دوره آموزشی
The Great Courses
دوبله زبان فارسی

اصول یادگیری ماشین: ساخت مدل‌های هوش مصنوعی در سطح تخصصی

اصول یادگیری ماشین: ساخت مدل‌های هوش مصنوعی در سطح تخصصی

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

  • درک و به‌کارگیری برنامه‌نویسی Python برای تسک های داده و ML
  • تسلط به مفاهیم آماری ضروری مورد استفاده در تحلیل‌های دنیای واقعی
  • انجام آزمون فرضیه برای استخراج نتایج معنادار داده محور
  • پاکسازی، تغییر شکل و آماده‌سازی مجموعه‌داده خام برای مدل‌سازی
  • تحلیل و تفسیر داده با استفاده از تکنیک‌های تحلیلی مدرن
  • ایجاد مصورسازی‌های بصیرت‌بخش داده با استفاده از کتابخانه‌های محبوب Python
  • ساخت، آموزش و ارزیابی مدل‌های یادگیری ماشین از ابتدا.
  • به‌کارگیری تکنیک‌های ML در پروژه‌های دنیای واقعی و انجام پیش‌بینی‌های دقیق

پیش‌نیازهای دوره

  • بدون نیاز به تجربه قبلی در برنامه‌نویسی یا یادگیری ماشین
  • مهارت‌های اولیه کامپیوتر و توانایی نصب نرم‌افزار
  • یک لپ‌تاپ یا کامپیوتر با دسترسی به اینترنت
  • اشتیاق برای یادگیری و تمرین از طریق تمرینات عملی
  • کنجکاوی درباره داده، هوش مصنوعی و چگونگی عملکرد یادگیری ماشین

توضیحات دوره

دوره «اصول یادگیری ماشین: ساخت مدل‌های هوش مصنوعی در سطح تخصصی» یک برنامه جامع و کاربرپسند برای مبتدیان است که برای همراهی یادگیرنده از مفاهیم بنیادی تا تکنیک‌های پیشرفته یادگیری ماشین طراحی شده است. چه یادگیرنده در برنامه‌نویسی تازه‌کار باشد و چه به دنبال تقویت مهارت‌های هوش مصنوعی خود باشد، این دوره مسیری کامل و ساختاریافته برای تسلط بر تصمیم‌گیری داده محور و مدل‌سازی یادگیری ماشین فراهم می‌کند.

او با یادگیری برنامه‌نویسی Python، زبان ضروری برای توسعه مدرن هوش مصنوعی، شروع خواهد کرد. سپس، مدرس به او کمک می‌کند تا از طریق آمار و آزمون فرضیه، یک پایه ریاضی قوی بسازد و طرز فکر تحلیلی مورد نیاز برای تفسیر داده با اطمینان کامل را کسب کند. با پیشرفت در دوره، یادگیرنده تجربه عملی در تحلیل داده، مصورسازی داده و پاکسازی داده به‌دست می‌آورد؛ این‌ها مهارت‌های کلیدی هستند که هر متخصص ML برای آماده‌سازی و درک مجموعه‌داده دنیای واقعی به آن‌ها تکیه می‌کند.

آنچه خواهید آموخت:

  • نوشتن کد Python تمیز و کارآمد برای تسک های داده و ML
  • درک مفاهیم محوری آمار برای تحلیل داده
  • انجام آزمون فرضیه برای تایید تصمیمات تجاری
  • تحلیل مجموعه‌داده با استفاده از تکنیک‌های تحلیلی مدرن
  • مصورسازی داده با استفاده از کتابخانه‌های استاندارد صنعت
  • پاکسازی و آماده‌سازی داده نامنظم و واقعی
  • ساخت، ارزیابی و استقرار مدل‌های یادگیری ماشین

در نهایت، یادگیرنده وارد مباحث عمیق یادگیری ماشین می‌شود و در آنجا چگونگی طراحی، آموزش، ارزیابی و بهینه‌سازی مدل‌های مورد استفاده در صنایع مختلف امروزی را فرا می‌گیرد. هر ماژول به صورت عملی و جذاب طراحی شده و برای یادگیرندگان با هر زمینه‌ای مناسب است.

یادگیرنده می‌تواند همین امروز اولین قدم خود را به دنیای هیجان‌انگیز علوم داده بردارد.

همین حالا در این دوره شرکت کنید و پتانسیل خود را شکوفا سازید!

این دوره برای چه کسانی مناسب است؟

  • مبتدیانی که می‌خواهند وارد حوزه علوم داده یا یادگیری ماشین شوند.
  • دانشجویان و متخصصانی که به دنبال ساخت یک پایه قوی در ML هستند.
  • برنامه‌نویسانی که می‌خواهند مهارت‌های خود را به هوش مصنوعی و تحلیل داده گسترش دهند.
  • تحلیلگران کسب‌وکار و تصمیم‌گیرندگانی که به دنبال بصیرت‌های داده محور هستند.
  • جویندگان کار که برای نقش‌های علوم داده، هوش مصنوعی یا تحلیلی آماده می‌شوند.
  • هر کسی که درباره چگونگی عملکرد یادگیری ماشین کنجکاو است و تجربه عملی می‌خواهد.
  • کارآفرینان و نوآورانی که می‌خواهند از ML در پروژه‌های دنیای واقعی استفاده کنند.
  • افرادی که به دنبال ساخت مهارت‌های هوش مصنوعی کاربردی و آماده برای صنعت هستند.

اصول یادگیری ماشین: ساخت مدل‌های هوش مصنوعی در سطح تخصصی

  • کاربردهای دنیای واقعی Python 04:42
  • نصب Anaconda برای Windows و macOS 04:48
  • آشنایی با متغیرها 05:59
  • آشنایی با انواع داده و تبدیل نوع 06:27
  • دامنه متغیرها 08:18
  • آشنایی با عملگرها 19:03
  • آزمون مبانی Python None
  • آشنایی با لیست‌ها و تاپل‌ها 14:08
  • آشنایی با مجموعه‌ها و دیکشنری‌ها 12:12
  • آشنایی با پشته‌ها و صف‌ها 06:57
  • آشنایی با پیچیدگی فضا و زمان 13:27
  • آشنایی با الگوریتم‌های مرتب‌سازی 08:36
  • آشنایی با الگوریتم‌های جستجو 08:47
  • آزمون ساختارهای داده None
  • آشنایی با پارامترها و آرگومان‌ها 15:18
  • آشنایی با ماژول‌های Python 05:39
  • آشنایی با توابع Filter ،Map و Zip 13:44
  • آشنایی با درک‌کننده‌های لیست، مجموعه و دیکشنری 10:23
  • آشنایی با توابع Lambda 07:03
  • آشنایی با توابع تحلیلی و تجمعی 08:09
  • آزمون توابع در Python None
  • آشنایی با رشته‌ها 05:44
  • آشنایی با توابع مهم رشته‌ای 10:46
  • آشنایی با قالب‌بندی رشته و ورودی کاربر 08:30
  • آشنایی با متا کاراکترها 22:30
  • آشنایی با توابع داخلی عبارات باقاعده 07:44
  • کاراکترهای خاص و مجموعه‌ها برای عبارات باقاعده 07:30
  • آزمون رشته‌ها و عبارات باقاعده None
  • آشنایی با دستورات شرطی 06:35
  • آشنایی با حلقه‌های For 04:18
  • آشنایی با حلقه‌های While 05:14
  • آشنایی با Break و Continue 03:09
  • استفاده از دستورات شرطی در حلقه‌ها 05:51
  • حلقه‌ها و دستورات شرطی تو در تو 07:10
  • آزمون حلقه‌ها و شرط‌ها None
  • آشنایی با مفاهیم شیء‌گرایی (OOPs) 05:21
  • آشنایی با وراثت 04:50
  • آشنایی با کپسوله‌سازی 03:28
  • آشنایی با پلی مورفیسم 05:23
  • آشنایی با کلاس تاریخ و زمان 07:53
  • آشنایی با کلاس TimeDelta 05:17
  • آزمون شیء‌گرایی و تاریخ-زمان None
  • آشنایی با آمار و اهمیت آن 05:58
  • توضیح نقش آمار در تحلیل داده‌ 05:22
  • آشنایی با Python برای تحلیل آماری 05:31
  • آزمون None
  • انواع داده 07:58
  • شاخص‌های گرایش به مرکز 06:18
  • شاخص‌های پراکندگی 04:37
  • شاخص‌های وابستگی 05:06
  • شاخص‌های شکل و موقعیت 09:37
  • شاخص‌های نمرات استاندارد 04:56
  • آزمون None
  • آشنایی با احتمالات پایه 11:44
  • آشنایی با نظریه مجموعه‌ها 06:58
  • آشنایی با احتمال شرطی 05:12
  • آشنایی با قضیه بیز 08:23
  • آشنایی با جایگشت‌ها و ترکیب‌ها 07:47
  • آشنایی با متغیرهای تصادفی 05:25
  • آشنایی با توابع توزیع احتمال 13:43
  • آزمون None
  • آشنایی با توزیع نرمال 13:32
  • آشنایی با چولگی و کشیدگی 09:01
  • آشنایی با تبدیل‌های آماری 12:46
  • آشنایی با میانگین نمونه و جامعه 04:57
  • آشنایی با قضیه حد مرکزی 05:08
  • آشنایی با سوگیری و واریانس 07:28
  • آشنایی با تخمین حداکثر درست‌نمایی 06:53
  • آشنایی با فواصل اطمینان 05:12
  • آشنایی با همبستگی‌ها 18:27
  • آشنایی با متدهای نمونه‌برداری 17:00
  • آزمون None
  • مبانی آزمون فرضیه 07:09
  • آشنایی با آزمون‌های T 09:00
  • آشنایی با آزمون‌های Z 05:37
  • آشنایی با آزمون‌های Chi-Squared 15:16
  • آشنایی با آزمون‌های Anova 03:30
  • آزمون None
  • آشنایی با آرایه‌های NumPy 08:10
  • آشنایی با عملیات NumPy 12:38
  • آشنایی با Pandas 05:54
  • آشنایی با Series و DataFrames 11:02
  • خواندن داده‌های CSV و JSON با استفاده از Pandas 03:56
  • تحلیل داده‌ها با استفاده از Pandas 03:21
  • آزمون None
  • اندیس‌گذاری، برش‌زنی و فیلتر کردن داده‌ 14:54
  • ادغام و اتصال با استفاده از Pandas 07:29
  • همبستگی و ترسیم نمودار با استفاده از Pandas 09:30
  • آشنایی با توابع Lambda ،Map و Apply 04:47
  • آشنایی با عملیات گروه‌بندی با استفاده از Pandas 08:59
  • آشنایی با جدول‌بندی متقاطع با استفاده از Pandas 03:46
  • آشنایی با عملیات فیلتر کردن با استفاده از Pandas 08:58
  • عملیات گروه‌بندی و فیلتر کردن تعاملی 10:00
  • آزمون None
  • عوامل موثر برای مصورسازی مناسب داده‌ 12:26
  • آشنایی با مصورسازی های تک‌متغیره 09:10
  • آشنایی با مصورسازی های دومتغیره 03:10
  • رسم دو متغیر دسته‌ای 04:30
  • آشنایی با مصورسازی‌های چندمتغیره 04:29
  • آشنایی با نقشه‌های حرارتی و Pairplots 08:21
  • آزمون None
  • مقیاس‌های رنگی، Facet Grids و زیرنمودارها 22:30
  • آشنایی با مصورسازی سه‌بعدی داده‌ 06:56
  • آشنایی با مصورسازی تعاملی داده‌ 09:00
  • آشنایی با نقشه‌ها با استفاده از Plotly 07:49
  • آشنایی با نمودارهای قیفی و گانت با استفاده از Plotly 14:07
  • آشنایی با مصورسازی‌های متحرک داده‌ها با استفاده از Plotly 10:24
  • آزمون None
  • دلایل و تاثیر مقادیر گمشده 03:01
  • انواع مقادیر گمشده 06:12
  • چه زمانی مقادیر گمشده را از داده‌ حذف کنیم؟ 09:02
  • جایگذاری مقادیر گمشده با مقادیر آماری 09:37
  • جایگذاری مقادیر گمشده با منطق کسب‌وکار 05:46
  • تاثیر داده‌های پرت بر مدل‌های ML 07:03
  • مدیریت داده‌های پرت در یک مجموعه‌داده 14:48
  • آشنایی با Label Encoding و Ordinal Encoding 14:43
  • آشنایی با Binary Encoding و BaseN Encoding 10:09
  • آشنایی با Target Encoding 07:23
  • آشنایی با توابع reindex ،set_index ،reset_index و sort_index 05:47
  • آشنایی با توابع Replace و Droplevel 03:00
  • آشنایی با توابع Split و Strip 09:09
  • آشنایی با توابع Stack و Unstack 04:27
  • آشنایی با توابع Melt، Explode و Squeeze 03:29
  • آشنایی با توابع at_time و between_time 02:34
  • آشنایی با توابع nlargest و nsmallest 03:01
  • تعیین نحوه حذف ستون‌های غیرضروری 04:00
  • تجزیه ویژگی‌های تاریخ و زمان 02:11
  • تجزیه ویژگی‌های دسته‌ای 02:10
  • دسته‌بندی ویژگی‌های عددی 03:46
  • تجمیع ویژگی‌ها 03:13
  • چگونگیاستفاده صنایع از یادگیری ماشین 03:49
  • طبقه‌بندی در مقابل رگرسیون 02:58
  • تبدیل داده با رگرسیون خطی 07:13
  • اعتبارسنجی متقاطع K-Folds 05:47
  • تحلیل عملکرد مدل رگرسیون 05:22
  • درک بصری R2 و R2 تعدیل‌شده 06:44
  • پیاده‌سازی MAE ،RMSE ،R2 و Adj R2 در کد 05:36
  • ارتباط رگرسیون خطی با صنعت 02:02
  • منظم‌سازی چیست و چرا مهم است؟ 04:31
  • درک بصری Lasso ،Ridge و Elastic Net 05:57
  • به‌کارگیری Lasso ،Ridge و Elastic Net در Sklearn 04:05
  • آشنایی با رگرسیون لجستیک 07:20
  • پیاده‌سازی رگرسیون لجستیک با استفاده از Sklearn 10:07
  • انتخاب ویژگی با استفاده از RFECV 06:38
  • تنظیم هایپرپارامترها با استفاده از Grid Search 07:23
  • به‌کارگیری اعتبارسنجی متقاطع 03:46
  • استفاده از امتیاز دقت برای تحلیل عملکرد مدل 05:06
  • ارتباط رگرسیون لجستیک با صنعت 02:55
  • ترفندهای هسته برای ماشین‌های بردار پشتیبان (SVM) 05:31
  • پیاده‌سازی ماشین‌های بردار پشتیبان با استفاده از Sklearn 06:38
  • آشنایی با کای-نزدیک‌ترین همسایه (KNN) 04:32
  • پیاده‌سازی کای-نزدیک‌ترین همسایه با استفاده از Sklearn 02:12
  • آشنایی با الگوریتم Naive Bayes و Gaussian Naive Bayes 08:37
  • پیاده‌سازی Naive Bayes با استفاده از Sklearn 03:15
  • چه زمانی باید از الگوریتم‌های SVM ،KNN و Naive Bayes استفاده کرد؟ 03:40

10,419,200 2,604,800 تومان

مشخصات آموزش

اصول یادگیری ماشین: ساخت مدل‌های هوش مصنوعی در سطح تخصصی

  • تاریخ به روز رسانی: 1404/12/10
  • سطح دوره:همه سطوح
  • تعداد درس:155
  • مدت زمان :17:28:55
  • حجم :13.77GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,833,000 366,600 تومان
  • زمان: 02:27:39
  • تعداد درس: 24
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,260,000 452,000 تومان
  • زمان: 03:02:02
  • تعداد درس: 14
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
795,000 159,000 تومان
  • زمان: 58:00
  • تعداد درس: 12
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
19,403,000 3,880,600 تومان
  • زمان: 26:02:40
  • تعداد درس: 175
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
8,508,000 1,701,600 تومان
  • زمان: 11:25:13
  • تعداد درس: 94
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
6,100,500 1,220,100 تومان
  • زمان: 08:11:21
  • تعداد درس: 28
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,256,500 1,451,300 تومان
  • زمان: 09:44:25
  • تعداد درس: 67
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
3,634,500 726,900 تومان
  • زمان: 04:52:43
  • تعداد درس: 38
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید