آموزش زبان برنامه نویسی پایتون

آموزش زبان برنامه نویسی پایتون

دوره حضوری و آنلاین آموزش برنامه نویسی پایتون

پایتون یکی از زبان های چند منظوره ،  شی گرا و سطح بالا می باشد که کاربرد بسیار زیادی دارد و همچنین از محبوبیت فوق العاده ای برخوردار است .

ساده بودن پایتون برای یادگیری و  محاسبه معادلات پیچیده و تحلیل های داده ، از دلایل جذابیت بالای این زبان میباشد .

در طول این دوره به مفاهیم پایه و اساسی این زبان قدرتمند تسلط پیدا خواهید کرد .

پس وقت رو از دست نده...

مشاهده دوره و ثبت نام
قیمت این دوره: 600,000 300,000 تومان
  • مدرس دوره : محمد اردوخانی
  • تعداد ویدیوها : 102 ویدیو
  • مدت زمان دوره : 19:13:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1400/07/28
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش جامع هوش مصنوعی با پایتون ( Python )

آموزش جامع هوش مصنوعی با پایتون ( Python )

امروزه هوش مصنوعی به یکی از 5 علم برتر دنیا تبدیل شده و رد پای آن را میتوان در هر زمینه ای مشاهده کرد

شرکت های نرم افزاری، کمپانی های بازی سازی، شرکت های خصوصی که به دنبال افزایش فروش محصولات خود هستند و حتی دولت ها در زمینه های سیاسی خود از آمار و احتمالات در کنار هوش مصنوعی استفاده میکنند تا بتوانند در دنیای فناوری امروز که هر لحظه در حال پیشرفت می باشد ، خود را اثبات کرده و پایدار باقی بمانند

وظیفه ی هوش مصنوعی تصمیم گیری و انجام مواردی است که نیاز به هوش انسانی دارد و از این رو میتوانید آن را در پروژه های خود به طور گسترده مورد استفاده قرار دهید

در این دوره ی آموزشی قصد داریم با مفاهیم هوش مصنوعی آشنا شده و آن را در فرایندهای مختلف مورد استفاده قرار دهیم تا شما عزیزان بتوانید به صورت کاملا شخصی سازی شده ، از هوش مصنوعی در پروژه های خود استفاده کنین.

هدف ما یادگیری مباحث هوش مصنوعی ، یادگیری ماشین ( Machine Learning ) و مباحث تکمیلی یادگیری عمیق ( Deep Learning ) و شبکه های عصبی بوده و تمامی مباحث به صورت عملی به شما عزیزان تدریس خواهد شد

مخاطبین این دوره افرادی هستند که به مبحث هوش مصنوعی علاقه داشته و یا اینکه می خواهند از این گرایش در پروژه های خود استفاده کرده و میزان درآمد خود را افزایش دهند




فهرستـــ ویدیوها

مدت زمان دوره 19:13:00
Current Time 0:00
Duration -:-
Loaded: 0%
Stream Type LIVE
Remaining Time -:-
 
1x

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

1

  • مقدمه ی هوش مصنوعی

00:05:00

مقدمه ی هوش مصنوعی

2

  • شروع مباحث ریاضی و عملگر تساوی

00:15:00

شروع مباحث ریاضی و عملگر تساوی

3

  • بررسی نمودار خطی و نقاط تلاقی

00:22:00

بررسی نمودار خطی و نقاط تلاقی

4

  • نقطه ی تلاقی دو نمودار

00:09:00

نقطه ی تلاقی دو نمودار

5

  • بررسی مفهوم توان ، لگاریتم و جذر

00:13:00

بررسی مفهوم توان ، لگاریتم و جذر

6

  • بررسی گزاره های توان دار

00:09:00

بررسی گزاره های توان دار

7

  • بررسی فاکتور گیری

00:11:00

بررسی فاکتور گیری

8

  • نصب پیشنیازهای لازم

00:08:00

نصب پیشنیازهای لازم

9

  • بررسی ابتدایی کتابخانه Pandas و مسیر پیش رو

00:13:00

بررسی ابتدایی کتابخانه Pandas و مسیر پیش رو

10

  • بررسی انواع داده ها و مفاهیم مد، میانه و میانگین

00:11:00

بررسی انواع داده ها و مفاهیم مد، میانه و میانگین

11

  • بررسی میانگین و میانه و آنالیز دیتا

00:21:00

بررسی میانگین و میانه و آنالیز دیتا

12

  • برررسی نمودار منحنی نرمال و مبحث Mode

00:11:00

برررسی نمودار منحنی نرمال و مبحث Mode

13

  • بررسی مفاهیم واریانس و انحراف معیار

00:26:00

بررسی مفاهیم واریانس و انحراف معیار

14

  • محاسبه ی واریانس و انحراف معیار در پایتون

00:07:00

محاسبه ی واریانس و انحراف معیار در پایتون

15

  • بررسی مفاهیم توابع چگالی احتمال و جرم احتمال

00:15:00

بررسی توابع چگالی احتمال ( probability density function ) و جرم احتمال ( probability mass function ) در آمار و احتمالات

16

  • بررسی تابع توزیع یکنواخت

00:12:00

بررسی تابع توزیع یکنواخت

17

  • بررسی توابع چگالی احتمال

00:12:00

بررسی توابع چگالی احتمال مانند توزیع نرمال ، توزیع نمایی، توزیع یکنواخت و ...

18

  • بررسی نمودارهای توابع جرم احتمال

00:14:00

بررسی نمودارهای توابع جرم احتمال

19

  • بررسی صدک ( Percentile )

00:14:00

بررسی صدک ( Percentile )

20

  • بررسی کشیدگی و چولگی در آمار به همراه مباحث Moments

00:11:00

بررسی کشیدگی و چولگی در آمار به همراه مباحث Moments

21

  • بررسی کتابخانه ی Matplotlib

00:10:00

بررسی کتابخانه ی Matplotlib

22

  • پیاده سازی تغییرات روی نمودارهای خروجی

00:12:00

پیاده سازی تغییرات روی نمودارهای خروجی

23

  • بررسی نمودار میله ای و دایره ای

00:11:00

بررسی نمودار میله ای و دایره ای

24

  • بررسی نمودار نقطه ای و نمودار جعبه ای

00:20:00

بررسی نمودار نقطه ای و نمودار جعبه ای

25

  • بررسی اولیه ی Seaborn

00:11:00

بررسی اولیه ی Seaborn

26

  • بررسی امکانات دیگر SeaBorn

00:14:00

بررسی امکانات دیگر SeaBorn

27

  • نمودارهای مهم در Seaborn

00:11:00

نمودارهای مهم در Seaborn

28

  • بررسی مفهوم Covariance و Correlation در آمار

00:10:00

بررسی مفهوم Covariance و Correlation در آمار

29

  • بررسی کامل Covariance

00:22:00

بررسی کامل Covariance

30

  • بررسی ضریب همبستگی و محاسبه ی آن با پایتون

00:08:00

بررسی ضریب همبستگی و محاسبه ی آن با پایتون

31

  • بررسی احتمال شرطی یا Conditional Probability

00:09:00

بررسی احتمال شرطی یا Conditional Probability

32

  • بررسی Conditional Probability و کدنویسی آن ( بخش اول )

00:14:00

بررسی Conditional Probability و کدنویسی آن ( بخش اول )

33

  • بررسی کاملتر احتمال شرطی

00:09:00

بررسی کاملتر احتمال شرطی

34

  • تکمیل مباحث احتمال شرطی

00:05:00

تکمیل مباحث احتمال شرطی

35

  • بررسی مفهوم Linear Regression و اساس کارکرد آن

00:07:00

بررسی مفهوم Linear Regression و اساس کارکرد آن

36

  • برسی رگرسیون خطی و بررسی یک مثال

00:07:00

برسی رگرسیون خطی و بررسی یک مثال

37

  • تخمین داده ها با معادله ی رگرسیون خطی

00:13:00

تخمین داده ها با معادله ی رگرسیون خطی

38

  • بررسی Polynomial Regression

00:18:00

بررسی Polynomial Regression

39

  • بررسی مفهوم Multiple Regression

00:08:00

بررسی مفهوم Multiple Regression

40

  • بررسی multiple regression و آماده سازی اولیه پیشبینی نتیجه

00:11:00

بررسی multiple regression و آماده سازی اولیه پیشبینی نتیجه

41

  • بررسی multiple regression بخش سوم

00:08:00

بررسی multiple regression بخش سوم

42

  • بررسی StandardScaler و نمایش نتیجه ی پیش بینی

00:11:00

بررسی StandardScaler و نمایش نتیجه ی پیش بینی

43

  • پیش بینی نهایی اطلاعات بر اساس فاکتورهای چندگانه

00:11:00

پیش بینی نهایی اطلاعات بر اساس فاکتورهای چندگانه

44

  • بررسی Machine Learning ( UnSuperviser ) و مفهوم آن

00:11:00

بررسی Machine Learning ( UnSuperviser ) و مفهوم آن

45

  • مفهوم Supervised Learning در هوش مصنوعی

00:10:00

مفهوم Supervised Learning در هوش مصنوعی

46

  • پیاده سازی مفهوم Supervised Learning

00:23:00

پیاده سازی مفهوم Supervised Learning

47

  • پیاده سازی الگوریتم مشابه spam ایمیل

00:15:00

پیاده سازی الگوریتم مشابه spam ایمیل

48

  • تکمیل مثال اسپم ایمیل ها

00:19:00

تکمیل مثال اسپم ایمیل ها

49

  • بررسی مفهوم KMeans Clustering

00:16:00

بررسی مفهوم KMeans Clustering

50

  • بررسی مفهوم Entropy

00:06:00

بررسی مفهوم Entropy

51

  • بررسی ابتدایی درخت تصمیم

00:07:00

بررسی ابتدایی درخت تصمیم

52

  • پیاده سازی درخت تصمیم

00:11:00

پیاده سازی درخت تصمیم

53

  • پیاده سازی درخت تصمیم ( بخش دوم )

00:07:00

پیاده سازی درخت تصمیم ( بخش دوم )

54

  • پیاده سازی درخت تصمیم ( بخش سوم)

00:13:00

پیاده سازی درخت تصمیم ( بخش سوم)

55

  • بررسی سیستم های پیشنهاد دهنده

00:10:00

بررسی سیستم های پیشنهاد دهنده

56

  • بررسی سیستم های پیشنهاد دهنده ( بخش دوم )

00:14:00

بررسی سیستم های پیشنهاد دهنده ( بخش دوم )

57

  • بررسی سیستم های پیشنهاد دهنده ( بخش سوم)

00:09:00

بررسی سیستم های پیشنهاد دهنده ( بخش سوم)

58

  • بررسی سیستم های پیشنهاد دهنده ( بخش چهارم )

00:10:00

بررسی سیستم های پیشنهاد دهنده ( بخش چهارم )

59

  • بررسی سیستم های پیشنهاد دهنده ( بخش پنجم)

00:12:00

بررسی سیستم های پیشنهاد دهنده ( بخش پنجم)

60

  • بررسی سیستم های پیشنهاد دهنده ( بخش ششم )

00:13:00

بررسی سیستم های پیشنهاد دهنده ( بخش ششم )

61

  • بررسی اولیه ی KNN

00:09:00

بررسی اولیه ی KNN

62

  • پیاده سازی مثال از KNN ( بخش اول )

00:09:00

پیاده سازی مثال از KNN ( بخش اول )

63

  • پیاده سازی مثال از KNN ( بخش دوم )

00:09:00

پیاده سازی مثال از KNN ( بخش دوم )

64

  • پیاده سازی مثال از KNN ( بخش سوم )

00:14:00

پیاده سازی مثال از KNN ( بخش سوم )

65

  • پیاده سازی مثال از KNN ( بخش چهارم )

00:15:00

پیاده سازی مثال از KNN ( بخش چهارم )

66

  • پیاده سازی مثال از KNN ( بخش پنجم )

00:09:00

پیاده سازی مثال از KNN ( بخش پنجم )

67

  • بررسی مفاهیم PCA و SVD

00:06:00

بررسی مفاهیم PCA و SVD

68

  • بررسی دیتاست Iris

00:07:00

بررسی دیتاست Iris

69

  • پیاده سازی PCA

00:11:00

پیاده سازی PCA

70

  • بررسی مفهوم Data Warehouse

00:09:00

بررسی مفهوم Data Warehouse

71

  • بررسی ETL و ELT و درک مفاهیم آنها

00:07:00

بررسی ETL و ELT و درک مفاهیم آنها

72

  • بررسی مفاهیم ReInforcement Learning و Q-Learning

00:09:00

بررسی مفاهیم ReInforcement Learning و Q-Learning

73

  • پیاده سازی مثال برای ReInforcement Learning

00:10:00

پیاده سازی مثال برای ReInforcement Learning

74

  • پیاده سازی مثال برای ReInforcement Learning بخش دوم

00:14:00

پیاده سازی مثال برای ReInforcement Learning بخش دوم

75

  • پیاده سازی مثال برای ReInforcement Learning بخش سوم

00:11:00

پیاده سازی مثال برای ReInforcement Learning بخش سوم

76

  • پیاده سازی مثال برای ReInforcement Learning بخش چهارم

00:11:00

پیاده سازی مثال برای ReInforcement Learning بخش چهارم

77

  • پیاده سازی مثال برای ReInforcement Learning بخش پنجم

00:12:00

پیاده سازی مثال برای ReInforcement Learning بخش پنجم

78

  • بررسی Confusion Matrix در هوش مصنوعی

00:07:00

بررسی Confusion Matrix در هوش مصنوعی

79

  • بررسی مفهوم recall در confusion matrix

00:08:00

بررسی مفهوم recall در confusion matrix

80

  • بررسی Precision در Confusion Matrix

00:06:00

بررسی Precision در Confusion Matrix

81

  • بررسی اولیه ی Deep Learning

00:09:00

بررسی اولیه ی Deep Learning

82

  • بررسی گرادیان کاهشی ( Gradient Descent )

00:10:00

بررسی گرادیان کاهشی ( Gradient Descent )

83

  • بررسی مفهوم Auto Diff

00:05:00

بررسی مفهوم Auto Diff

84

  • بررسی soft-max

00:05:00

بررسی soft-max

85

  • بررسی playground tensorflow ( بخش اول )

00:12:00

بررسی playground tensorflow ( بخش اول )

86

  • playground tensorflow ( بخش اول )

00:19:00

playground tensorflow ( بخش اول )

87

  • بررسی شبکه ی عصبی و ساختار MLP

00:18:00

بررسی شبکه ی عصبی و ساختار MLP

88

  • بررسی MultiLayer Perceptron

00:08:00

بررسی MultiLayer Perceptron

89

  • بررسی اولیه ی Tensorflow

00:06:00

بررسی اولیه ی Tensorflow

90

  • پیاده سازی اولین پروژه با Tensorflow

00:11:00

پیاده سازی اولین پروژه با Tensorflow

91

  • بررسی مراحل پیاده سازی شبکه عصبی در tensorflow

00:07:00

بررسی مراحل پیاده سازی شبکه عصبی در tensorflow

92

  • بررسی مثال جمع در نسخه ی قدیمی و جدید Tensorflow

00:14:00

بررسی مثال جمع در نسخه ی قدیمی و جدید Tensorflow

93

  • پروژه عملی Tensorflow { سیستم تشخیص دست خط )

00:13:00

پروژه عملی Tensorflow { سیستم تشخیص دست خط )

94

  • پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش دوم

00:08:00

پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش دوم

95

  • بررسی Numpy Concatenating

00:07:00

بررسی Numpy Concatenating

96

  • بررسی مفهوم placeholder

00:06:00

بررسی مفهوم placeholder

97

  • پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش سوم

00:12:00

پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش سوم

98

  • پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش چهارم

00:12:00

پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش چهارم

99

  • پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش پنجم

00:09:00

پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش پنجم

100

  • پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش ششم

00:20:00

پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش ششم

101

  • پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش هفتم

00:12:00

پروژه عملی Tensorflow { سیستم تشخیص دست خط ) بخش هفتم

102

  • جمع بندی و سخنان پایانی

00:12:00

جمع بندی و سخنان پایانی

دوره های دیگر مدرس

مشاهده همه دوره ها
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 .