قیمت این دوره: 600,000 360,000 تومان
  • مدرس دوره : محمد اردوخانی
  • تعداد دانشجویان این دوره : 572 نفر
  • تعداد ویدیوها : 80 ویدیو
  • مدت زمان دوره : 15:18:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : در حال برگزاری
  • تاریخ آخرین بروزرسانی : 1400/04/28
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



فهرستـــ ویدیوها

مدت زمان دوره 15:18:00
  • 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

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

نظرات کاربران در رابطه با این دوره

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