قیمت این دوره: 600,000 تومان
  • مدرس دوره : محمد اردوخانی ( رزومه )
  • تعداد دانشجویان این دوره : 420 نفر
  • تعداد ویدیوها : 51 ویدیو
  • مدت زمان دوره : 10:26:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : در حال برگزاری
  • تاریخ آخرین بروزرسانی : 1400/01/28
ثبتـــ نام در این 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

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.

فهرستـــ ویدیوها

مدت زمان دوره 10:26:00

  • در صورتیکه ویدئو نمایش داده نشد آن را دانلود کنید و با KmPlayer مشاهده کنید.

  • لطفا در صورت اقدام به دانلود تا انتها فرایند دانلود ، این صفحه را باز نگاه دارید.

1

  • مقدمه ی هوش مصنوعی

  • 00:05:00
  • رایگانــ

مقدمه ی هوش مصنوعی

2

  • شروع مباحث ریاضی و عملگر تساوی

  • 00:15:00
  • رایگانــ

شروع مباحث ریاضی و عملگر تساوی

3

  • بررسی نمودار خطی و نقاط تلاقی

  • 00:22:00
  • رایگانــ

بررسی نمودار خطی و نقاط تلاقی

4

  • نقطه ی تلاقی دو نمودار

  • 00:09:00
  • رایگانــ

نقطه ی تلاقی دو نمودار

5

  • بررسی مفهوم توان ، لگاریتم و جذر

  • 00:13:00
  • رایگانــ

بررسی مفهوم توان ، لگاریتم و جذر

6

  • بررسی گزاره های توان دار

  • 00:09:00
  • رایگانــ

بررسی گزاره های توان دار

7

  • بررسی فاکتور گیری

  • 00:11:00
  • رایگانــ

بررسی فاکتور گیری

8

  • نصب پیشنیازهای لازم

  • 00:08:00
  • نقدیــ

نصب پیشنیازهای لازم

9

  • بررسی ابتدایی کتابخانه Pandas و مسیر پیش رو

  • 00:13:00
  • نقدیــ

بررسی ابتدایی کتابخانه Pandas و مسیر پیش رو

10

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

  • 00:11:00
  • نقدیــ

بررسی انواع داده ها و مفاهیم مد، میانه و میانگین

11

  • بررسی میانگین و میانه و آنالیز دیتا

  • 00:21:00
  • نقدیــ

بررسی میانگین و میانه و آنالیز دیتا

12

  • برررسی نمودار منحنی نرمال و مبحث Mode

  • 00:11:00
  • رایگانــ

برررسی نمودار منحنی نرمال و مبحث Mode

13

  • بررسی مفاهیم واریانس و انحراف معیار

  • 00:26:00
  • نقدیــ

بررسی مفاهیم واریانس و انحراف معیار

14

  • محاسبه ی واریانس و انحراف معیار در پایتون

  • 00:07:00
  • نقدیــ

محاسبه ی واریانس و انحراف معیار در پایتون

15

  • بررسی مفاهیم توابع چگالی احتمال و جرم احتمال

  • 00:15:00
  • نقدیــ

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
  • نقدیــ

بررسی تابع توزیع یکنواخت

17

  • بررسی توابع چگالی احتمال

  • 00:12:00
  • نقدیــ

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

18

  • بررسی نمودارهای توابع جرم احتمال

  • 00:14:00
  • نقدیــ

بررسی نمودارهای توابع جرم احتمال

19

  • بررسی صدک ( Percentile )

  • 00:14:00
  • نقدیــ

بررسی صدک ( Percentile )

20

  • بررسی کشیدگی و چولگی در آمار به همراه مباحث Moments

  • 00:11:00
  • نقدیــ

بررسی کشیدگی و چولگی در آمار به همراه مباحث Moments

21

  • بررسی کتابخانه ی Matplotlib

  • 00:10:00
  • نقدیــ

بررسی کتابخانه ی Matplotlib

22

  • پیاده سازی تغییرات روی نمودارهای خروجی

  • 00:12:00
  • نقدیــ

پیاده سازی تغییرات روی نمودارهای خروجی

23

  • بررسی نمودار میله ای و دایره ای

  • 00:11:00
  • نقدیــ

بررسی نمودار میله ای و دایره ای

24

  • بررسی نمودار نقطه ای و نمودار جعبه ای

  • 00:20:00
  • نقدیــ

بررسی نمودار نقطه ای و نمودار جعبه ای

25

  • بررسی اولیه ی Seaborn

  • 00:11:00
  • نقدیــ

بررسی اولیه ی Seaborn

26

  • بررسی امکانات دیگر SeaBorn

  • 00:14:00
  • نقدیــ

بررسی امکانات دیگر SeaBorn

27

  • نمودارهای مهم در Seaborn

  • 00:11:00
  • نقدیــ

نمودارهای مهم در Seaborn

28

  • بررسی مفهوم Covariance و Correlation در آمار

  • 00:10:00
  • نقدیــ

بررسی مفهوم Covariance و Correlation در آمار

29

  • بررسی کامل Covariance

  • 00:22:00
  • نقدیــ

بررسی کامل Covariance

30

  • بررسی ضریب همبستگی و محاسبه ی آن با پایتون

  • 00:08:00
  • نقدیــ

بررسی ضریب همبستگی و محاسبه ی آن با پایتون

31

  • بررسی احتمال شرطی یا Conditional Probability

  • 00:09:00
  • نقدیــ

بررسی احتمال شرطی یا Conditional Probability

32

  • بررسی Conditional Probability و کدنویسی آن ( بخش اول )

  • 00:14:00
  • نقدیــ

بررسی Conditional Probability و کدنویسی آن ( بخش اول )

33

  • بررسی کاملتر احتمال شرطی

  • 00:09:00
  • نقدیــ

بررسی کاملتر احتمال شرطی

34

  • تکمیل مباحث احتمال شرطی

  • 00:05:00
  • نقدیــ

تکمیل مباحث احتمال شرطی

35

  • بررسی مفهوم Linear Regression و اساس کارکرد آن

  • 00:07:00
  • نقدیــ

بررسی مفهوم Linear Regression و اساس کارکرد آن

36

  • برسی رگرسیون خطی و بررسی یک مثال

  • 00:07:00
  • نقدیــ

برسی رگرسیون خطی و بررسی یک مثال

37

  • تخمین داده ها با معادله ی رگرسیون خطی

  • 00:13:00
  • رایگانــ

تخمین داده ها با معادله ی رگرسیون خطی

38

  • بررسی Polynomial Regression

  • 00:18:00
  • نقدیــ

بررسی Polynomial Regression

39

  • بررسی مفهوم Multiple Regression

  • 00:08:00
  • نقدیــ

بررسی مفهوم Multiple Regression

40

  • بررسی multiple regression و آماده سازی اولیه پیشبینی نتیجه

  • 00:11:00
  • نقدیــ

بررسی multiple regression و آماده سازی اولیه پیشبینی نتیجه

41

  • بررسی multiple regression بخش سوم

  • 00:08:00
  • نقدیــ

بررسی multiple regression بخش سوم

42

  • بررسی StandardScaler و نمایش نتیجه ی پیش بینی

  • 00:11:00
  • نقدیــ

بررسی StandardScaler و نمایش نتیجه ی پیش بینی

43

  • پیش بینی نهایی اطلاعات بر اساس فاکتورهای چندگانه

  • 00:11:00
  • نقدیــ

پیش بینی نهایی اطلاعات بر اساس فاکتورهای چندگانه

44

  • بررسی Machine Learning ( UnSuperviser ) و مفهوم آن

  • 00:11:00
  • نقدیــ

بررسی Machine Learning ( UnSuperviser ) و مفهوم آن

45

  • مفهوم Supervised Learning در هوش مصنوعی

  • 00:10:00
  • نقدیــ

مفهوم Supervised Learning در هوش مصنوعی

46

  • پیاده سازی مفهوم Supervised Learning

  • 00:23:00
  • نقدیــ

پیاده سازی مفهوم Supervised Learning

47

  • پیاده سازی الگوریتم مشابه spam ایمیل

  • 00:15:00
  • نقدیــ

پیاده سازی الگوریتم مشابه spam ایمیل

48

  • تکمیل مثال اسپم ایمیل ها

  • 00:19:00
  • نقدیــ

تکمیل مثال اسپم ایمیل ها

49

  • بررسی مفهوم KMeans Clustering

  • 00:16:00
  • نقدیــ

بررسی مفهوم KMeans Clustering

50

  • بررسی مفهوم Entropy

  • 00:06:00
  • نقدیــ

بررسی مفهوم Entropy

51

  • بررسی ابتدایی درخت تصمیم

  • 00:07:00
  • نقدیــ

بررسی ابتدایی درخت تصمیم

نظرات کاربران در رابطه با این دوره

جهت ثبت نظر باید در سایت عضو شوید و یا وارد سایت شده باشید .