قیمت این دوره: 750,000 450,000 تومان
  • مدرس دوره : قائم تقی پور
  • تعداد ویدیوها : 80 ویدیو
  • مدت زمان دوره : 13:34:00
  • سطح دوره : مقدماتی
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1403/06/28
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین

آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین

هوش مصنوعی به عنوان یکی از علوم محبوب و مورد توجه در عصر حاضر، توانسته است تا توانایی های خود را در حوزه های مختلف اثبات کند و به طور ویژه در چند سال اخیر، با انتشار ابزارهای جالب توجه بر پایه این علم، به عنوان یک حوزه کاری پر تقاضا نیز مطرح شده است.

دوره‌ی آموزشی پیش رو، با رویکرد بررسی مبانی و مفاهیم یکی از زیر شاخه های مهم هوش مصنوعی، یعنی یادگیری ماشین، می تواند به عنوان پله ی اول ورود به این حوزه، به دانشجویان عزیز کمک نماید تا گام های ابتدایی را در هوش مصنوعی برداشته و قادر باشند تا مفاهیم عمیق این حوزه را درک کرده و در فهم مطالب این حوزه به سطح مناسبی از دانش برسند. در این دوره، در ابتدا، مبانی تئوری حوزه ماشین لرنینگ، به طور عمیق و موشکافانه مورد بررسی قرار گرفته و پس از آن، مفاهیم بررسی شده به طور عملی و با استفاده از زبان برنامه نویسی پایتون پیاده سازی خواهند شد.

در این آموزش، علاوه بر مباحث کلاسیک یادگیری ماشین در حوزه های یادگیری نظارت شده، یادگیری بدون نظارت و سیستم های توصیه گر، مفاهیم عمیق حوزه دیپ لرنینگ نیز مورد بررسی قرار خواهد گرفت.

پبشنهاد می شود جهت کسب اطلاعات بیشتر در رابطه با این دوره، جلسه ی معرفی دوره را مشاهده نمایید.

 

سرفصل های دوره : 

فصل1 : مفاهیم مقدماتی یادگیری ماشین
فصل2: یادگیری نظارت شده (Supervised Learning)
فصل3: یادگیری بدون نظارت (Unsupervised Learning)
فصل4: شبکه های عصبی مصنوعی (ANNs)

 



پیش نیاز های دوره :

  1. اشنایی نسبی با زبان برنامه نویسی پایتون
  2. دانش عمومی ریاضی در سطح دبیرستان

فهرستـــ ویدیوها

مدت زمان دوره 13:34:00

  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1

  • معرفی دوره

00:16:35

معرفی دوره

2

  • بررسی نقشه راه دوره و توضیحات تکمیلی

00:07:27

بررسی نقشه راه دوره و توضیحات تکمیلی

3

  • فصل اول - مفاهیم مقدماتی

00:19:41

فصل اول - مفاهیم مقدماتی

4

  • مبانی یادگیری ماشین

00:10:10

مفاهیم یادگیری ماشین

5

  • یادگیری نظارت شده

00:09:18

یادگیری نظارت شده

6

  • یادگیری بدون نظارت

00:12:04

یادگیری بدون نظارت

7

  • آشنایی با محیط برنامه نویسی

00:10:26

آشنایی با محیط برنامه نویسی

8

  • محیط مجازی و نصب پیشنیاز ها در env

00:10:45

محیط مجازی و نصب پیشنیاز ها در env

9

  • فصل دوم - یادگیری نظارت شده

00:03:34

فصل دوم - یادگیری نظارت شده

10

  • آشنایی با رگرسیون خطی

00:07:14

آشنایی با رگرسیون خطی

11

  • آشنایی با تابع هزینه

00:13:03

آشنایی با تابع هزینه

12

  • بهینه سازی به روش کاهش گرادیان

00:12:33

بهینه سازی به روش کاهش گرادیان

13

  • آشنایی با پارامتر نرخ یادگیری در بهینه سازی

00:10:13

نرخ یادگیری

14

  • توابع رگرسیون چند متغیره و چند جمله ای

00:07:27

توابع رگرسیون چند متغیره و چند جمله ای

15

  • آشنایی با فضای برداری

00:08:55

فضای برداری

16

  • تغییر مقیاس داده های ورودی مدل در پیش پردازش

00:12:57

تغییر مقیاس داده ها در پیش پردازش

17

  • نرخ یادگیری و منحنی یادگیری

00:09:16

نرخ یادگیری و منحنی یادگیری

18

  • آشنایی با مفهوم Feature Engineering

00:15:33

آشنایی با مفهوم Feature Engineering

19

  • پیاده سازی الگوریتم رگرسیون خطی

00:18:26

پیاده سازی الگوریتم رگرسیون خطی

20

  • آشنایی با مسائل دسته بندی

00:09:13

آشنایی با مسائل دسته بندی

21

  • رگرسیون منطقی (Logistic Regression)

00:11:40

رگرسیون منطقی

22

  • تابع هزینه در رگرسیون منطقی

00:14:13

تابع هزینه در رگرسیون منطقی

23

  • معرفی الگوریتم KNN

00:04:52

معرفی الگوریتم KNN

24

  • معرفی مفهوم بیش برازش

00:10:07

مفهوم بیش برازش

25

  • استفاده از Regularization در تابع هزینه

00:09:43

استفاده از Regularization در تابع هزینه

26

  • کار با ورودی های طبقه بندی شده در مدل

00:11:00

کار با ورودی های طبقه بندی شده در مدل

27

  • آشنایی با درخت تصمیم

00:06:51

آشنایی با درخت تصمیم

28

  • فرآیند یادگیری در Decision Tree

00:09:45

فرآیند یادگیری در Decision Tree

29

  • اندازه گیری Purity مدل درخت تصمیم

00:13:16

اندازه گیری Purity

30

  • معرفی Information Gain

00:05:56

معرفی Information Gain

31

  • درخت های رگرسیونی

00:04:18

درخت های رگرسیونی

32

  • آشنایی با یادگیری گروهی در ماشین لرنینگ

00:08:05

یادگیری گروهی در ماشین لرنینگ

33

  • معرفی روش نمونه برداری با جایگذاری

00:07:39

روش نمونه برداری با جایگذاری

34

  • الگوریتم جنگل تصادفی

00:08:27

الگوریتم جنگل تصادفی

35

  • الگوریتم Tree Boosting

00:05:25

الگوریتم Tree Boosting

36

  • روش ها و پارامترهای ارزیابی مدل های یادگیری ماشین

00:15:35

روش ها و پارامترهای ارزیابی مدل

37

  • پیاده سازی مدل های معرفی شده در پایتون - جلسه 1

00:28:52

پیاده سازی مدل های معرفی شده در پایتون - جلسه 1

38

  • پیاده سازی مدل های معرفی شده در پایتون - جلسه 2

00:15:00

پیاده سازی مدل های معرفی شده در پایتون - جلسه 2

39

  • فصل سوم - یادگیری بدون نظارت

00:05:29

فصل سوم - یادگیری بدون نظارت

40

  • خوشه بندی به روش K-Means

00:06:35

خوشه بندی به روش K-Means

41

  • تابع هزینه و روش بهینه سازی در k-means

00:04:47

تابع هزینه و روش بهینه سازی در k-means

42

  • روش elbow جهت تعیین تعداد خوشه ها

00:06:53

روش elbow جهت تعیین تعداد خوشه ها

43

  • تشخیص ناهنجاری ها با استفاده از یادگیری بدون نظارت

00:08:58

تشخیص ناهنجاری ها با یادگیری بدون نظارت

44

  • معرفی توزیع گوسی یا نرمال

00:07:55

معرفی توزیع گوسی یا نرمال

45

  • الگوریتم تشخیص ناهنجاری

00:04:41

الگوریتم تشخیص ناهنجاری

46

  • پیاده سازی الگوریتم خوشه بندی k-means

00:12:23

پیاده سازی الگوریتم خوشه بندی k-means

47

  • سیستم های توصیه گر

00:07:54

سیستم های توصیه گر

48

  • معرفی سیستم Item-Based Collaborative Filtering

00:27:15

سیستم Item-Based Collaborative Filtering

49

  • معرفی سیستم User-Based Collaborative Filtering - جلسه 1

00:11:56

معرفی سیستم User-Based Collaborative Filtering - جلسه 1

50

  • معرفی سیستم User-Based Collaborative Filtering - جلسه 2

00:14:54

معرفی سیستم User-Based Collaborative Filtering - جلسه 2

51

  • کاربرد Mean normalization در سیستم Collaborative Filtering

00:09:02

کاربرد Mean normalization در سیستم Collaborative Filtering

52

  • مقایسه دو تکنیک اصلی در سیستم های توصیه گر

00:04:52

مقایسه دو تکنیک اصلی در سیستم های توصیه گر

53

  • معرفی سیستم Content-based filtering

00:08:19

معرفی سیستم Content-based filtering

54

  • فصل چهارم - شبکه های عصبی مصنوعی

00:12:29

فصل چهارم - شبکه های عصبی مصنوعی

55

  • بررسی ساختمان شبکه های عصبی

00:18:46

بررسی ساختمان شبکه های عصبی

56

  • بررسی ساختمان شبکه های عصبی - جلسه 2

00:10:27

بررسی ساختمان شبکه های عصبی - جلسه 2

57

  • بررسی فرایند انتشار رو به جلو در ANN

00:07:41

بررسی فرایند انتشار رو به جلو

58

  • معرفی و مقایسه فضاهای اسکالر، بردار، ماتریس و تانسور

00:10:25

معرفی فضاهای اسکالر، بردار، ماتریس و تانسور

59

  • روابط حاکم بر Feed Forward

00:11:12

روابط حاکم بر Feed Forward

60

  • بررسی قواعد ضرب ماتریسی

00:06:50

بررسی قواعد ضرب ماتریسی

61

  • تابع فعال ساز در ANN

00:08:24

تابع فعال ساز در ANN

62

  • پیاده سازی مسائل رگرسیون در تنسورفلو - جلسه 1

00:11:37

پیاده سازی مسائل رگرسیون در تنسورفلو - جلسه 1

63

  • پیاده سازی مسائل رگرسیون در تنسورفلو - جلسه 2

00:10:33

پیاده سازی مسائل رگرسیون در تنسورفلو - جلسه 2

64

  • پیاده سازی مسائل دسته بندی در تنسورفلو

00:07:33

پیاده سازی مسائل دسته بندی در تنسورفلو

65

  • مقایسه روش های multi-class و multi-label در مسائل دسته بندی

00:06:07

مقایسه دسته بندی با روش های multi-class و multi-label

66

  • تابع فعال ساز Softmax

00:03:43

تابع فعال ساز Softmax

67

  • پیاده سازی دسته بندی multi-class در keras - جلسه 1

00:13:09

دسته بندی multi-class در keras

68

  • پیاده سازی دسته بندی multi-class در keras - جلسه 2

00:14:11

پیاده سازی دسته بندی multi-class در keras

69

  • معرفی بهینه ساز ADAM و مقایسه با دیگر توابع بهینه سازی معروف

00:10:28

معرفی بهینه ساز ADAM

70

  • بررسی معماری های مختلف در شبکه های عصبی

00:09:21

بررسی معماری های مختلف در شبکه های عصبی

71

  • مدل های تشخیصی در model selection

00:04:47

مدل های تشخیصی در model selection

72

  • ارزیابی با خطای آموزش و آزمون

00:09:45

ارزیابی با خطای آموزش و تست

73

  • آشنایی با model selection و cross validation

00:08:48

آشنایی با model selection و cross validation

74

  • مفاهیم Bias و Variance و Regularization

00:11:41

مفاهیم Bias و Variance و Regularization

75

  • استفاده از Bias و Variance در Model Selection

00:03:31

استفاده از Bias و Variance در Model Selection

76

  • معرفی Data Augmentation

00:05:19

معرفی Data Augmentation

77

  • بررسی فرآیند حل مسئله در ماشین لرنینگ و معرفی عمیات یادگیری ماشین - MLOps

00:06:29

بررسی فرآیند حل مسئله در ماشین لرنینگ و معرفی عمیات یادگیری ماشین - MLOps

78

  • مفهوم مشتق جزئی یا پاره ای

00:08:21

مفهوم مشتق جزئی یا پاره ای

79

  • بررسی روابط حاکم بر فرآیند پس انتشار خطا و گراف محاسبات

00:16:12

بررسی روابط حاکم بر فرآیند پس انتشار خطا و گراف محاسبات

80

  • سخن پایانی و نقشه راه گام های بعدی

00:09:28

سخن پایانی و پیشنهاد برای گام های بعد

دوره های دیگر مدرس

مشاهده همه دوره ها
آموزش جامع مبانی هوش مصنوعی – دوره تخصصی یادگیری عمیق

آموزش جامع مبانی هوش مصنوعی – دوره تخصصی یادگیری عمیق

تقی پور
8:29:00
راهنمای جامع آمادگی برای آزمون های مصاحبه‌ در حوزه هوش مصنوعی

راهنمای جامع آمادگی برای آزمون های مصاحبه‌ در حوزه هوش مصنوعی

تقی پور
6:10:00
آموزش جامع پردازش تصویر و بینایی ماشین در پایتون

آموزش جامع پردازش تصویر و بینایی ماشین در پایتون

تقی پور
18:26:00
آموزش پروژه محور یادگیری ماشین و یادگیری عمیق

آموزش پروژه محور یادگیری ماشین و یادگیری عمیق

تقی پور
13:12:00
آموزش جامع یادگیری ماشین و زیرشاخه ها در پایتون (با رویکرد مالی)

آموزش جامع یادگیری ماشین و زیرشاخه ها در پایتون (با رویکرد مالی)

تقی پور
23:16:00
آموزش معاملات الگوریتمی ارز دیجیتال در پایتون

آموزش معاملات الگوریتمی ارز دیجیتال در پایتون

تقی پور
16:39:00
آموزش جامع یادگیری تقویتی (Reinforcement Learning) در پایتون

آموزش جامع یادگیری تقویتی (Reinforcement Learning) در پایتون

تقی پور
13:49:00
آنالیز کلان داده (Big Data) با پایتون و اسپارک

آنالیز کلان داده (Big Data) با پایتون و اسپارک

تقی پور
13:23:00
آنالیز مالی در پایتون

آنالیز مالی در پایتون

تقی پور
9:32:00
اینستاگرام
تلگرام

نظرات کاربران در رابطه با این دوره

لطفا سوالات خود را راجع به این آموزش در این بخش پرسش و پاسخ مطرح کنید به سوالات در قسمت نظرات پاسخ داده نخواهد شد و آن نظر حذف میشود.
جهت ثبت نظر باید در سایت عضو شوید و یا وارد سایت شده باشید .