مسترکلاس علم داده - پروژه های عملی یادگیری ماشین و هوش مصنوعی

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

در این دوره با حل مشکلات واقعی کسب و کار با راه حل های هوش مصنوعی، علم داده، تحلیل داده و یادگیری ماشین آشنا می شوید.

آنچه یاد خواهید گرفت

ساخت پورتفولیویی از کارها تا در رزومه خود داشته باشید.
راه‌ اندازی محیط توسعه‌ دهنده برای علم داده و یادگیری ماشین
یادگیری عمیق، یادگیری انتقالی و شبکه های عصبی با استفاده از آخرین نسخه تنسورفلو یعنی 2.0
مطالعات موردی و پروژه های واقعی برای درک نحوه انجام تسک های واقعی
یادیری درباره مهندسی داده و نحوه استفاده از ابزارهایی مانند هدوپ، اسپارک و کافکا در این صنعت

توضیحات دوره

مباحث مطرح شده در این دوره عبارتند از:

اکتشاف داده و مصورسازی داده
شبکه های عصبی و یادگیری عمیق
ارزیابی و تحلیل مدل
پایتون 3
تنسورفلو 2.0
Numpy
Scikit-Learn
پروژه ها و گردش کارهای علم داده و یادگیری ماشین
مصورسازی داده در پایتون با MatPlotLib و Seaborn
یادگیری انتقالی
شناسایی و طبقه بندی تصویر
آموزش، تست و اعتبارسنجی متقابل
یادگیری نظارت شده - طبقه بندی، رگرسیون و سری زمانی
درختان تصمیم گیری و جنگل های تصادفی
یادگیری گروهی
تیونینگ هایپرپارامتر
استفاده از دیتافریم های Pandas برای حل تسک های پیچیده
استفاده از Pandas برای مدیریت فایل های CSV
یادگیری عمیق و شبکه های عصبی با تنسورفلو 2.0 و کراس
استفاده از Kaggle و ورود به مسابقات یادگیری ماشین
چگونه یافته های خود را ارائه داده و رئیس خود را تحت تأثیر قرار دهید؟
چگونه داده خود را برای تحلیل، پاکسازی و آماده سازی کنید؟
نزدیکترین همسایه K
ماشین های بردار پشتیبان
تحلیل رگرسیون (رگرسیون خطی و رگرسیون چندجمله ای)
چگونه از هدوپ، آپاچی اسپارک، کافکا و Apache Flink استفاده کنیم؟
راه اندازی محیط خود با Conda و MiniConda و Jupyter Notebooks
استفاده از GPUs با Google Colab

این دوره برای چه کسانی مناسب است؟

دانشمندان داده که می خواهند دانش خود را در مطالعات موردی واقعی به کار گیرند.
کامپیوتر (لینوکس و ویندوز و مک) با اتصال به اینترنت
افراد مبتنی بر کسب و کار که مشتاق یادگیری نحوه استفاده از هوش مصنوعی برای بهینه سازی کسب و کار خود، به حداکثر رساندن سود و کارایی هستند.
متخصصان یادگیری عمیق که می‌ خواهند تکالیف عملی بیشتری دریافت کنند.