کدنویسی، آموزش و استقرار - مسیر مهندس AI به سوی موفقیت
✅ سرفصل و جزئیات آموزش
در این دوره هر آنچه باید درباره مهندسی AI بدانید، از جمله بخش عملی از الگوریتم ها، برنامه نویسی تا پروژه های واقعی را می آموزید.
آنچه یاد خواهید گرفت
- تسلط به پایتون برای AI - نوشتن کد کارآمد پایتون که برای تسک های برنامه نویسی هوش مصنوعی و یادگیری ماشین ضروری است.
- مهارت های پیش پردازش داده - آماده سازی، پاکسازی و تبدیل داده برای بهبود عملکرد مدل
- دانش آماری - اعمال آمارهای اصلی برای درک الگوهای داده و تصمیم گیری
- ساخت مدل های یادگیری ماشین - توسعه و تیونینگ دقیق مدل های یادگیری ماشین برای طبقه بندی، رگرسیون و خوشه بندی
- مهارت یادگیری عمیق - طراحی و آموزش شبکه های عصبی، از جمله CNNs و RNNs، برای تسک های تصویر و دنباله
- استفاده از یادگیری انتقالی - تطبیق مدل های از پیش آموزش دیده با تسک های جدید برای صرفه جویی در زمان و منابع
- استقرار مدل های یادگیری ماشین با APIs - ایجاد APIs مقیاس پذیر برای ارائه مدل های یادگیری ماشین در کاربردهای واقعی
- کانتینرسازی با داکر - پکیجینگ مدل ها برای استقرار قابل حمل در سراسر محیط ها
- نظارت و نگهداری مدل ها - ردیابی عملکرد مدل، شناسایی رانش و پیاده سازی حفظ پایپ لاین ها
- چرخه عمر کامل یادگیری ماشین - تسلط به مهارت های پروژه هوش مصنوعی end-to-end، از داده تا استقرار و نگهداری مداوم
پیش نیازهای دوره
- مهارت های اساسی ریاضی - درک جبر و مفاهیم اساسی حساب دیفرانسیل و انتگرال (مشتقات و توابع) برای یادگیری ماشین
- علاقه به AI و یادگیری ماشین - اشتیاق به یادگیری AI، یادگیری ماشین و فناوری های داده محور
- لپ تاپ و کامپیوتر - دستگاهی که قادر به اجرای پردازش داده و کتابخانه های یادگیری ماشین مانند تنسورفلو، PyTorch و داکر است.
- کنجکاوی و پشتکار - تمایل به حل مسائل، تست با داده و کار روی چالش ها
توضیحات دوره
به بوت کمپ تسلط به AI خوش آمدید، یک برنامه جامع و عملی که برای تبدیل افراد مبتدی به مهندسان ماهر AI طراحی شده است. در طی 16 هفته، نحوه ساخت، آموزش و استقرار مدل های یادگیری ماشین را به صورت گام به گام با استفاده از جدیدترین ابزارها و تکنیک ها خواهید آموخت. این بوت کمپ بر مهارت های عملی تمرکز می کند و به شما امکان می دهد که از هوش مصنوعی برای حل مسائل واقعی و ایجاد راه حل های نوآورانه استفاده کنید.
این دوره با اصول اولیه شروع می شود و مباحث ضروری مانند برنامه نویسی پایتون، پیش پردازش داده و آشنایی با یادگیری ماشین را پوشش می دهد. با پیشرفت دوره، به مفاهیم پیشرفته مانند شبکه های عصبی، یادگیری عمیق و پردازش زبان طبیعی عمیقا خواهید پرداخت. شما همچنین فریمورک های قدرتمند AI مانند تنسورفلو، PyTorch و Hugging Face را که برای توسعه AI مدرن ضروری هستند، بررسی خواهید کرد.
این بوت کمپ برای کسی که علاقه مند به AI است ایده آل است، چه از صفر شروع کنید و چه به دنبال تعمیق تخصص خود باشید. شما نیازی به هیچ تجربه قبلی با AI ندارید، فقط میل به یادگیری و کشف کردن لازم است. در پایان این برنامه، مهارت ها و اعتماد به نفس لازم برای ایجاد راه حل های AI را از پایه خواهید داشت که شما را برای مقابله با چالش های صنعت یا پیگیری تحقیقات پیشرفته هوش مصنوعی آماده می کند.
این دوره برای چه کسانی مناسب است؟
- مهندسان مشتاق AI - کسانی که به دنبال ایجاد حرفه ای در AI و کسب مهارت های عملی و آماده برای تولید هستند.
- دانشمندان و تحلیلگران داده - متخصصانی که می خواهند تخصص خود را به یادگیری ماشین، یادگیری عمیق و استقرار مدل گسترش دهند.
- مهندسان نرم افزار - توسعه دهندگان علاقه مند به اعمال مهارت های برنامه نویسی در پروژه های AI و یادگیری ماشین
- تغییردهندگان شغلی - افرادی با پیشینه غیرفنی با دانش اساسی پایتون و مشتاق انتقال به AI
- دانشجویان فارغ التحصیل - دانشجویان علم داده، علوم کامپیوتر یا رشته های مرتبط که خواهان تجربه عملی و آماده به کار در مهندسی AI هستند.
- کارآفرینان فناوری - بنیانگذاران و مدیران ارشد فناوری که علاقه مند به درک AI برای ساخت محصولات هوش مصنوعی محور یا مدیریت تیم های AI هستند.
کدنویسی، آموزش و استقرار - مسیر مهندس AI به سوی موفقیت
-
آشنایی با هفته 1 - مبانی برنامه نویسی پایتون 00:38
-
روز 1 - آشنایی با پایتون و راه اندازی توسعه 20:37
-
روز 2 - کنترل جریان در پایتون 32:46
-
روز 3 - توابع و ماژول ها 23:22
-
روز 4 - ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها و مجموعه ها) 30:33
-
روز 5 - کار با رشته ها 23:53
-
روز 6 - مدیریت فایل 22:48
-
روز 7 - کد پایتون و کار پروژه 39:28
-
تمرین کدنویسی - بخش 1 None
-
آشنایی با هفته 2 - الزامات علم داده 00:44
-
روز 1 - آشنایی با NumPy برای محاسبات عددی 22:49
-
روز 2 - عملیات های پیشرفته NumPy 21:33
-
روز 3 - آشنایی با Pandas برای دستکاری داده 19:44
-
روز 4 - پاکسازی و آماده سازی داده با Pandas 24:28
-
روز 5 - تجمیع و گروه بندی داده در Pandas 15:09
-
روز 6 - مصورسازی داده با Matplotlib و Seaborn 27:01
-
روز 7 - پروژه تحلیل داده اکتشافی (EDA) 23:08
-
آشنایی با هفته 3 - ریاضیات برای یادگیری ماشین 00:42
-
روز 1 - اصول جبر خطی 21:23
-
روز 2 - مفاهیم پیشرفته جبر خطی 19:43
-
روز 3 - حساب دیفرانسیل و انتگرال برای یادگیری ماشین (مشتقات) 18:10
-
روز 4 - حساب دیفرانسیل و انتگرال برای یادگیری ماشین (انتگرال ها و بهینه سازی) 16:29
-
روز 5 - نظریه احتمال و توزیع ها 25:07
-
روز 6 - اصول آمار 19:08
-
روز 7 - مینی پروژه ریاضی محور - رگرسیون خطی از ابتدا 15:03
-
آشنایی با هفته 4 - احتمال و آمار برای یادگیری ماشین 00:45
-
روز 1 - نظریه احتمال و متغیرهای تصادفی 18:34
-
روز 2 - توزیع های احتمال در یادگیری ماشین 17:10
-
روز 3 - استنباط آماری - برآورد و فواصل اطمینان 15:40
-
روز 4 - آزمون فرضیه و مقادیر P 11:44
-
روز 5 - انواع آزمون های فرضیه 18:41
-
روز 6 - تحلیل رگرسیون و همبستگی 17:28
-
روز 7 - پروژه تحلیل آماری - تحلیل داده واقعی 24:52
-
آشنایی با هفته 5 - آشنایی با یادگیری ماشین 00:46
-
روز 1 - مبانی و اصطلاحات یادگیری ماشین 15:35
-
روز 2 - آشنایی با یادگیری نظارت شده و مدل های رگرسیون 15:48
-
روز 3 - مدل های رگرسیون پیشرفته - رگرسیون چندجمله ای و منظم سازی 35:19
-
روز 4 - آشنایی با طبقه بندی و رگرسیون لجستیک 24:19
-
روز 5 - ارزیابی مدل و اعتبارسنجی متقابل 16:00
-
روز 6 - الگوریتم نزدیکترین همسایه K (k-NN) 17:22
-
روز 7 - مینی پروژه یادگیری نظارت شده 25:10
-
آشنایی با هفته 6 - مهندسی ویژگی و ارزیابی مدل 00:42
-
روز 1 - آشنایی با مهندسی ویژگی 14:30
-
روز 2 - مقیاس بندی و نرمال سازی داده 16:20
-
روز 3 - رمزگذاری متغیرهای طبقه بندی شده 16:48
-
روز 4 - تکنیک های انتخاب ویژگی 16:21
-
روز 5 - ایجاد و تبدیل ویژگی ها 18:08
-
روز 6 - تکنیک های ارزیابی مدل 15:49
-
روز 7 - اعتبارسنجی متقابل و تیونینگ هایپرپارامتر 20:03
-
آشنایی با هفته 7 - الگوریتم های پیشرفته یادگیری ماشین 00:40
-
روز 1 - آشنایی با یادگیری گروهی 15:04
-
روز 2 - Bagging و جنگل های تصادفی 14:22
-
روز 3 - بوستینگ و بوستینگ گرادیان 16:07
-
روز 4 - آشنایی با XGBoost 19:39
-
روز 5 - LightGBM و CatBoost 20:21
-
روز 6 - مدیریت داده نامتعادل 16:42
-
روز 7 - پروژه یادگیری گروهی - مقایسه مدل ها در یک مجموعه داده واقعی 22:36
-
آشنایی با هفته 8 - بهینه سازی و تیونینگ مدل 00:52
-
روز 1 - آشنایی با تیونینگ هایپرپارامتر 13:46
-
روز 2 - جستجوی گرید و جستجوی تصادفی 16:09
-
روز 3 - تیونینگ پیشرفته هایپرپارامتر با بهینه سازی بیزی 26:57
-
روز 4 - تکنیک های منظم سازی برای بهینه سازی مدل 13:17
-
روز 5 - تکنیک های ارزیابی مدل و اعتبارسنجی متقابل 13:00
-
روز 6 - تیونینگ خودکار هایپرپارامتر با GridSearchCV و RandomizedSearchCV 19:28
-
روز 7 - پروژه بهینه سازی - ساخت و تیونینگ مدل نهایی 22:45
-
آشنایی با هفته 9 - اصول شبکه های عصبی و یادگیری عمیق 00:47
-
روز 1 - آشنایی با یادگیری عمیق و شبکه های عصبی 16:13
-
روز 2 - انتشار رو به جلو و توابع فعال سازی 14:43
-
روز 3 - توابع Loss و پس انتشار 15:31
-
روز 4 - تکنیک های بهینه سازی و گرادیان کاهشی 21:50
-
روز 5 - ساخت شبکه های عصبی با تنسورفلو و کراس 19:20
-
روز 6 - ساخت شبکه های عصبی با PyTorch 26:28
-
روز 7 - پروژه شبکه عصبی - طبقه بندی تصویر در CIFAR-10 22:09
-
آشنایی با هفته 10 - شبکه های عصبی کانولوشن (CNN) 00:48
-
روز 1 - آشنایی با شبکه های عصبی کانولوشن 26:16
-
روز 2 - لایه ها و فیلترهای کانولوشن 23:48
-
روز 3 - لایه های Pooling و کاهش ابعاد 23:58
-
روز 4 - ساخت معماری های CNN با کراس و تنسورفلو 17:46
-
روز 5 - ساخت معماری های CNN با PyTorch 22:26
-
روز 6 - منظم سازی و افزایش داده برای CNNs 18:39
-
روز 7 - پروژه CNN - طبقه بندی تصویر در Fashion MNIST یا CIFAR-10 27:34
-
آشنایی با هفته 11 - شبکه های عصبی بازگشتی (RNNs) و مدل سازی دنباله 00:49
-
روز 1 - آشنایی با مدل سازی دنباله و RNNs 33:32
-
روز 2 - درک معماری RNN و پس انتشار از طریق زمان (BPTT) 24:31
-
روز 3 - شبکه های حافظه طولانی کوتاه مدت (LSTM) 15:03
-
روز 4 - واحدهای بازگشتی دروازه ای (GRU) 07:07
-
روز 5 - پیش پردازش متن و تعبیه کلمه برای RNNs 24:02
-
روز 6 - مدل های دنباله به دنباله و کاربردهای آن ها 43:09
-
روز 7 - پروژه RNN - تولید متن یا تحلیل احساسات 17:55
-
آشنایی با هفته 12 - مکانیسم های Attention و ترنسفرمرها 00:48
-
روز 1 - آشنایی با مکانیسم های Attention 15:17
-
روز 2 - آشنایی با معماری ترنسفرمرها 18:19
-
روز 3 - Self-Attention و Multi-Head Attention در ترنسفرمرها 21:00
-
روز 4 - رمزگذاری پوزیشنال و شبکه های پیشخور 20:21
-
روز 5 - بخش عملی با ترنسفرمرهای از پیش آموزش دیده - BERT و GPT 19:37
-
روز 6 - ترنسفرمرهای پیشرفته - واریانت های BERT و GPT-3 20:38
-
روز 7 - پروژه ترنسفرمر - خلاصه سازی یا ترجمه متن 18:33
-
آشنایی با هفته 13 - یادگیری انتقالی و تیونینگ دقیق 00:45
-
روز 1 - آشنایی با یادگیری انتقالی 14:52
-
روز 2 - یادگیری انتقالی در بینایی کامپیوتری 26:26
-
روز 3 - تکنیک های تیونینگ دقیق در بینایی کامپیوتری 21:46
-
روز 4 - یادگیری انتقالی در NLP 17:00
-
روز 5 - تکنیک های تیونینگ دقیق در NLP 26:04
-
روز 6 - چالش های یادگیری انتقالی و تطبیق دامنه 14:52
-
روز 7 - پروژه یادگیری انتقالی - تیونینگ دقیق برای تسک سفارشی 18:22
-
گام های بعدی؟؟؟ 00:44
-
آشنایی با الگوریتم های یادگیری ماشین 03:43
-
پیاده سازی رگرسیون خطی در پایتون 06:23
-
پیاده سازی رگرسیون ریج و لسو در پایتون 07:49
-
پیاده سازی رگرسیون چندجمله ای در پایتون 07:17
-
پیاده سازی رگرسیون لجستیک در پایتون 05:55
-
پیاده سازی نزدیک ترین همسایه K (KNN) در پایتون 06:11
-
پیاده سازی ماشین های بردار پشتیبان (SVM) در پایتون 06:26
-
پیاده سازی درختان تصمیم گیری در پایتون 06:16
-
پیاده سازی جنگل های تصادفی در پایتون 05:57
-
پیاده سازی بوستینگ گرادیان در پایتون 06:11
-
پیاده سازی بیز ساده در پایتون 05:51
-
پیاده سازی خوشه بندی K-Means در پایتون 04:21
-
پیاده سازی خوشه بندی سلسله مراتبی در پایتون 05:16
-
پیاده سازی DBSCAN (خوشه بندی فضایی مبتنی بر چگالی اپلیکیشن ها با نویز) 04:59
-
پیاده سازی مدل های ترکیبی گاوسی (GMM) در پایتون 04:54
-
پیاده سازی تحلیل مولفه اصلی (PCA) در پایتون 04:43
-
پیاده سازی t-Distributed Stochastic Neighbor Embedding (t-SNE) در پایتون 05:14
-
پیاده سازی رمزگذارهای خودکار در پایتون 08:22
-
پیاده سازی Self-Training در پایتون 06:41
-
پیاده سازی Q-Learning در پایتون 08:36
-
پیاده سازی شبکه های Q عمیق (DQN) در پایتون 13:48
-
پیاده سازی متدهای گرادیان سیاست در پایتون 10:08
-
پیاده سازی SVM یک کلاسه در پایتون 04:44
-
پیاده سازی جنگل جداسازی در پایتون 05:06
-
پیاده سازی شبکه های عصبی کانولوشن (CNNs) در پایتون 08:27
-
پیاده سازی شبکه های عصبی بازگشتی (RNNs) در پایتون 07:37
-
پیاده سازی حافظه طولانی کوتاه مدت (LSTM) در پایتون 07:16
-
پیاده سازی ترانسفرمرها در پایتون 11:05
-
یادگیری ماشین چیست؟ 10:59
-
آشنایی با تنسورفلو 07:53
-
تنسورفلو در مقابل سایر فریمورک های یادگیری ماشین 15:11
-
نصب تنسورفلو 11:46
-
راه اندازی محیط توسعه 09:39
-
اعتبارسنجی نصب 13:33
-
آشنایی با تانسورها 02:18
-
عملیات های تانسور 04:28
-
ثابت ها، متغیرها و جایبان ها 03:41
-
نمودار محاسباتی تنسورفلو 04:28
-
ایجاد و اجرای سشن تنسورفلو 03:09
-
مدیریت نمودارها و سشن ها 04:37
-
ساخت شبکه عصبی پیشخور ساده 05:31
-
توابع فعال سازی 04:31
-
Optimizers و توابع Loss 06:20
-
آشنایی با API کراس 05:17
-
ساخت مدل های پیچیده با کراس 04:47
-
آموزش و ارزیابی مدل ها 05:19
-
آشنایی با CNNs 04:59
-
ساخت و آموزش CNNs با تنسورفلو 03:32
-
یادگیری انتقالی با CNNs از پیش آموزش دیده 05:25
-
آشنایی با RNNs 05:17
-
ساخت و آموزش RNNs با تنسورفلو 03:29
-
کاربردهای RNNs - مدل سازی زبان و پیش بینی سری های زمانی 03:38
-
ذخیره و بارگذاری مدل ها 04:32
-
ارائه تنسورفلو برای استقرار مدل 04:29
-
TensorFlow Lite برای موبایل و دستگاه های تعبیه شده 05:28
-
آشنایی با رایانش توزیع شده با تنسورفلو 05:37
-
فریمورک اجرای توزیع شده تنسورفلو 05:34
-
مقیاس بندی تنسورفلو با ارائه تنسورفلو و کوبرنتیز 05:52
-
آشنایی با TFX 06:07
-
ساخت پایپ لاین های یادگیری ماشین End-to-End با TFX 04:12
-
اعتبارسنجی مدل، تبدیل و ارائه با TFX 05:32
-
طبقه بندی تصویر 05:56
-
پردازش زبان طبیعی 05:37
-
سیستم های توصیه گر 05:52
-
تشخیص آبجکت 05:07
-
ساخت مدل تحلیل احساسات 06:03
-
ایجاد سیستم شناسایی تصویر 05:03
-
توسعه مدل پیش بینی سری های زمانی 04:04
-
پیاده سازی یک چت بات 05:54
-
شبکه های متخاصم مولد (GANs) 05:06
-
یادگیری تقویتی با تنسورفلو 05:41
-
یادگیری ماشین کوانتومی با کوانتوم تنسورفلو 05:27
-
مستندات و آموزش های تنسورفلو 04:37
-
دوره های آنلاین و کتاب ها 03:07
-
فروم ها و کامیونیتی تنسورفلو 04:16
-
خلاصه مفاهیم کلیدی 05:21
-
گام های بعدی در سفر شما در تنسورفلو 04:26
-
آشنایی با PyTorch 08:57
-
شروع کار با PyTorch 08:22
-
کار با تانسورها 10:28
-
Autograd و نمودارهای محاسبات پویا 07:29
-
ساخت شبکه های عصبی ساده 10:14
-
بارگذاری و پیش پردازش داده 09:39
-
ارزیابی و اعتبارسنجی مدل 11:16
-
معماری شبکه های عصبی پیشرفته 11:11
-
یادگیری انتقالی و تیونینگ دقیق 08:11
-
مدیریت داده پیچیده 08:32
-
استقرار و تولید مدل 09:13
-
اشکال زدایی و عیب یابی 10:14
-
آموزش توزیع شده و بهینه سازی عملکرد 09:50
-
لایه های سفارشی و توابع Loss 10:02
-
تکنیک های پژوهش محور 10:22
-
یکپارچه سازی با سایر کتابخانه ها 09:06
-
کمک به PyTorch و تعامل با کامیونیتی 08:17
-
آشنایی با LangChain و مدل های زبانی 10:18
-
پروژه 1 - ربات ساده پاسخگویی به سوالات مبتنی بر متن 13:54
-
پروژه 2 - تحلیل احساسات با LangChain 11:02
-
پروژه 3 - ابزار خلاصه سازی مستندات 11:39
-
پروژه 4 - استخراج کلمه کلیدی از متن 09:44
-
پروژه 5 - چت بات مبتنی بر LangChain 10:05
-
آشنایی با ایجنت های هوش مصنوعی - ایجنت های هوش مصنوعی چگونه کار می کنند؟ 04:12
-
آشنایی با ایجنت های هوش مصنوعی 05:59
-
انواع ایجنت های هوش مصنوعی 06:29
-
فناوری های پشت ایجنت های هوش مصنوعی - یادگیری ماشین و ایجنت های هوش مصنوعی 07:02
-
پردازش زبان طبیعی در ایجنت های هوش مصنوعی 07:10
-
ایجنت های هوش مصنوعی در رباتیک 06:02
-
فریمورک ها و معماری های ایجنت هوش مصنوعی - فریمورک های توسعه ایجنت هوش مصنوعی 06:55
-
بررسی AutoGPT برای ایجنت های هوش مصنوعی 04:48
-
فریمورک IBM Bee برای ایجنت های هوش مصنوعی 06:29
-
LangGraph برای ایجنت های هوش مصنوعی Stateful 05:41
-
CrewAI برای ایجنت های هوش مصنوعی مشترک 07:25
-
کاربردهای ایجنت های هوش مصنوعی - ایجنت های هوش مصنوعی در عملیات های کسب و کار 05:33
-
ایجنت های هوش مصنوعی در مراقبت های بهداشتی 05:35
-
ایجنت های هوش مصنوعی در سیستم های مالی 06:26
-
ایجنت های هوش مصنوعی در سرگرمی 05:40
-
ایجنت های هوش مصنوعی در خانه های هوشمند و اینترنت اشیا (IoT) 06:29
-
روندهای آینده و پیامدهای اخلاقی - آینده ایجنت های هوش مصنوعی 07:21
-
اخلاق در توسعه ایجنت هوش مصنوعی 05:06
-
چالش های قانونی و نظارتی برای ایجنت های هوش مصنوعی 06:40
-
تأثیر گسترده تر ایجنت های هوش مصنوعی - تأثیرات اجتماعی و اقتصادی ایجنت های هوش مصنوعی 05:45
-
ایجنت های هوش مصنوعی و همکاری انسانی 05:46
-
نقش ایجنت های هوش مصنوعی در تحقیقات علمی 05:25
-
ایجنت های هوش مصنوعی در امنیت عمومی و دفاع ملی 06:09
-
عملی - AutoGen - IBM Bee - LangGraph - CrewAI - AutoGPT 08:46
-
عملی - AutoGen 13:04
-
عملی - فریمورک IBM Bee 18:23
-
عملی - LangGraph 20:05
-
عملی - CrewAI 15:36
-
عملی - AutoGPT 07:52
-
روز 1 - ماشین حساب اولیه با استفاده از پایتون 13:14
-
روز 2 - طبقه بند تصویر با استفاده از کراس و تنسورفلو 22:32
-
روز 3 - چت بات ساده با استفاده از پاسخ های از پیش تعریف شده 08:21
-
روز 4 - تشخیص دهنده ایمیل اسپم با استفاده از Scikit-learn 16:17
-
روز 5 - شناسایی رقم دست نویس با مجموعه داده MNIST 11:52
-
روز 6 - تحلیل احساسات روی داده متنی با استفاده از NLTK 17:54
-
روز 7 - سیستم توصیه گر فیلم با استفاده از شباهت کسینوسی 13:32
-
روز 8 - پیش بینی قیمت خانه با رگرسیون خطی 16:25
-
روز 9 - پیش بینی آب و هوا با استفاده از داده تاریخی 11:27
-
روز 10 - شبکه عصبی اولیه از ابتدا 21:19
-
روز 11 - پیش بینی قیمت سهام با استفاده از داده تاریخی با رگرسیون خطی ساده 13:01
-
روز 12 - پیش بینی دیابت با استفاده از رگرسیون لجستیک 11:35
-
روز 13 - طبقه بندی سگ در مقابل گربه با CNN 14:30
-
روز 14 - هوش مصنوعی بازی دوز با استفاده از الگوریتم Minimax 10:17
-
روز 15 - تشخیص تقلب در کارت اعتباری با استفاده از Scikit-learn 07:20
-
روز 16 - طبقه بندی گل زنبق با استفاده از درختان تصمیم گیری 06:42
-
روز 17 - دستیار شخصی ساده با استفاده از کتابخانه های گفتاری پایتون 10:09
-
روز 18 - خلاصه ساز متن با استفاده از Gensim 06:41
-
روز 19 - تشخیص بررسی محصولات جعلی با استفاده از تکنیک های NLP 06:48
-
روز 20 - تشخیص احساسات در متن با استفاده از جعبه ابزار زبان طبیعی (NLTK) 06:28
-
روز 21 - سیستم توصیه گر کتاب با استفاده از فیلترینگ مشارکتی 07:06
-
روز 22 - پیش بینی قیمت خودرو با استفاده از جنگل تصادفی 07:12
-
روز 23 - شناسایی اخبار جعلی با استفاده از بیز ساده 07:52
-
روز 24 - ایجاد اسکنر رزومه با استفاده از استخراج کلمه کلیدی 07:31
-
روز 25 - پیش بینی ریزش مشتری با استفاده از الگوریتم های طبقه بندی 07:51
مشخصات آموزش
کدنویسی، آموزش و استقرار - مسیر مهندس AI به سوی موفقیت
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:260
- مدت زمان :51:30:05
- حجم :21.01GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy