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 .