دوره‌ مستقلمحتوای آفلاین

یادگیری ماشین

مدرس وحید محمدزاده
آخرین بروزرسانی ۸ دی ۱۴۰۴
۰ دیدگاه

یکی از وجوه تمایز بین تحلیلگران داده و دانشمندان داده، درک عمیق از پشت پرده الگوریتم ها و قابلیت ایجاد تغییر و بهبود عملکرد آنها، با شناخت ریاضیات آنهاست. این دوره آموزشی، به معرفی مفاهیم و الگوریتم های اصلی حوزه یادگیری ماشین می‌پردازد. درواقع شما در این دوره مبانی و تئوری تکنیکهای مختلف یادگیری ماشین را آموخته و با الگوریتمهای متعددی که برای هر روش وجود دارد آشنا می شوید. هدف اصلی برگزاری این دوره ایجاد یک تسلط نسبی بر مبانی ریاضی الگوریتمها  و روشهای پیاده سازی و کاربرد آنها  در محیط Python می باشد.

دوره غیرحضوری یادگیری ماشین چطور برگزار می شود؟

محتوای ویدئویی: در دوره غیرحضوری، تمامی محتوا و متریال آموزشی (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

سرویس منتورینگ: اما ویدئوها فقط بخشی از محتوا هستند. مجموعه دایکه به ازای محتوای ارائه شده در هر هفته، یک جلسه آنلاین دو ساعته، نیز در قالب سرویس منتورینگ برای شما در نظر می گیرد که عموما در یکی از روزهای شنبه تا چهارشنبه و خارج از تایم اداری تنظیم می شود. شما می توانید پس از مشاهده ویدئوی کلاس، هرگونه سوال و ابهام خود را در سرویس منتورینگ با مدرس آن دوره مطرح کرده و بصورت مستقیم با مدرس تعامل داشته باشید.

ضمن اینکه مدرسین هم می توانند در قالب این سرویس، از وضعیت مخاطبین غیرحضوری مطلع شده و تسک ها و تمرینهای ارائه شده را پیگیری کنند.

گروه پشتیبانی تلگرامی: برای هر دوره از مسیرهای درحال اجرا گروه تلگرامی خواهیم داشت که تمام شرکت کنندگان دوره های غیرحضوری در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای مسیر، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان غیرحضوری گواهینامه ارائه می شود؟

گواهینامه ارائه شده به زبان انگلیسی بوده و قابلیت استعلام آنلاین و اشترک گذاری در شبکه های اجتماعی دارد.

 

دوره آفلاین یادگیری ماشین چطور برگزار می شود؟

محتوای ویدئویی: در دوره آفلاین، تمامی محتوا و متریال آموزشی ارائه شده (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

گروه پشتیبانی تلگرامی: تمام شرکت کنندگان دوره های آفلاین در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای دوره ها، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان آفلاین گواهینامه ارائه می شود؟

دوره های آفلاین، شامل صدور گواهینامه نمی شوند.

هفته اول
مفاهیم و مقدمات
۱:۰۵:۴۹
مقدمه ای بر یادگیری ماشین
پخش رایگان ۲۰:۴۴
دسته بندی کلی الگوریتم ها
پخش رایگان ۲۵:۳۶
دسته بندی بر اساس کاربردها
پخش رایگان ۱۴:۲۷
معرفی دوره پیش رو
پخش رایگان ۰۵:۰۲
مفاهیم پایه و تئوری
۱:۵۶:۱۰
مروری بر ریاضیات جبر خطی
۴۸:۲۳
تئوری بهینه سازی و روشهای آن
۰۴:۵۷
مروری بر تئوری احتمالات
۱:۰۲:۵۰
هفته دوم
رگرسیون Regression – بخش اول
۲:۴۱:۳۰
مقدمه
۰۸:۴۱
مبانی رگرسیون خطی
۳۵:۱۹
پیاده سازی رگرسیون خطی در پایتون
۴۲:۴۵
مبانی رگرسیون غیرخطی
۳۱:۰۶
پیاده سازی رگرسیون غیرخطی در پایتون
۴۳:۳۹
هفته سوم
مدل‌های دسته‌بند احتمالاتی – بخش اول
۲:۲۷:۲۶
مقدمه ای بر مدل‌های احتمالاتی
۳۴:۴۴
مدل‌های احتمالاتی مولد
۱:۰۴:۰۷
مدل‌های احتمالاتی جداکننده
۱۴:۵۵
پیاده سازی مدل‌های مولد در پایتون
۲۲:۳۵
پیاده سازی مدل‌های جداکننده در پایتون
۱۱:۰۵
رگرسیون Regression – بخش دوم
۲:۲۶:۰۲
مبانی رگرسیون مقاوم
۲۵:۲۷
پیاده سازی رگرسیون مقاوم در پایتون
۲۱:۳۲
تنظیم مدل رگرسیون
۵۳:۱۲
تنظیم مدل رگرسیون در پایتون
۴۵:۵۱
هفته چهارم
پروژه عملی
۴۶:۵۵
پروژه نمونه در مبحث رگرسیون
۴۶:۵۵
بارگذاری پروژه رگرسیون
مدل‌های دسته‌بند احتمالاتی – بخش دوم
۱:۳۲:۰۱
آنالیز ریسک در مدل‌های احتمالاتی
۱۳:۳۵
پیاده سازی آنالیز ریسک در پایتون
۰۶:۴۹
مدل‌های غیرپارامتریک
۵۰:۵۵
پیاده سازی مدل‌های غیرپارامتریک در پایتون
۲۰:۴۲
هفته پنجم
مقدمه ای بر دسته بندی
۰۷:۳۴
مرور کلی بر مبحث دسته بندی
۰۷:۳۴
مدل‌های دسته‌بند خطی
۱:۴۷:۱۲
روش پرسپترون و حداقل مربعات
۱:۰۰:۲۹
روش آنالیز خطی فیشر
۱۹:۴۳
پیاده سازی روش پرسپترون و حداقل مربعات در پایتون
۱۷:۴۳
پیاده سازی آنالیز خطی فیشر در پایتون
۰۹:۱۷
پروژه عملی
۱۳:۵۳
پروژه نمونه مبحث دسته بندی
۱۳:۵۳
بارگذاری پروژه دسته بندی
هفته ششم
مدل ماشین بردار پشتیبان SVM
۱:۳۰:۱۴
مقدمه ای بر SVM
۱۸:۵۶
بهینه سازی مقید
۲۳:۵۷
کاربرد SVM در طبقه بندی
۲۰:۳۱
پیاده سازی SVM-Classification در پایتون
۰۷:۳۶
کاربرد SVM در رگرسیون
۰۸:۰۸
پیاده سازی SVM-Regression در پایتون
۱۱:۰۶
پروژه عملی
۱۰:۲۷
پروژه نمونه اول: SVM در رگرسیون
۰۵:۰۴
پروژه نمونه دوم: SVM در طبقه بندی
۰۵:۲۳
بارگذاری پروژه تمرینی SVM
هفته هفتم
شبکه‌های عصبی مصنوعی
۳:۰۱:۴۳
مقدمه ای بر شبکه عصبی
۲۶:۴۶
ساختار شبکه‌های عصبی
۲۷:۱۵
بهینه‌سازی مبتنی بر مشتق
۵۵:۵۷
گرادیان نزولی Gradient Descent
۲۳:۲۴
مفهوم Back Propagation
۲۲:۰۷
شبکه‌های عصبی باور عمیق
۱۱:۱۰
پیاده‌سازی دسته بندی با شبکه عصبی در پایتون
۰۷:۳۵
پیاده‌سازی رگرسیون با شبکه عصبی در پایتون
۰۷:۲۹
پروژه عملی
۲۷:۰۱
پروژه نمونه اول: شبکه عصبی در دسته بندی
۲۱:۱۴
پروژه نمونه دوم: شبکه عصبی در رگرسیون
۰۵:۴۷
بارگذاری پروژه شبکه عصبی
هفته هشتم
درخت تصمیم گیری
۱:۵۲:۳۷
مقدمه ای بر درخت تصمیم
۲۵:۴۶
شاخه بندی – Splitting
۰۹:۱۸
ضریب جینی – Gini Index
۱۷:۰۱
آنتروپی – Entropy
۰۸:۴۹
خطای دسته بندی
۱۲:۴۲
مزیت ها و معایب درخت تصمیم
۱۹:۰۴
هرس کردن درخت تصمیم
۱۵:۲۰
کاربرد درخت تصمیم در رگرسیون
۰۴:۳۷
پروژه عملی
۱۸:۲۳
پروژه نمونه اول: درخت تصمیم در دسته بندی
۱۴:۱۸
پروژه نمونه دوم: درخت تصمیم در رگرسیون
۰۴:۰۵
بارگذاری پروژه درخت تصمیم
هفته نهم
مهندسی ویژگی Feature Engineering
۱:۴۴:۰۴
پیاده سازی PCA در پایتون
۱۱:۵۲
کاهش ابعاد به روش PCA
۲۹:۳۷
مفهوم و کاربرد Autoencoder ها
۱۸:۱۴
پیاده سازی Autoencoders در پایتون
۰۶:۱۷
بارگذاری پروژه مهندسی ویژگی
مقدمه ای بر مهندسی ویژگی
۳۸:۰۴
خوشه بندی Clustering
۲:۴۸:۳۹
مقدمه ای بر خوشه بندی
۲۹:۵۰
معیارهای سنجش فاصله
۳۵:۱۸
محاسبه فاصله
۱۱:۱۴
خوشه بندی مبتنی بر افراز فضا
۳۴:۳۵
خوشه بندی سلسله مراتبی
۲۲:۱۰
خوشه بندی مبتنی بر چگالی DB-Scan
۱۹:۲۸
پیاده‌سازی خوشه بندی در پایتون
۱۶:۰۴
بارگذاری پروژه خوشه‌بندی
هفته دهم
مباحث تکمیلی
۳:۲۵:۳۰
مقدمه ای بر مباحث تکمیلی
۲۰:۳۲
تنظیم سازی L۲
۲۷:۴۲
تنظیم سازی L۱
۰۹:۴۱
افزایش داده ها – Data Augmentation
۲۲:۴۱
تقویت هایپر پارامترها
۱۷:۳۸
مدل ترکیبی Bagging
۳۴:۳۹
مدل ترکیبی Boosting
۲۶:۵۲
ارزیابی مدل
۱۷:۱۷
تقویت هایپر پارامترها در پایتون
۱۰:۵۷
اجرای مدل Bagging در پایتون
۱۰:۲۰
اجرای مدل Boosting در پایتون
۰۷:۱۱
دکتر وحید محمدزاده

دیتاساینتیست در دایکه و شرکت ولوو سوئد
دکترای برق گرایش کنترل . فارغ‌التحصیل از دانشگاه خواجه نصیر

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می‌نویسد.

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این دوره بخشی از گام مهارتی زیر است

مسیر دانشمند داده
۵۲ هفته
مدرس ها

محمد روزبه و ...

۱۴ دیدگاه

امتیاز 4.36 از 5

مسیر دانشمند داده

تشکیل شده از ۷ دوره مهارتی

گزینه‌های ثبت‌نام

یادگیری ماشین

در حال ثبت نام

در حال ثبت نام

  • *انتخاب روش برگزاری کلاس

ویژگی

2
پیش‌نیاز
درخواست مشاوره رایگان ×

    Call Center
    سبد خرید شما
    هیچ محصولی در سبد خرید نیست.

    ورود به حساب کاربری

    ساخت حساب کاربری