,
مجموعه جامع داده کاوی و یادگیری ماشین با پایتون
تعداد 264 نفر تا کنون این محصول را خریداری کرده اند.

ریال1440000

این مجموعه آموزشی شامل مباحث آموزش برنامه نویسی پایتون از سطح مقدماتی تا سطح متوسط، مباحث داده کاوی، آماری و کار با داده ها، آشنایی و به کارگیری روش های یادگیری ماشین و در نهایت بحث یادگیری عمیق و شبکه های عصبی می باشد. با تکیه بر توضیح مباحث اساسی و مهم در این حوزه ها، در این مجموعه تمامی مباحث همراه با مثال ها و پروژه های عملی و کاربردی ارایه می شود که به علاقه مندان این امکان را می دهد تا بتوانند به صورت تخصصی و با نگاه شغلی آموزش را دنبال کنند. در واقع در این مجموعه سعی کرده ایم به جای بیان توضیحات اضافی و غیر سازنده، از مثال ها و پروژه های فراوان در حوزه های مختلف از پزشکی گرفته تا بازار سرمایه استفاده کنیم، تا بتوانید روش های یادگیری ماشین و داده کاوی را بدون مشکل در هر حوزه ای که فعالیت می کنید به کار ببندید و از این حرکت عظیم صنایع مختلف به سمت هوش مصنوعی جا نمانید. شاید بتوان گفت، این مجموعه اولین و تنها مجموعه آموزشی جامع و کامل در حوزه هوش مصنوعی است که می تواند شما را در انجام پروژه های تحصیلی و کاری خود یاری کند.

 

توضیحات

** جدید ** دانلود اسلاید مجموعه به صورت رایگان از اینجا

نکات مهم

مدت زمان مجموعه حدود 18 ساعت و حجم مجموعه حدود 2.7 گیگابایت می باشد، که برای دانلود آسان در 6 فایل فشرده مجزا گنجانده شده است. برای خرید مجموعه لازم است تا ابتدا عضو سایت شوید. پس از خرید لینک های دانلود به ایمیل شما ارسال می شود و همچنین از طریق پنل کاربری خود در سایت می توانید به لینک های دانلود هر زمان که نیاز داشتید دسترسی داشته باشید. به منظور دانلود فایل ها حتما لازم است که در سایت وارد شده باشید. در صورت هرگونه مشکل یا ابهام با شماره 09109214110 تماس حاصل فرمایید.

 

مجموعه جامع یادگیری ماشین و داده کاوی با پایتون

در این مجموعه به شما آموزش داده خواهد شد که چگونه می توانید از زبان پایتون و ماژول های پرکاربرد آن برای اعمال انواع روش های یادگیری ماشین و داده کاوی روی انواع داده ها استفاده کنید. بنابراین ابتدا مفاهیم اساسی یادگیری ماشین و داده کاوی با زبانی ساده توضیح داده خواهد شد به صورتی که نحوه عملکرد هر روش و مفهوم آن جا بیفتد؛ و سپس از کتابخانه های معروف برای اعمال این روش ها روی داده ها استفاده خواهیم کرد.

این مجموعه آموزشی شامل مباحث آموزش برنامه نویسی پایتون از سطح مقدماتی تا سطح متوسط، مباحث داده کاوی، آماری و کار با داده ها، آشنایی و به کارگیری روش های یادگیری ماشین و در نهایت بحث یادگیری عمیق و شبکه های عصبی می باشد. با تکیه بر توضیح مباحث اساسی و مهم در این حوزه ها، در این مجموعه تمامی مباحث همراه با مثال ها و پروژه های عملی و کاربردی ارایه می شود که به علاقه مندان این امکان را می دهد تا بتوانند به صورت تخصصی و با نگاه شغلی آموزش را دنبال کنند. در واقع در این مجموعه سعی کرده ایم به جای بیان توضیحات اضافی و غیر سازنده، از مثال ها و پروژه های فراوان در حوزه های مختلف از پزشکی گرفته تا بازار سرمایه استفاده کنیم، تا بتوانید روش های یادگیری ماشین و داده کاوی را بدون مشکل در هر حوزه ای که فعالیت می کنید به کار ببندید و از این حرکت عظیم صنایع مختلف به سمت هوش مصنوعی جا نمانید. شاید بتوان گفت، این مجموعه اولین و تنها مجموعه آموزشی جامع و کامل در حوزه هوش مصنوعی است که می تواند شما را در انجام پروژه های تحصیلی و کاری خود یاری کند.

 

درباره مدرس

مدرس این دوره مهندس میلاد شیری می باشد که فعالیت های بسیاری چه در زمینه های تحقیقاتی و چه تجاری داشته است. ایشان فارغ التحصیل ارشد مهندسی پزشکی (برق- بیوالکتریک و الکترونیک) از دانشگاه علم و صنعت تهران می باشد، و هم اکنون به عنوان برنامه نویس حرفه ای پایتون فعالیت می کند. همچنین دوره های متعددی در زمینه داده کاوی و یادگیری ماشین برگزار کرده است که ماحصل این دوره ها به صورت این “مجموعه جامع یادگیری ماشین و داده کاوی با پایتون” در آمده است.

 

این مجموعه مناسب چه رشته هایی است ؟

از آنجایی که هوش مصنوعی و یادگیری ماشین به سرعت در تمامی حوزه ها در حال گسترش است، اخیرا داده کاوی و کار با داده یکی از توانایی های کارجویان محسوب می شود، که منجر به جذب آن ها در حوزه های مختلف، مخصوصا برای موقعیت های شغلی و تحصیلی خارج از کشور،می شود. به همین خاطر، این مجموعه شامل مثال ها و پروژه های مختلف در حوزه های مختلف است تا بتواند علاقه مندان را برای ورود به بازار و مقاطع تحصیلی بالاتر چه در رشته های فنی و مهندسی و چه در رشته های نظری به خوبی آماده کند.

 

آیا این مجموعه پیش نیاز می خواهد؟

یکی از مهمترین نگرانی های علاقه مندان این است که آیا با اطلاعاتی که دارند می توانند مباحث سطح بالایی مثل هوش مصنوعی و یا برنامه نویسی را دنبال کننده یا خیر. باید تاکید کنم چون طی دوره های مختلف و ساعت ها تدریس با دانشجویان مختلف در تمامی سطوح و رشته ها در ارتباط بوده ام، چارچوب درس و نحوه توضیح دادن درس به صورتی است که بتوانند مطالب را بدون نگرانی دنبال کنند و تمامی مباحث را به صورت کامل جذب کنند.

از آنجایی که این مجموعه برای رنج گسترده ای از علاقه مندان در حوزه های مختلف تهیه شده است، در تمامی مباحث از مقدمات شروع می کنیم و تا سطوح پیشرفته پیش خواهیم رفت. بنابراین اگر تا به حال هیچ برنامه ای ننوشته اید یا با زبان پایتون آشنا نیستید نگران نباشید، چون برنامه نویسی پایتون را از مباحث مقدماتی شروع می کنیم و تا سطوح پیشرفته تر مثل شی گرایی آموزش داده خواهد شد. این مطلب در مورد مباحث یادگیری ماشین هم صدق می کند. اگر ریاضیات شما ضعیف است و یا هیچ آشنایی با یادگیری ماشین ندارید، هیچ مانعی برای شما وجود ندارد. تمامی مباحث با زبان بسیار ساده و واضح برای شما توضیح داده می شود.

 

چرا یادگیری ماشین با پایتون؟

اگر اخیرا به دنبال موقعیت تحصیلی و یا کاری در سایت های خارجی گشته اید، حتما متوجه شده اید که در اکثر رشته ها و حوزه های درج شده، به خصوص در حوزه برنامه نویسی و یادگیری ماشین، آشنایی با زبان برنامه نویسی پایتون به عنوان مهارت مهم عنوان شده است. مضاف بر آن، اغلب ذکر می شود که آشنایی و تجربه در حوزه یادگیری ماشین یه نقطه مثبت در ارزیابی شما محسوب می شود.

طبق گزارشی که سایت بسیار پرطرفدار برنامه نویسان یعنی stackoverflow در ابتدای سال 2019 ارایه داد، پایتون به عنوان محبوب ترین و پراستفاده ترین زبان برنامه نویسی اعلام شده است. همچنین سایت github زبان پایتون را به عنوان بهترین زبان برای حوزه هوش مصنوعی و داده کاوی معرفی کرده است که بیشتر پروژه های تعریف شده مبتنی بر آن است. مهمتر از همه طبق گزارش indeed ، سایت بسیار معروف برای افراد جویای کار، اعلام شده است که برنامه نویسان پایتون به خصوص در حوزه هوش مصنوعی و داده کاوی از جمله پردرآمدترین ها محسوب می شوند.

لینک های مرتبط :

https://octoverse.github.com/2017/

https://insights.stackoverflow.com/survey/2019#most-popular-technologies

 

 

مباحث دوره به تفصیل

فصل اول – برنامه نویسی پایتون

  • چارچوب و کلیات مجموعه ، تعاریف اولیه هوش مصنوعی و داده کاوی
  • نصب پایتون، ریاضیات در پایتون، تعریف متغیر، حلقه ها و شرط ها
  • کار با داده لیست و متن، مثال مقدماتی پایتون
  • تابع در پایتون، کلاس و مفاهیم شی گرایی
  • مثال جامع و پیشرفته در پایتون

 

 

 

فصل دوم – مباحث آماری و ریاضی مهم در داده کاوی

  • ماتریس در پایتون با ماژول numpy، توزیع های احتمالی، نمودارهای پرکاربرد
  • مثال تحلیل نمرات دانش آموزان، استفاده ازnumpy و ابزارهای ترسیم
  • بررسی IDE های مختلف (محیط های برنامه نویسی، اسپایدر، pycharm، ژوپیتر، آناکوندا…)
  • کواریانس، کورلیشن، احتمالات ساده و شرطی، مثال تحلیل خریداران و بازدید کننده های سایت
  • معرفی ماژول pandas و کار با دیتافریم های آن
  • سیستم های پیشنهاد دهنده، پروژه پیشنهاد دهنده فیلم به کاربر

 

 

فصل سوم – یادگیری ماشین، قسمت اول

  • آشنایی با یادگیری ماشین و انواع روش های آن (کلاس بندی، خوشه بندی، رگرسیون، کاهش بعد … )
  • کلاس بندی با روش بیزساده (naïve bayes)، پروژه دسته بندی ایمیل ها به اسپم و سالم
  • خوشه بندی با روش K-Means، مثال کلاسترینگ دانش آموزان کلاس، مثال تفکیک افراد براساس ویژگی های فیزیولوژی آن ها
  • کلاس بندی با روش KNN ،کلاس بندی با روش SVM، پروژه دسته بندی افراد به بیمار قلبی و سالم

 

 

 

فصل چهارم – یادگیری ماشین، قسمت دوم

  • رگرسیون خطی ، مثال پیش بینی قسمت سهام، پروژه تخمین قیمت خودرو براساس مشخصات آن
  • کلاس بندی با logistic regression، مثال دسته بندی تصاویر دیتاست معروف mnist fashion
  • کاهش بعد به روش PCA، اعمال pca روی دیتاست mnist fashion
  • کاهش بعد به روش ICA، مثال جدسازی قسمت های مرتبط مغز براساس تصاویر fMRI
  • کلاس بندی با درخت تصمیم گیری، مثال استخدام افراد براساس مشخصات آن ها، رگرسیون با رندوم فارست (random forest)، مثال تخمین دما با رندوم فارست
  • پارامترهای ارزیابی کلاس بندی

 

 

فصل پنجم – شبکه های عصبی

  • تشریح شبکه های عصبی و مفاهیم آن
  • مباحث تکمیلی شبکه های عصبی، نصب تنسورفلو و keras
  • پروژه تشخیص تومور خوش خیم و بد خیم با استفاده از شبکه عصبی mlp
  • مثال کلاس بندی اعداد دیتاست معروف mnist با شبکه عصبی
  • استفاده از شبکه عصبی برای رگرسیون، مثال تخمین میزان مصرف سوخت خودرو براساس مشخصات آن با شبکه عصبی، پروژه قیمت گذاری خانه براساس مشخصات خانه با شبکه عصبی
  • دسترسی به ضرایب شبکه، آشنایی با تنسوربورد برای نمایش شبکه

 

 

فصل ششم – یادگیری عمیق

  • شبکه های عصبی کانولوشنال ( CNN)
  • مثال کلاسبندی تصاویر با استفاده از CNN
  • شبکه های عصبی بازگشتی، شبکه های LSTM
  • مثال تخمین تعداد پرواز ها با LSTM
  • شبکه های مولد تخاصمی (GAN)
  • مثال تولید اعداد با شبکه های GAN