دوره آموزشی
دوبله زبان فارسی
مسترکلاس علم داده - پروژه های عملی یادگیری ماشین و هوش مصنوعی
✅ 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.
مسترکلاس علم داده - پروژه های عملی یادگیری ماشین و هوش مصنوعی
-
تسلط به ساختارهای داده - از آرایه ها تا مفاهیم پیشرفته 06:47
-
بررسی تاپل ها - یک ساختار داده قدرتمند برای مدیریت داده کارآمد 06:22
-
بیان مشکل ساختار داده - مقابله با دستکاری تاپل چندگانه برای داده کارآمد 05:43
-
بررسی ساختار داده مجموعه ها - کشف قدرت منحصر به فرد کالکشن 05:42
-
کشف قدرت ساختار داده دیکشنری - راهنمای جامع 04:20
-
دستکاری رشته - بررسی الگوریتم ها و ساختارهای داده برای متن کارآمد 06:06
-
ساختارهای داده و مدیریت تاریخ و زمان در پایتون 04:00
-
استفاده از ساختارهای داده برای پیش بینی ریزش مشتری 14:11
-
تسلط به توابع لامبدا در پایتون - ساده سازی کد و هوش مصنوعی با مثال ها 06:11
-
عبارات لامبدا - کشف قدرت برنامه نویسی تابعی 04:39
-
پیاده سازی توابع در پایتون - از مبانی تا پیشرفته 04:47
-
پیاده سازی توابع در پایتون - درک اصول برنامه نویسی 07:13
-
رمزگشایی از بازگشت - تسلط به هنر پیاده سازی توابع بازگشتی 10:17
-
تسلط به مهندسی ویژگی تاریخ-زمان - کشف بینش های زمانی برای ماشین 04:36
-
ارزیابی عملکرد مدل - شاخص های کلیدی عملکرد (KPIs) 09:14
مشخصات آموزش
مسترکلاس علم داده - پروژه های عملی یادگیری ماشین و هوش مصنوعی
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:15
- مدت زمان :01:40:08
- حجم :991.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy