به دنبال تبلیغات اغراقآمیز هستید، آن را اینجا نخواهید یافت. این دوره دقیق و فنی طراحی شده تا مطمئن شوید که در نهایت هوش مصنوعی را به طور واقعی درک میکنید.
تمام محتوا توسط آکادمی Advancedor توسعه و ارائه شده است.
این دوره برای چه کسانی مناسب است؟
- افرادی که میخواهند درک عمیقی از هوش مصنوعی از پایه به دست آورند.
- دانشجویان، مهندسان، توسعهدهندگان یا متخصصانی که میخواهند بدانند سیستمهای هوش مصنوعی چگونه کار میکنند، چگونه آنها را به درستی پیادهسازی کنند و چگونه از ابتدا بسازند.
- اگر به دنبال دورهای هستید که نه تنها نحوه کار، بلکه دلیل آن را نیز توضیح دهد - بدون حذف ریاضیات یا کد - این دوره برای شما طراحی شده است.
مسترکلاس هوش مصنوعی با پایتون - بخش 1
-
مقدمه 02:57
-
تئوری بردارها و عملیاتهای برداری 16:15
-
تمرین بردارها و عملیاتهای برداری 09:03
-
مبانی تئوری احتمال 12:30
-
مقدمهای بر یادگیری ماشین 07:42
-
پایپلاین یادگیری ماشین 13:02
-
بررسی کتابخانههای پایتون برای یادگیری ماشین 08:24
-
مفاهیم مقدماتی یادگیری ماشین - بخش 1 11:17
-
مفاهیم مقدماتی یادگیری ماشین - بخش 2 08:21
-
مفاهیم مقدماتی یادگیری ماشین - بخش 3 04:42
-
مفاهیم مقدماتی یادگیری ماشین - بخش 4 10:04
-
نمادگذاری 10:05
-
یادگیری چیست؟ 17:19
-
چرا f را پیشبینی میکنیم؟ 03:22
-
نفرین ابعاد 09:42
-
چگونه f را پیشبینی کنیم؟ 09:09
-
دقت پیشبینی یا سادگی مدل؟ 07:40
-
رگرسیون در مقابل طبقهبندی 05:10
-
اندازهگیری کیفیت پیشبینی 05:23
-
مبادله بایاس-واریانس 03:35
-
راهاندازی طبقهبندی 06:40
-
مثال KNN 02:19
-
اصول ریاضی رگرسیون 07:01
-
رگرسیون - توضیح ویژوال 03:06
-
رگرسیون خطی چندگانه 02:31
-
جدول OLS 09:35
-
آزمون فرضیه 07:29
-
مقدمهای بر KNN 18:15
-
مقدمه 14:37
-
پروژه بیز ساده 14:03
-
مقدمه 12:35
-
پروژه - رگرسیون لجستیک 19:06
-
ماتریس درهمریختگی 08:46
-
صحت 02:20
-
دقت 02:20
-
یادآوری 02:20
-
امتیاز F1 01:47
-
منحنی ROC-AUC 04:12
-
Log-Loss 03:05
-
اعتبارسنجی متقابل 13:14
-
اعتبارسنجی متقابل K-Fold - رگرسیون 06:51
-
اعتبارسنجی متقابل K-Fold - طبقهبندی 08:16
-
جستجوی گرید و جستجوی تصادفی 22:42
-
اصول ریاضی منظمسازی 08:57
-
اصول ریاضی SVM - بخش 1 15:18
-
اصول ریاضی SVM - بخش 2 11:35
-
کرنلها 18:47
-
تابع هزینه SVM 05:33
-
اصول اولیه 13:57
-
شاخص جینی و بیشبرازش 06:02
-
جنگل تصادفی - مقدمه 11:17
-
بوستینگ - بخش 1 12:55
-
بوستینگ - بخش 2 14:30
-
مقدمهای بر یادگیری نظارت نشده 04:13
-
خوشهبندی K-Means - بخش 1 11:01
-
خوشهبندی K-Means - بخش 2 23:57
-
کاهش ابعاد - PCA - بخش 1 07:43
-
کاهش ابعاد - PCA - بررسی Iris 14:51
-
PCA - بررسی MNIST 10:29
-
مقدمهای بر شبکههای عصبی 31:01
-
معماریهای یادگیری عمیق - CNN 40:55
-
معماریهای CNN با PyTorch 06:07
-
معماریهای CNN با جولیا - Flux 03:43
-
معماری CNN با متلب 04:21
-
1993 Yann LeCun 01:34
-
ساختار MLP Mixer با PyTorch 08:17
-
پیادهسازی ResNets با پایتون - بخش 1 08:14
-
پیادهسازی ResNets با پایتون - بخش 2 13:09
-
پایتون چیست؟ 04:04
-
آناکوندا، Jupyter و ویژوال استودیو کد 03:32
-
سینتکس پایتون و عملیاتهای اولیه 28:30
-
ساختارهای داده - لیستها، تاپلها و مجموعهها 24:01
-
ساختارهای کنترل و حلقهها 20:12
-
توابع و برنامهنویسی تابعی اولیه 19:23
-
توابع متوسط 14:31
-
دیکشنریها و ساختارهای داده پیشرفته 19:41
-
ماژولها، پکیجها و ایمپورت کتابخانهها 20:30
-
مدیریت فایلها 12:37
-
مدیریت استثنا و کد مقاوم 22:12
-
برنامهنویسی شیگرا (OOP) 21:29
-
مبانی مصورسازی داده 27:17
-
عملیاتهای پیشرفته لیست و Comprehensions 13:02
-
کیفیت داده 06:56
-
تکنیکهای پاکسازی داده 28:09
-
مدیریت مقادیر گمشده 18:51
-
برخورد با داده پرت 15:06
-
مقیاسبندی ویژگی و نرمالسازی 23:35
-
استانداردسازی 19:35
-
انکودینگ متغیرهای دستهای 27:36
-
مهندسی ویژگی 24:59
-
کاهش ابعاد 33:07
مشخصات آموزش
مسترکلاس هوش مصنوعی با پایتون - بخش 1
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:مقدماتی
- تعداد درس:91
- مدت زمان :18:37:57
- حجم :6.11GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy