- مدرس دوره : قائم تقی پور ( رزومه )
- تعداد ویدیوها : 71 ویدیو
- مدت زمان دوره : 12:15:00
- سطح دوره : مقدماتی
- وضعیت دوره : در حال برگزاری
- تاریخ آخرین بروزرسانی : 1403/06/17
![آموزش جامع مبانی هوش مصنوعی دوره تخصصی یادگیری ماشین](/img/course/آموزش-جامع-مبانی-هوش-مصنوعی-دوره-تخصصی-یادگیری-ماشین.jpg)
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 :
- دانش عمومی ریاضی در سطح دبیرستان
- اشنایی نسبی با زبان برنامه نویسی پایتون
فهرستـــ ویدیوها
مدت زمان دوره 12:15:00با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.
پیاده سازی مدل های معرفی شده در پایتون - جلسه 1
پیاده سازی مدل های معرفی شده در پایتون - جلسه 1
پیاده سازی مدل های معرفی شده در پایتون - جلسه 2
پیاده سازی مدل های معرفی شده در پایتون - جلسه 2
تشخیص ناهنجاری ها با استفاده از یادگیری بدون نظارت
تشخیص ناهنجاری ها با یادگیری بدون نظارت
معرفی سیستم User-Based Collaborative Filtering - جلسه 1
معرفی سیستم User-Based Collaborative Filtering - جلسه 1
معرفی سیستم User-Based Collaborative Filtering - جلسه 2
معرفی سیستم User-Based Collaborative Filtering - جلسه 2
کاربرد Mean normalization در سیستم Collaborative Filtering
کاربرد Mean normalization در سیستم Collaborative Filtering
معرفی و مقایسه فضاهای اسکالر، بردار، ماتریس و تانسور
معرفی فضاهای اسکالر، بردار، ماتریس و تانسور
پیاده سازی مسائل رگرسیون در تنسورفلو - جلسه 1
پیاده سازی مسائل رگرسیون در تنسورفلو - جلسه 1
پیاده سازی مسائل رگرسیون در تنسورفلو - جلسه 2
پیاده سازی مسائل رگرسیون در تنسورفلو - جلسه 2
مقایسه روش های multi-class و multi-label در مسائل دسته بندی
مقایسه دسته بندی با روش های multi-class و multi-label
نظرات کاربران در رابطه با این دوره