مسترکلاس توسعه هوش مصنوعی و پایتون - بیش از 300 پروژه عملی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به برنامهنویسی پایتون از ابتدا، حتی بدون تجربه قبلی
- آشنایی با اصول هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
- ساخت و استقرار اپلیکیشنهای هوش مصنوعی واقعی با استفاده از پایتون
- کار با کتابخانههای ضروری هوش مصنوعی مانند تنسورفلو، PyTorch و OpenCV
- توسعه مهارتهای عملی از طریق 100 پروژه عملی در هوش مصنوعی و پایتون
- یادگیری تحلیل، مصورسازی و پیشپردازش داده برای مدلهای هوش مصنوعی
- پیادهسازی اپلیکیشنهای مجهز به هوش مصنوعی مانند چتباتها، سیستم های توصیهگر و ابزارهای اتوماسیون
- کسب تجربه در تکنیکهای آموزش، ارزیابی و بهینهسازی مدل
- درک ملاحظات اخلاقی و عملی توسعه هوش مصنوعی
- ساخت یک پورتفولیو شامل پروژههای هوش مصنوعی و پایتون برای نمایش مهارتها به کارفرمایان یا مشتریان
پیشنیازهای دوره
- بدون نیاز به تجربه قبلی در برنامهنویسی یا هوش مصنوعی
- یک کامپیوتر با دسترسی به اینترنت برای کدنویسی و کار پروژه
- تمایل به یادگیری و تست مفاهیم پایتون و هوش مصنوعی
- آشنایی اولیه با کار با کامپیوتر و نصب نرمافزار
- علاقهمندی به هوش مصنوعی، یادگیری ماشین و اتوماسیون
- ذهنیت حل مسئله و یادگیری عملی
- اختیاری - راهاندازی Google Colab یا Jupyter Notebook برای اجرای کد پایتون
توضیحات دوره
شما به بوتکمپ کامل توسعه هوش مصنوعی و پایتون که برای مبتدیان و مهندسان مشتاق هوش مصنوعی طراحی شده است، میپردازید. این دوره شامل 100 پروژه واقعی است که به شما کمک میکند تا از تجربه صفر در برنامهنویسی به مهارتهای مربوط به پایتون، یادگیری ماشین، یادگیری عمیق و اپلیکیشن های مجهز به هوش مصنوعی مسلط شوید. مهم نیست هدف شما شروع یک شغل در هوش مصنوعی باشد، یا قصد دارید مهارتهای توسعه خود را ارتقا دهید، یا ابزارهای پیشرو در اتوماسیون را بسازید، این دوره تجربه عملی با پیادهسازیهای کاربردی ارائه میدهد.
شما با یادگیری پایتون از ابتدا شروع کرده و همه موارد را از سینتکس اولیه تا توابع پیشرفته پوشش خواهید داد. در ادامه، به تکنیکهای علم داده، مصوریسازی و پیشپردازش داده میپردازید تا مجموعه دادهها را برای مدلهای هوش مصنوعی آماده کنید. سپس با الگوریتمهای یادگیری ماشین آشنا میشوید، مدلهای پیشبینانه میسازید، الگوها را تحلیل میکنید و تصمیمهای هوش مصنوعی محور میگیرید. در این مسیر، با کتابخانههای تنسورفلو، PyTorch ،OpenCV و Scikit-Learn کار میکنید تا اپلیکیشنهای هوش مصنوعی برای پردازش متن، تصاویر و داده ساختاریافته توسعه دهید.
با پیشرفت دوره، چتباتها، سیستمهای توصیهگر، تحلیلگر احساسات و ابزارهای اتوماسیون را با استفاده از مجموعه دادههای واقعی توسعه میدهید. شما مهارتهایی در حوزه پردازش زبان طبیعی (NLP)، بینایی کامپیوتری و یادگیری تقویتی را یاد میگیرید و به کاربردهای آنها در صنایع مختلف مسلط میشوید. دوره همچنین اخلاق هوش مصنوعی، بهینهسازی مدل و استراتژیهای استقرار را به شما آموزش میدهد تا بتوانید پروژههای هوش مصنوعی را با کارایی بالا و به صورت مقیاسپذیر انجام دهید.
در پایان دوره، دارای مجموعهای از 100 پروژه عملی هستید که نشاندهنده مهارتهای شما در توسعه هوش مصنوعی، اتوماسیون و یادگیری ماشین است. اگر قصد دارید استارتاپ هوش مصنوعی محور راهاندازی کنید، رزومه خود را با مهارتهای پرتقاضای هوش مصنوعی قویتر کنید، یا فرآیندهای کسبوکار را خودکار نمایید، این دوره تمام نیازهای شما را برآورده میکند. همین حالا به ما بپیوندید و در توسعه پایتون و هوش مصنوعی تخصص پیدا کرده و فرصتهای بیپایان در صنعت فناوری را در کشف کنید.
این دوره برای چه کسانی مناسب است؟
- مبتدیان مطلق بدون هیچ تجربه قبلی در برنامهنویسی یا هوش مصنوعی
- مهندسان مشتاق هوش مصنوعی که به دنبال ایجاد پایهای قوی در پایتون و هوش مصنوعی هستند.
- دانشجویان و متخصصانی که میخواهند تجربه عملی با پروژههای هوش مصنوعی واقعی داشته باشند.
- توسعهدهندگانی که از حوزههای دیگر به هوش مصنوعی و یادگیری ماشین روی میآورند.
- علاقهمندان به داده که میخواهند پایتون را برای اپلیکیشنهای هوش مصنوعی محور به کار گیرند.
- کارآفرینان و متخصصان کسبوکار که علاقهمند به استفاده از هوش مصنوعی برای اتوماسیون هستند.
- علاقهمندان به فناوری که به دنبال بررسی پایتون و هوش مصنوعی از طریق پروژههای عملی هستند.
- مربیان و مدرسانی که به دنبال منابع یادگیری ساختارمند هوش مصنوعی و پایتون هستند.
- محققان و تحلیلگرانی که میخواهند مهارتهای هوش مصنوعی و علم داده خود را ارتقا دهند.
- کسی که علاقهمند به یادگیری توسعه هوش مصنوعی از طریق رویکرد مبتنی بر پروژه است.
مسترکلاس توسعه هوش مصنوعی و پایتون - بیش از 300 پروژه عملی
-
آشنایی با مبانی برنامهنویسی پایتون در هفته 1 00:38
-
روز 1 - آشنایی با پایتون و راهاندازی توسعه 20:37
-
روز 2 - کنترل جریان در پایتون 32:46
-
روز 3 - توابع و ماژولها 23:22
-
روز 4 - ساختارهای داده - (لیستها، تاپلها، دیکشنریها، مجموعهها) 30:33
-
روز 5 - کار با رشتهها 23:53
-
روز 6 - مدیریت فایل 22:48
-
روز 7 - کد پایتونیک و کار روی پروژه 39:28
-
آشنایی با ملزومات علم داده در هفته 2 00:44
-
روز 1 - آشنایی با NumPy برای محاسبات عددی 22:49
-
روز 2 - عملیاتهای پیشرفته NumPy 21:33
-
روز 3 - آشنایی با Pandas برای دستکاری داده 19:44
-
روز 4 - پاکسازی و آمادهسازی داده با Pandas 24:28
-
روز 5 - تجمیع و گروهبندی 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 ریاضیات برای یادگیری ماشین در هفته 3 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 (انتگرالها و بهینهسازی) 16:29
-
روز 5 - نظریه احتمالات و توزیعها 25:07
-
روز 6 - اصول آمار 19:08
-
روز 7 - پروژه کوچک ریاضی محور - رگرسیون خطی از ابتدا 15:03
-
آشنایی با احتمال و آمار برای یادگیری ماشین در هفته 4 00:45
-
روز 1 - نظریه احتمالات و متغیرهای تصادفی 18:34
-
روز 2 - توزیعهای احتمالات در یادگیری ماشین 17:10
-
روز 3 - استنباط آماری - برآورد و فواصل اطمینان 15:40
-
روز 4 - آزمون فرضیه و مقدار احتمال 11:44
-
روز 5 - انواع آزمونهای فرضیه 18:41
-
روز 6 - تحلیل همبستگی و رگرسیون 17:28
-
روز 7 - پروژه تحلیل آماری - تحلیل داده واقعی 24:52
-
آشنای با یادگیری ماشین در هفته 5 00:46
-
روز 1 - مبانی و اصطلاحات یادگیری ماشین 15:35
-
روز 2 - آشنایی با یادگیری نظارت شده و مدلهای رگرسیون 15:48
-
روز 3 - مدلهای رگرسیون پیشرفته - رگرسیون چندجملهای و منظمسازی 35:19
-
روز 4 - آشنایی با طبقهبندی 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 - پروژه کوچک یادگیری نظارت شده 25:10
-
آشنایی با مهندسی ویژگی و ارزیابی مدل در هفته 6 00:42
-
روز 1 - آشنایی با مهندسی ویژگی 14:30
-
روز 2 - نرمالسازی و مقیاسبندی داده 16:20
-
روز 3 - انکودینگ متغیرهای دستهبندی شده 16:48
-
روز 4 - تکنیکهای انتخاب ویژگی 16:21
-
روز 5 - ایجاد و تبدیل ویژگیها 18:08
-
روز 6 - تکنیکهای ارزیابی مدل 15:49
-
روز 7 - اعتبارسنجی متقابل و تیونینگ هایپرپارامتر 20:03
-
آشنایی با الگوریتمهای پیشرفته یادگیری ماشین در هفته 7 00:40
-
روز 1 - آشنایی با یادگیری گروهی 15:04
-
روز 2 - Bagging و جنگلهای تصادفی 14:22
-
روز 3 - بوستینگ و گرادیان بوستینگ 16:07
-
روز 4 - آشنایی با XGBoost 19:39
-
روز 5 - LightGBM و CatBoost 20:21
-
روز 6 - مدیریت داده نامتوازن 16:42
-
روز 7 - پروژه یادگیری گروهی - مقایسه مدلها روی مجموعه داده واقعی 22:36
-
آشنایی با تیونینگ و بهینهسازی مدل در هفته 8 00:52
-
روز 1 - آشنایی با تیونینگ هایپرپارامتر 13:46
-
روز 2 - جستجوی گرید و جستجوی تصادفی 16:09
-
روز 3 - تیونینگ هایپرپارامتر پیشرفته با بهینهسازی بیزی 26:57
-
روز 4 - تکنیکهای منظمسازی برای بهینهسازی مدل 13:17
-
روز 5 - اعتبارسنجی متقابل و تکنیکهای ارزیابی مدل 13:00
-
روز 6 - تیونینگ هایپرپارامتر خودکار با GridSearchCV و RandomizedSearchCV 19:28
-
روز 7 - پروژه بهینهسازی - ساخت و تیونینگ مدل نهایی 22:45
-
آشنایی با اصول شبکههای عصبی و یادگیری عمیق در هفته 9 00:47
-
روز 1 - آشنایی با شبکههای عصبی و یادگیری عمیق 16:13
-
روز 2 - انتشار رو به جلو و توابع فعالسازی 14:43
-
روز 3 - توابع Loss و پسانتشار 15:31
-
روز 4 - گرادیان کاهشی و تکنیکهای بهینهسازی 21:50
-
روز 5 - ساخت شبکههای عصبی با تنسورفلو و کراس 19:20
-
روز 6 - ساخت شبکههای عصبی با PyTorch 26:28
-
روز 7 - پروژه شبکه عصبی - طبقهبندی تصویر روی CIFAR-10 22:09
-
آشنایی با شبکههای عصبی کانولوشن در هفته 10 00:48
-
روز 1 - آشنایی با شبکههای عصبی کانولوشن 26:16
-
روز 2 - لایههای کانولوشن و فیلترها 23:48
-
روز 3 - لایههای pooling و کاهش ابعاد 23:58
-
روز 4 - ساخت معماریهای CNN با کراس و تنسورفلو 17:46
-
روز 5 - ساخت معماریهای CNN با PyTorch 22:26
-
روز 6 - منظمسازی و افزایش داده برای CNNs 18:39
-
روز 7 - پروژه CNN - طبقهبندی تصویر روی Fashion MNIST یا CIFAR-10 27:34
-
آشنایی با شبکههای عصبی بازگشتی (RNNs) و مدلسازی توالی در هفته 11 00:49
-
روز 1 - آشنایی با مدلسازی توالی و RNN 33:32
-
روز 2 - درک معماری RNN و پس انتشار از طریق زمان (BPTT) 24:31
-
روز 3 - شبکههای حافظه کوتاهمدت بلندمدت (LSTM) 15:03
-
روز 4 - واحدهای بازگشتی دروازهای (GRUs) 07:07
-
روز 5 - پیشپردازش متن و تعبیه کلمات برای RNNs 24:02
-
روز 6 - مدلهای توالی به توالی و کاربردهای آنها 43:09
-
روز 7 - پروژه RNN - تولید متن یا تحلیل احساسات 17:55
-
آشنایی با ترنسفرمرها و مکانیزمهای توجه در هفته 12 00:48
-
روز 1 - آشنایی با مکانیزمهای توجه 15:17
-
روز 2 - آشنایی با معماری ترنسفرمرها 18:19
-
روز 3 - توجه به خود و توجه Multi-Head در ترنسفرمرها 21:00
-
روز 4 - انکودینگ پوزیشنال و شبکههای پیشخور 20:21
-
روز 5 - بخش عملی با ترنسفرمرهای از پیش آموزش دیده - BERT و GPT 19:37
-
روز 6 - ترنسفرمرهای پیشرفته - واریانتهای BERT و GPT-3 20:38
-
روز 7 - پروژه ترنسفرمر - خلاصهسازی متن یا ترجمه 18:33
-
آشنایی با یادگیری انتقالی و تیونینگ دقیق در هفته 13 00:45
-
روز 1 - آشنایی با یادگیری انتقالی 14:52
-
روز 2 - یادگیری انتقال در بینایی کامپیوتری 26:26
-
روز 3 - تکنیکهای تیونینگ دقیق در بینایی کامپیوتری 21:46
-
روز 4 - یادگیری انتقالی در NLP 17:00
-
روز 5 - تکنیکهای تنیونینگ دقیق در NLP 26:04
-
روز 6 - تطبیق دامنه و چالشهای یادگیری انتقالی 14:52
-
روز 7 - پروژه یادگیری انتقالی - تیونینگ دقیق برای تسک سفارشی 18:22
-
یادگیری پایتون از ابتدا - آزمون سریع 39:29
-
روز 1 - ژنراتور پیام خوشآمدگویی - دستورات print و "Hello World" 12:07
-
روز 2 - برنامه خوشآمدگویی شخصیسازی شده - متغیرها و تایپهای داده 13:39
-
روز 3 - ماشین حساب ساده - ورودی کاربر و فرمتبندی رشته 13:16
-
روز 4 - ابزار مقایسه اعداد - دستورات if-else 12:35
-
روز 5 - تایمر شمارش معکوس - حلقهها (for و while) 12:10
-
روز 6 - بازی آزمون ریاضیات پایه - توابع 15:59
-
روز 7 - اپلیکیشن لیست خرید - لیستها 18:23
-
روز 8 - دفتر مخاطبان - دیکشنریها 21:12
-
روز 9 - چکر مواد تشکیلدهنده - تاپلها و مجموعهها 15:40
-
روز 10 - اپلیکیشن یادداشتبرداری - مدیریت فایل 17:22
-
روز 11 - ماشین حساب ایمن - مدیریت استثنا 15:55
-
روز 12 - مبدل دما - توابع با مقدار بازگشتی 15:14
-
روز 13 - مدیریت نمرات دانشجو - List Comprehensions 13:55
-
روز 14 - ژنراتور پسورد تصادفی - ماژولها و کتابخانهها 16:00
-
روز 15 - اپلیکیشن نمایش دستور پخت - خواندن فایلها 15:44
-
روز 16 - لاگر ژورنال روزانه - نوشتن فایلها 15:32
-
روز 17 - ژنراتور گزارش دانشجو - فایلهای CSV 15:38
-
روز 18 - اپلیکیشن To-Do کوچک - فایلهای جیسان 17:47
-
روز 19 - اپلیکیشن آبوهوا با استفاده از API - مبانی APIs 18:44
-
روز 20 - تایمر شمارش معکوس رویداد - تاریخها و زمان 15:16
-
روز 21 - اسکرپر مقالات ویکیپدیا - وب اسکرپینگ 21:46
-
روز 22 - شبیهساز حساب بانکی - کلاسها و آبجکتها 19:58
-
روز 23 - سیستم مدیریت کتابخانه - Constructors و متدها 17:15
-
روز 24 - سیستم مدیریت کارکنان - وراثت 23:26
-
روز 25 - شبیهساز صدای حیوانات - پلیمورفیسم 14:57
-
روز 26 - اپلیکیشن ایمن پروفایل کاربر - کپسولهسازی 18:32
-
روز 27 - سیستم مدیریت موجودی - متدهای استاتیک و کلاس 17:18
-
روز 28 - دستگاه خودپرداز کوچک - پروژه نهایی OOP 16:58
-
روز 29 - اپلیکیشن GUI ساده - مبانی Tkinter 19:57
-
روز 30 - اپلیکیشن شمارنده کلیک - دکمهها و رویدادها 21:10
-
روز 31 - ماشین حساب BMI - فیلدهای ورودی 20:47
-
روز 32 - اپلیکیشن پد طراحی - ویجتهای Canvas 21:52
-
روز 33 - سیستم لاگین ساده - باکسهای پیام 18:13
-
روز 34 - GUI لیست To-Do - ویجتهای پیشرفته 19:21
-
روز 35 - اپلیکیشن ردیاب هزینه - GUI Capstone 20:22
-
روز 36 - اپلیکیشن Hello Flask - مبانی فلسک 20:27
-
روز 37 - وبسایت شخصی وبلاگ - مسیرها و قالبها 29:13
-
روز 38 - اپلیکیشن فرم تماس - فرمها و ورودی کاربر 14:08
-
روز 39 - اپلیکیشن رجیستر کاربر - یکپارچهسازی پایگاه داده 19:03
-
روز 40 - مینی API آبوهوا - REST APIs 17:47
-
روز 41 - استقرار اپلیکیشن فلسک - استقرار 18:56
-
روز 42 - وبسایت پورتفولیو - Capstone فلسک 15:46
-
روز 43 - ماشین حساب ماتریس - NumPy 19:13
-
روز 44 - پاکسازی داده - Pandas 17:32
-
روز 45 - ترسیم نمودار - Matplotlib 17:47
-
روز 46 - تحلیل گزارش فروش - تحلیل داده 23:45
-
روز 47 - ترسیم نمودار دما - ترسیم روندها 17:44
-
روز 48 - ردیاب قیمت سهام - اسکرپ کردن داده 17:24
-
روز 49 - داشبورد کووید 19 - پروژه Capstone 18:51
-
روز 50 - اپلیکیشن داشبورد آبوهوا 28:34
-
روز 51 - ردیاب هزینه 18:15
-
روز 52 - ابزار ارگنایزر فایل 17:07
-
روز 53 - بازی دوز 24:58
-
روز 54 - چتبات کوچک 10:41
-
روز 55 - ارگنایزر پلیلیست موسیقی 20:10
-
روز 56 - پلنر بودجه شخصی 14:07
-
روز 57 - ژنراتور هنر ASCII 15:07
-
روز 58 - تایمر پومودورو 21:36
-
روز 59 - مبدل Markdown به HTML 17:00
-
روز 60 - اپلیکیشن دفتر خاطرات روزانه شخصی 18:16
-
روز 61 - اسکرپر شبکههای اجتماعی 13:03
-
روز 62 - ابزار بکآپ خودکار 13:24
-
روز 63 - سیستم توصیهگر فیلم 15:54
-
روز 64 - ابزار ادغام PDF 10:48
-
روز 65 - بکاند وبسایت پورتفولیو 21:02
-
روز 66 - اپلیکیشن یادگیری فلش کارتها 09:30
-
روز 67 - داشبورد بازار سهام 15:45
-
روز 68 - زمانبند تسک 14:39
-
روز 69 - مبدل ارز 11:22
-
روز 70 - اپلیکیشن مصورسازی داده 17:47
-
روز 71 - تشخیصدهنده ایمیل اسپم 22:48
-
روز 72 - تحلیلگر احساسات متنی 11:51
-
روز 73 - شناسایی ارقام دستنویس 25:07
-
روز 74 - دستیار صوتی 17:28
-
روز 75 - اپلیکیشن تشخیص چهره 18:37
-
روز 76 - سیستم توصیهگر ساده 13:36
-
روز 77 - چتبات هوش مصنوعی با NLP 12:37
-
روز 78 - اپلیکیشن تشخیص آبجکت 10:39
-
روز 79 - ابزار مترجم زبان 10:37
-
روز 80 - تشخیصدهنده اخبار جعلی 13:40
-
آشنایی با الگوریتمهای یادگیری ماشین و پیادهسازی در پایتون 03:43
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی رگرسیون خطی 06:23
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی رگرسیون ریج و لسو 07:49
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی رگرسیون چندجملهای 07:17
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی رگرسیون لجستیک 05:55
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی نزدیکترین همسایه K (KNN) 06:11
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی ماشینهای بردار پشتیبان (SVM) 06:26
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی درختان تصمیمگیری 06:16
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی جنگلهای تصادفی 05:57
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی گرادیان بوستینگ 06:11
-
الگوریتمهای یادگیری نظارت شده - پیادهسازی بیز ساده 05:51
-
الگوریتمهای یادگیری نظارت نشده - پیادهسازی خوشهبندی K-Means 04:21
-
الگوریتمهای یادگیری نظارت نشده - پیادهسازی خوشهبندی سلسلهمراتبی 05:16
-
الگوریتمهای یادگیری نظارت نشده - DBSCAN 04:59
-
الگوریتمهای یادگیری نظارت نشده - مدلهای آمیخته گاوسی (GMM) 04:54
-
الگوریتمهای یادگیری نظارت نشده - تحلیل مؤلفه اصلی (PCA) 04:43
-
الگوریتمهای یادگیری نظارت نشده - تعبیه همسایه استوکاستیک توزیع شده t 05:14
-
الگوریتمهای یادگیری نظارت نشده - پیادهسازی رمزگذارهای خودکار 08:22
-
پیادهسازی آموزش خود (Self-Training) 06:41
-
پیادهسازی Q-Learning 08:36
-
پیادهسازی شبکههای Q عمیق (DQN) 13:48
-
پیادهسازی متدهای گرادیان سیاست 10:08
-
پیادهسازی SVM یک کلاسه 04:44
-
پیادهسازی جنگل جداسازی 05:06
-
پیادهسازی شبکههای عصبی کانولوشن (CNNs) 08:27
-
پیادهسازی شبکههای عصبی بازگشتی (RNNs) 07:37
-
پیادهسازی حافظه کوتاهمدت و بلندمدت (LSTM) 07:16
-
پیادهسازی ترنسفرمرها 11:05
مشخصات آموزش
مسترکلاس توسعه هوش مصنوعی و پایتون - بیش از 300 پروژه عملی
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:213
- مدت زمان :57:55:37
- حجم :29.37GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy