قیمت این دوره: 600,000 210,000 تومان
  • مدرس دوره : سینا جعفری پور
  • تعداد ویدیوها : 32 ویدیو
  • مدت زمان دوره : 5:33:00
  • سطح دوره : متوسط
  • وضعیت دوره : در حال برگزاری
  • تاریخ آخرین بروزرسانی : 1400/08/05
ثبتـــ نام در این 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.

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.


فهرستـــ ویدیوها

مدت زمان دوره 5:33:00
  • 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
  • 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

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 .