دوره‌ مستقلمحتوای آفلاین

یادگیری ماشین

مدرس وحید محمدزاده
آخرین بروزرسانی ۱۳ شهریور ۱۴۰۵
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 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 رایگان۲۰:۴۴
دسته بندی کلی الگوریتم ها
پخش رایگان۲۵:۳۶
دسته بندی بر اساس کاربردها
پخش رایگان۱۴:۲۷
معرفی دوره پیش رو
پخش رایگان۰۵:۰۲
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 *

Prove your humanity: 7   +   8   =  

سوال یا ابهامی دارید؟ برای مشاوره رایگان با ما در ارتباط باشید:

گزینه‌های ثبت‌نام

یادگیری ماشین

ثبت نام به پایان رسید

ثبت نام به پایان رسید

درخواست مشاوره رایگان ×


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

    ورود به حساب کاربری

    ساخت حساب کاربری

    Prove your humanity: 3   +   3   =