قیمت این دوره: 750,000 375,000 تومان
  • مدرس دوره : قائم تقی پور
  • تعداد ویدیوها : 37 ویدیو
  • مدت زمان دوره : 6:40:00
  • سطح دوره : مقدماتی
  • وضعیت دوره : در حال برگزاری
  • تاریخ آخرین بروزرسانی : 1403/05/04
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین

آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین

هوش مصنوعی به عنوان یکی از علوم محبوب و مورد توجه در عصر حاضر، توانسته است تا توانایی های خود را در حوزه های مختلف اثبات کند و به طور ویژه در چند سال اخیر، با انتشار ابزارهای جالب توجه بر پایه این علم، به عنوان یک حوزه کاری پر تقاضا نیز مطرح شده است.

دوره‌ی آموزشی پیش رو، با رویکرد بررسی مبانی و مفاهیم یکی از زیر شاخه های مهم هوش مصنوعی، یعنی یادگیری ماشین، می تواند به عنوان پله ی اول ورود به این حوزه، به دانشجویان عزیز کمک نماید تا گام های ابتدایی را در هوش مصنوعی برداشته و قادر باشند تا مفاهیم عمیق این حوزه را درک کرده و در فهم مطالب این حوزه به سطح مناسبی از دانش برسند. در این دوره، در ابتدا، مبانی تئوری حوزه ماشین لرنینگ، به طور عمیق و موشکافانه مورد بررسی قرار گرفته و پس از آن، مفاهیم بررسی شده به طور عملی و با استفاده از زبان برنامه نویسی پایتون پیاده سازی خواهند شد.

در این آموزش، علاوه بر مباحث کلاسیک یادگیری ماشین در حوزه های یادگیری نظارت شده، یادگیری بدون نظارت و سیستم های توصیه گر، مفاهیم عمیق حوزه دیپ لرنینگ نیز مورد بررسی قرار خواهد گرفت.

پبشنهاد می شود جهت کسب اطلاعات بیشتر در رابطه با این دوره، جلسه ی معرفی دوره را مشاهده نمایید.

 

سرفصل های دوره : 

فصل1 : مفاهیم مقدماتی یادگیری ماشین
فصل2: یادگیری نظارت شده (Supervised Learning)
فصل3: یادگیری بدون نظارت (Unsupervised Learning)
فصل4: شبکه های عصبی مصنوعی (ANNs)

 



پیش نیاز های دوره :

  1. دانش عمومی ریاضی در سطح دبیرستان
  2. اشنایی نسبی با زبان برنامه نویسی پایتون

فهرستـــ ویدیوها

مدت زمان دوره 6:40:00
  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1
  • معرفی دوره

00:16:35

معرفی دوره

2
  • بررسی نقشه راه دوره و توضیحات تکمیلی

00:07:27

بررسی نقشه راه دوره و توضیحات تکمیلی

3
  • فصل اول - مفاهیم مقدماتی

00:19:41

فصل اول - مفاهیم مقدماتی

4
  • مبانی یادگیری ماشین

00:10:10

مفاهیم یادگیری ماشین

5
  • یادگیری نظارت شده

00:09:18

یادگیری نظارت شده

6
  • یادگیری بدون نظارت

00:12:04

یادگیری بدون نظارت

7
  • آشنایی با محیط برنامه نویسی

00:10:26

آشنایی با محیط برنامه نویسی

8
  • محیط مجازی و نصب پیشنیاز ها در env

00:10:45

محیط مجازی و نصب پیشنیاز ها در env

9
  • فصل دوم - یادگیری نظارت شده

00:03:34

فصل دوم - یادگیری نظارت شده

10
  • آشنایی با رگرسیون خطی

00:07:14

آشنایی با رگرسیون خطی

11
  • آشنایی با تابع هزینه

00:13:03

آشنایی با تابع هزینه

12
  • بهینه سازی به روش کاهش گرادیان

00:12:33

بهینه سازی به روش کاهش گرادیان

13
  • آشنایی با پارامتر نرخ یادگیری در بهینه سازی

00:10:13

نرخ یادگیری

14
  • توابع رگرسیون چند متغیره و چند جمله ای

00:07:27

توابع رگرسیون چند متغیره و چند جمله ای

15
  • آشنایی با فضای برداری

00:08:55

فضای برداری

16
  • تغییر مقیاس داده های ورودی مدل در پیش پردازش

00:12:57

تغییر مقیاس داده ها در پیش پردازش

17
  • نرخ یادگیری و منحنی یادگیری

00:09:16

نرخ یادگیری و منحنی یادگیری

18
  • آشنایی با مفهوم Feature Engineering

00:15:33

آشنایی با مفهوم Feature Engineering

19
  • پیاده سازی الگوریتم رگرسیون خطی

00:18:26

پیاده سازی الگوریتم رگرسیون خطی

20
  • آشنایی با مسائل دسته بندی

00:09:13

آشنایی با مسائل دسته بندی

21
  • رگرسیون منطقی (Logistic Regression)

00:11:40

رگرسیون منطقی

22
  • تابع هزینه در رگرسیون منطقی

00:14:13

تابع هزینه در رگرسیون منطقی

23
  • معرفی الگوریتم KNN

00:04:52

معرفی الگوریتم KNN

24
  • معرفی مفهوم بیش برازش

00:10:07

مفهوم بیش برازش

25
  • استفاده از Regularization در تابع هزینه

00:09:43

استفاده از Regularization در تابع هزینه

26
  • کار با ورودی های طبقه بندی شده در مدل

00:11:00

کار با ورودی های طبقه بندی شده در مدل

27
  • آشنایی با درخت تصمیم

00:06:51

آشنایی با درخت تصمیم

28
  • فرآیند یادگیری در Decision Tree

00:09:45

فرآیند یادگیری در Decision Tree

29
  • اندازه گیری Purity مدل درخت تصمیم

00:13:16

اندازه گیری Purity

30
  • معرفی Information Gain

00:05:56

معرفی Information Gain

31
  • درخت های رگرسیونی

00:04:18

درخت های رگرسیونی

32
  • آشنایی با یادگیری گروهی در ماشین لرنینگ

00:08:05

یادگیری گروهی در ماشین لرنینگ

33
  • معرفی روش نمونه برداری با جایگذاری

00:07:39

روش نمونه برداری با جایگذاری

34
  • الگوریتم جنگل تصادفی

00:08:27

الگوریتم جنگل تصادفی

35
  • الگوریتم Tree Boosting

00:05:25

الگوریتم Tree Boosting

36
  • روش ها و پارامترهای ارزیابی مدل های یادگیری ماشین

00:15:35

روش ها و پارامترهای ارزیابی مدل

37
  • پیاده سازی مدل های معرفی شده در پایتون - جلسه 1

00:28:52

پیاده سازی مدل های معرفی شده در پایتون - جلسه 1

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 .