بلک فرایدی

🎉 بلک فرایدی تاپ لرن شروع شد! 🎉

🔥 70 درصد تخفیف ویژه روی تمامی دوره‌های آموزشی 🔥

اگر همیشه منتظر یک فرصت عالی برای یادگیری مهارت‌های جدید بودید، الان وقتشه! 🚀

🎯 دوره‌های متنوع و کاربردی در زمینه‌های:
✔️ برنامه‌نویسی و توسعه وب
✔️ طراحی و گرافیک
✔️ امنیت و شبکه
✔️ و ده‌ها موضوع جذاب دیگر

⏳ زمان محدوده! همین الان از بیشترین تخفیف‌ها استفاده کنید🔔

آینده شغلی‌تون رو همین امروز بسازید! 🌟

قیمت این دوره: 600,000 180,000 تومان
  • مدرس دوره : سینا جعفری پور
  • تعداد ویدیوها : 160 ویدیو
  • مدت زمان دوره : 28:56:00
  • سطح دوره : متوسط
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1401/03/25
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش جامع هوش مصنوعی  با جاوا اسکریپت

آموزش جامع هوش مصنوعی با جاوا اسکریپت

احتمالا می‌دانید که یادگیری ماشین (Machine Learning) و هوش مصنوعی  (artificial intelligence) آینده‌ی همه‌ی تکنولوژی‌ها است. در سال‌های آینده هیچ صنعتی وجود نخواهد داشت که  تحت تأثیر ماشین یادگیری(ML) نباشد، یک دنیای تحول آفرین در راه است و شما می‌توانید هم اکنون آن را درک کنید و یاد بگیرید یا در این طوفانِ تغییرات علم یه گوشه بنشینید و ضرر کنید.بدون شک هر روز بار‌ها با برنامه‌هایی کار می‌کنید که به تکنیک‌های ماشین یادگیری متکی هستند، پس باید در یادگیری این علم بزرگ دریغ نکنید و به روز باشید. 

در این دوره به صورت جامع و کامل مباحث ماشین یادگیری‌رو بهتون معرفی می‌کنیم و شمارو آماده می‌کنیم. با دیدن این دوره می‌تونید راه خودتون‌رو انتخاب کنید و در هر زمینه‌ای که وارد می‌شوید به هدف‌های بزرگی برسید (البته با تلاش و پشتکار).

*چرا جاوا اسکریپت؟ 

برای کسانی که تازه می‌خواهند یادگیری هوش مصنوعی‌رو شروع کنند ML با جاوا اسکریپت بسیار ساده‌ است، همانطور که می‌دانید زبان جاوا اسکریپت یکی از قدرتمند‌ترین و ساده‌ترین زبان‌های برنامه نویسی است و در نتیجه یادگیری هوش مصنوعی هم با آن آسان است. زبان‌های ساده و قوی دیگه‌ای هم وجود دارد اما مثلا یکی از خوبی‌های جاوا اسکریپت این است که expressive نیست، (expressive یعنی چی؟ یعنی اینکه یک لاین کد می‌تونه بیشتر از یک لاین از کد‌های زبان‌های دیگه کار بکنه، که فایده‌ی این موضوع را می‌گویند این است که: ((هر چه کد کم تر، debug کردن راحت تر است)) اما به نظر شما این موضوع توی ML هم می‌تونه مفید باشه؟ یا گیج کننده؟ اون هم وقتی شما دارید یک دنیای علم جدید رو یاد می‌گیرید.) 

پس این موضوع باعث میشه یک خط کد شامل functionality‌های زیادی باشد. البته که این ویژگی توی خود زبان‌های دیگه می‌تونه عالی باشه ، اما وقتی سعی می کنید یک موضوع کاملاً جدید را یاد بگیرید خیلی خوب نیست و شما سردرگم می‌شوید که جاوا اسکریپت به این صورت نمی‌باشد. (که می‌توانید این موضوع را از منابع خارجی و معتبر هم چک کنید).

علاوه بر اینکه جاوا اسکریپت درک ML را آسان تر می کند، افق های جدیدی را برای برنامه هایی که می توانید بسازید باز می کند. از آنجایی که می‌دانید جاوا اسکریپت فقط زبان سمت سرور یا فرانت نیست با کمک جاوا اسکریپت و node شما یک full stack می‌شوید، یعنی هم سرور و هم فرانت رو می‌تونید کار کنید، پس به جای اینکه برای اجرای کد ML محدود به استقرار کد در سرور شوید ، می توانید برنامه های single page یا حتی افزونه‌های مرورگر  بسازید که الگوریتم های جالبی را اجرا می کنند که به شما امکان توسعه یک مورد استفاده کاملاً جدید را بدهد.

توجه داشته باشید تمام تئوری های ML یکی است و شما می‌توانید با توجه به زبانی که دوست دارید اون رو انتخاب کنید و هر زبانی خوبی‌ها و بدی‌های خود را دارد اما گاهی در برخی موضوعات فواید یک زبان به ضعف‌های آن غلبه می‌کند. جاوا اسکریپت هنوز اجتماع بسیار بزرگی تشکیل نداده است اما به خاطر قدرت، سادگی، کتابخانه‌های قدرتمند، زیر ساخت‌های قوی و خیلی نکات دیگه آینده‌ای بسیار روشن دارد و روز به روز اجتماع این زبان هم در حال پیشرفت است.

همانطور که می‌دانید برخی دوره‌های یادگیری ماشین موضوعات گیج کننده‌ای را بررسی می‌کنند یا اینکه تشویق می‌کنند از الگوریتم‌هایی استفاده کنید که از پیش نوشته شدن و تمام کار‌های سنگین را خودشون انجام می‌دهند. اگر چه این موضوع می‌تواند زودتر شمارو خوشحال کنه و به موفقیت لحظه‌ای برساند اما درک شما از ML را چطور؟

 بدون شک شما به درک کامل نمی‌رسید. تنها در صورتی می توانید نحوه استفاده از تکنیک های ML را درک کنید که پشت پرده‌ی الگوریتم های اساسی را یاد بگیرید و یکی از اهداف این دوره هم این است که شما دقیقاً ریاضیات و تکنیک های برنامه نویسی را که در رایج ترین الگوریتم های ML استفاده می شود درک کنید. پس از داشتن این دانش ، به راحتی می توانید الگوریتم های جدید را در حین ساخت اپ‌های مختلف انتخاب کرده و پروژه ها و برنامه های بسیار جالب تری نسبت به مهندسان دیگر بسازید، چرا که دیگر مهندسان فقط می دانند چگونه داده ها را به یک کتابخانه جادویی تحویل دهند و نمی‌دانند این جادو دقیقا چیه و پشت پرده به چه صورت است. 

اگر از ریاضیات چیزی نمی‌دانید اصلا مشکلی نیست، تمام نکات از پایه توضیح داده می‌شود

حتما برای اینکه کیفیت خوب و قوی مطالب رو درک کنید، جلسات رایگان ابتدایی رو ببینید و نحوه‌ی تدریس بنده رو بسنجید.




فهرستـــ ویدیوها

مدت زمان دوره 28:56:00
  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1
  • معرفی دوره

00:12:42

معرفی دوره

2
  • یادگیری ماشین چیست

00:11:25

یادگیری ماشین چیست

3
  • یادگیری حل مسائل و مشکل

00:15:28

یادگیری حل مسائل و مشکل

4
  • نصب و راه اندازی یک پروژه

00:05:54

نصب و راه اندازی یک پروژه

5
  • طرح کلی مشکل

00:04:41

طرح کلی مشکل

6
  • شناسایی اطلاعات مرتبط

00:08:09

شناسایی اطلاعات مرتبط

7
  • ساختاردهی به dataset

00:09:35

ساختاردهی به dataset

8
  • ثبت اطلاعات محاسبه شده

00:07:25

ثبت اطلاعات محاسبه شده

9
  • نوع مشکل چیست

00:07:59

نوع مشکل چیست

10
  • الگوریتم KNN چطور کار می‌کند

00:15:09

الگوریتم KNN چطور کار می‌کند

11
  • کتابخانه‌ی Lodash

00:17:01

کتابخانه‌ی Lodash

12
  • پیاده سازی الگوریتم KNN قسمت اول

00:13:10

پیاده سازی الگوریتم KNN قسمت اول

13
  • پیاده سازی الگوریتم KNN قسمت دوم

00:10:27

پیاده سازی الگوریتم KNN قسمت دوم

14
  • تست کردن الگوریتم

00:08:39

تست کردن الگوریتم

15
  • عملیات برای نتایج اشتباه

00:06:56

عملیات برای نتایج اشتباه

16
  • اطلاعات training و test (آموزشی و تست)

00:07:16

اطلاعات training و test (آموزشی و تست)

17
  • به دست آوردن تصادفی اطلاعات

00:07:12

به دست آوردن تصادفی اطلاعات

18
  • تعمیم الگوریتم KNN

00:06:11

تعمیم الگوریتم KNN

19
  • به دست آوردن صحت الگوریتم

00:10:22

به دست آوردن صحت الگوریتم

20
  • پرینت گزارش دقت برای الگوریتم

00:06:28

پرینت گزارش دقت برای الگوریتم

21
  • بازسازی گزارش صحت برای الگوریتم

00:09:29

بازسازی گزارش صحت برای الگوریتم

22
  • بررسی مقدار بهینه برای K

00:13:45

بررسی مقدار بهینه برای K

23
  • بروز کردن الگوریتم KNN برای چند ویژگی feature

00:13:22

بروز کردن الگوریتم KNN برای چند ویژگی feature

24
  • KNN چند بعدی

00:06:51

KNN چند بعدی

25
  • فاصله‌ی N بعدی

00:13:20

فاصله‌ی N بعدی

26
  • فضای ویژگی‌ها

00:15:49

فضای ویژگی‌ها

27
  • اندازه features یا ویژگی‌ها و تاثیر آنها

00:07:15

اندازه features یا ویژگی‌ها و تاثیر آنها

28
  • Normalization یا نرمال‌سازی ویژگی‌ها

00:15:40

Normalization یا نرمال‌سازی ویژگی‌ها

29
  • نرمال سازی داده‌ها با minMax

00:16:01

نرمال سازی داده‌ها با minMax

30
  • اجرای Normalization

00:06:15

اجرای Normalization

31
  • انتخاب feature برای KNN

00:11:10

انتخاب feature برای KNN

32
  • انتخاب features و دقت آنها

00:12:52

انتخاب features و دقت آنها

33
  • معرفی tensorflowjs

00:08:30

معرفی tensorflowjs

34
  • برنامه برای ادامه‌ی راه

00:05:16

برنامه برای ادامه‌ی راه

35
  • توضیحات راجب tensor, shape, dimension

00:15:22

توضیحات راجب tensor, shape, dimension

36
  • عملیات با المان‌ها

00:15:43

عملیات با المان‌ها

37
  • عملیات broadcasting

00:11:15

عملیات broadcasting

38
  • log کردن اطلاعات تنسور

00:03:29

log کردن اطلاعات تنسور

39
  • نحوه‌ی دسترسی به تنسور(tensor accessors)

00:07:22

نحوه‌ی دسترسی به تنسور(tensor accessors)

40
  • استفاده از slice در اطلاعات

00:12:39

استفاده از slice در اطلاعات

41
  • اتصال تنسور‌ها(Concatenation)

00:10:56

اتصال تنسور‌ها(Concatenation)

42
  • جمع کردن مقادیر در راستای یک محور

00:10:27

جمع کردن مقادیر در راستای یک محور

43
  • نکات تکمیلی درباره‌ی بعد‌های تنسور

00:13:28

نکات تکمیلی درباره‌ی بعد‌های تنسور

44
  • KNN با رگرسیون

00:08:17

KNN با رگرسیون

45
  • تغییر در ساختار داده

00:07:37

تغییر در ساختار داده

46
  • KNN با tensorflow

00:18:12

KNN با tensorflow

47
  • ترتیب اطلاعات در tesnorها

00:10:03

ترتیب اطلاعات در tesnorها

48
  • مرتب کردن tensorها

00:16:30

مرتب کردن tensorها

49
  • متوسط گیری از مقادیر

00:19:05

متوسط گیری از مقادیر

50
  • راه اندازی KNN با tensorflow

00:08:49

راه اندازی KNN با tensorflow

51
  • load کردن اطلاعات CSV

00:13:01

load کردن اطلاعات CSV

52
  • اجرای آنالیز KNN با tensorflow

00:13:34

اجرای آنالیز KNN با tensorflow

53
  • گزارش درصد ارور

00:09:58

گزارش درصد ارور

54
  • نرمال سازی یا استاندارد سازی

00:14:13

نرمال سازی یا استاندارد سازی

55
  • استاندارد سازی با tesnorflow

00:22:18

استاندارد سازی با tesnorflow

56
  • پیاده سازی استاندارد سازی

00:06:51

پیاده سازی استاندارد سازی

57
  • debugging

00:11:16

debugging

58
  • نکات تکمیلی

00:06:02

نکات تکمیلی

59
  • رگرسیون خطی

00:04:43

رگرسیون خطی

60
  • چرا رگرسیون خطی

00:11:13

چرا رگرسیون خطی

61
  • گرادیان کاهشی چیست

00:20:17

گرادیان کاهشی چیست

62
  • حدس زدن ضرایب با MSE

00:19:42

حدس زدن ضرایب با MSE

63
  • بررسی و مشاهدات روی MSE

00:10:38

بررسی و مشاهدات روی MSE

64
  • مشتق

00:12:37

مشتق

65
  • گرادیان کاهشی در عمل

00:22:29

گرادیان کاهشی در عمل

66
  • دوره‌ای روی مباحثَ

00:09:56

دوره‌ای روی مباحثَ (جلسه‌ی اختیاری)

67
  • learning rate

00:26:39

learning rate

68
  • پاسخ به ابهامات

00:05:31

پاسخ به ابهامات

69
  • گرادیان کاهشی تکمیلی

00:08:03

گرادیان کاهشی تکمیلی

70
  • گرادیان کاهشی تکمیل شده در عمل

00:15:22

گرادیان کاهشی تکمیل شده در عمل

71
  • پروژه‌ی جدید

00:11:40

پروژه‌ی جدید

72
  • load کردن اطلاعات

00:08:51

load کردن اطلاعات

73
  • تنظیمات الگوریتم

00:14:05

تنظیمات الگوریتم

74
  • متد train

00:04:32

متد train

75
  • متد گرادیان کاهشی

00:14:41

متد گرادیان کاهشی

76
  • محاسبه شیب MSE

00:10:42

محاسبه شیب MSE

77
  • به روز کردن ضرایب

00:04:36

به روز کردن ضرایب

78
  • نتیجه الگوریتم

00:11:47

نتیجه الگوریتم

79
  • ضرب ماتریس‌ها

00:07:46

ضرب ماتریس‌ها

80
  • ضرب ماتریس‌ها 2

00:07:55

ضرب ماتریس‌ها 2

81
  • ماتریس و معادلات شیب

00:09:55

ماتریس و معادلات شیب

82
  • ساده سازی با ضرب ماتریس‌ها

00:10:23

ساده سازی با ضرب ماتریس‌ها

83
  • پشت پرده‌ی ضرب ماتریس‌ها

00:20:38

پشت پرده‌ی ضرب ماتریس‌ها

84
  • بازسازی کلاس رگرسیون خطی

00:12:39

بازسازی کلاس رگرسیون خطی

85
  • نوشتن معادله با tensorflow

00:15:16

نوشتن معادله با tensorflow

86
  • اپدیت کردن m و b

00:09:38

اپدیت کردن m و b

87
  • مقایسه بین دو پیاده سازی

00:04:02

مقایسه بین دو پیاده سازی

88
  • به دست آوردن دقت مدل (ssr و sst)

00:18:00

به دست آوردن دقت مدل (ssr و sst)

89
  • پیاده سازی ضریب تعیین

00:12:58

پیاده سازی ضریب تعیین

90
  • پیاده سازی ضریب تعیین و دقت الگوریتم

00:14:48

پیاده سازی ضریب تعیین و دقت الگوریتم

91
  • توضیحات استاندارد سازی

00:09:19

توضیحات استاندارد سازی

92
  • متد processFeatures

00:06:35

متد processFeatures

93
  • پیاده سازی استاندارد سازی

00:12:46

پیاده سازی استاندارد سازی

94
  • نکته‌ی استاندارد سازی

00:05:20

نکته‌ی استاندارد سازی

95
  • تغییرات روی learning rate

00:05:55

تغییرات روی learning rate

96
  • رگرسیون چند متغیره

00:18:17

رگرسیون چند متغیره

97
  • پیاده سازی آنالیز چند متغیره

00:10:49

پیاده سازی آنالیز چند متغیره

98
  • بهینه سازی learning rate

00:12:10

بهینه سازی learning rate

99
  • ذخیره‌ی MSE

00:08:10

ذخیره‌ی MSE

100
  • به روز کردن learning rate

00:13:06

به روز کردن learning rate

101
  • تغییرات LR

00:07:36

تغییرات LR

102
  • MSE روی نمودار

00:07:51

MSE روی نمودار

103
  • MSE در مقابل b

00:05:49

MSE در مقابل b

104
  • گرادیان کاهشی دسته‌ای و تصادفی

00:12:48

گرادیان کاهشی دسته‌ای و تصادفی

105
  • پیاده سازی batch gradient descent

00:07:52

پیاده سازی batch gradient descent

106
  • محاسبه‌ی اندازه‌ی دسته‌ها

00:10:20

محاسبه‌ی اندازه‌ی دسته‌ها

107
  • تکرار روی batch یا دسته‌ها

00:12:02

تکرار روی batch یا دسته‌ها

108
  • نتیجه‌ی گرادیان کاهشی دسته‌ای

00:08:53

نتیجه‌ی گرادیان کاهشی دسته‌ای

109
  • حدس زدن در مدل

00:13:28

حدس زدن در مدل

110
  • Logistic regression

00:05:21

Logistic regression

111
  • logistic regression در عمل

00:09:38

logistic regression در عمل

112
  • معادله‌ی صحیح

00:08:24

معادله‌ی صحیح

113
  • معادله sigmoid

00:07:10

معادله sigmoid

114
  • مرز تصمیم (decision boundaries)

00:14:15

مرز تصمیم (decision boundaries)

115
  • پروژه‌ی جدید

00:09:30

پروژه‌ی جدید

116
  • import کردن اطلاعات ماشین‌ها

00:08:03

import کردن اطلاعات ماشین‌ها

117
  • encode کردن مقادیر label

00:07:33

encode کردن مقادیر label

118
  • توضیحات logistic regression

00:11:23

توضیحات logistic regression

119
  • معادله sigmoid در logistic regression

00:06:08

معادله sigmoid در logistic regression

120
  • تغییرات در کد‌ها

00:11:24

تغییرات در کد‌ها

121
  • دقت الگوریتم

00:05:53

دقت الگوریتم

122
  • پیاده سازی تابع تست

00:09:56

پیاده سازی تابع تست

123
  • پیاده سازی مرز تصمیم

00:11:02

پیاده سازی مرز تصمیم

124
  • MSE vs Cross Entropy

00:10:13

MSE vs Cross Entropy

125
  • پیاده سازی Cross Entropy

00:07:59

پیاده سازی Cross Entropy

126
  • ادامه پیاده سازی تابع Cost

00:07:23

ادامه پیاده سازی تابع Cost

127
  • تست نتایج و plot کردن

00:06:42

تست نتایج و plot کردن

128
  • multinominal logistic regression

00:12:21

multinominal logistic regression

129
  • multinominal logistic regression 2

00:05:49

multinominal logistic regression 2

130
  • رویکرد single instance

00:15:05

رویکرد single instance

131
  • رویکرد چند ستونه

00:06:29

رویکرد چند ستونه

132
  • مساله‌ی جدید در logistic regression چند جمله‌ای

00:07:13

مساله‌ی جدید در logistic regression چند جمله‌ای

133
  • دسته بندی مقادیر پیوسته

00:08:15

دسته بندی مقادیر پیوسته

134
  • آموزش مدل چند جمله‌ای

00:10:09

آموزش مدل چند جمله‌ای

135
  • احتمال conditional و marginal

00:14:00

احتمال conditional و marginal

136
  • sigmoid vs softmax

00:08:51

sigmoid vs softmax

137
  • تبدیل sigmoid به softmax

00:08:03

تبدیل sigmoid به softmax

138
  • دقت الگوریتم

00:09:25

دقت الگوریتم

139
  • شناسایی دستخط

00:03:43

شناسایی دستخط

140
  • grayscale مقادیر

00:08:26

grayscale مقادیر

141
  • features

00:06:48

features

142
  • مسطح کردن اطلاعات

00:12:18

مسطح کردن اطلاعات

143
  • encode کردن برچسب‌ها

00:10:31

encode کردن برچسب‌ها

144
  • پیاده سازی دقت سنج

00:13:42

پیاده سازی دقت سنج

145
  • debugging کد‌ها

00:15:44

debugging کد‌ها

146
  • تغییر در variance

00:12:01

تغییر در variance

147
  • dataset بزرگ

00:05:56

dataset بزرگ

148
  • پایین آوردن استفاده از memory

00:10:14

پایین آوردن استفاده از memory

149
  • ساختن memory snapshots

00:08:49

ساختن memory snapshots

150
  • garbage collector

00:11:27

garbage collector

151
  • shallow size و retained size

00:08:23

shallow size و retained size

152
  • memory usage

00:12:36

memory usage

153
  • از بین بردن رفرنس

00:08:10

از بین بردن رفرنس

154
  • بهینه‌سازی tensorflow در مموری

00:11:09

بهینه‌سازی tensorflow در مموری

155
  • پیاده‌سازی tf.tidy

00:10:35

پیاده‌سازی tf.tidy

156
  • plot کردن cost

00:18:15

plot کردن cost

157
  • بالا بردن دقت الگوریتم

00:09:00

بالا بردن دقت الگوریتم

158
  • load کردن فایل CSV و خوندن فایل از disk

00:19:33

load کردن فایل CSV و خوندن فایل از disk

159
  • parse کردن اطلاعات

00:12:40

parse کردن اطلاعات

160
  • extract کردن اطلاعات، shuffle کردن و split کردن

00:28:01

extract کردن اطلاعات، shuffle کردن و split کردن

دوره های دیگر مدرس

مشاهده همه دوره ها

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 .