آموزش یادگیری ماشین

چکیده آنچه که در دوره آموزش یادگیری ماشین (Machine Learning) خواهید آموخت اگر قصد دارید یک دوره یادگیری ماشین بگذرانید، کافی است کمی در اینترنت جستجو کنید. تعداد دوره‌ها اینقدر زیاد هستند که چندسالی لازم دارید تا از ابتدا تا مقطع قابل قبولی را طی کنید. شاید به ندرت دوره جامعی را پیدا کنید که این سه نکته را در اختیار شما بگذارد: 1. آموزش ریاضیات و تئوری الگوریتم‌ها در کنار پیاده‌سازی و کاربرد هر کدام از آن‌ها 2. توسعه و Deploy اپلیکشین‌های مبتنی بر Machine learning 3. امکان بهره‌گیری از روش‌های سریعتر یادگیری ماشین مانند Pycaret ما در این دوره، هم بر آموزش مفاهیم اصلی و نحوه کارکرد الگوریتم‌های یادگیری ماشین تاکید داریم هم بر نحوه استفاده از این الگوریتم‌ها در سطح کد به گونه‌ای که بتوانید در نهایت محصول خود را توسعه داده و به صورت اولیه، در بستر وب سرویس‌دهی کنید. دوره آموزش یادگیری ماشین (Machine Learning) مناسب چه کسانی است؟ • اگر جهت اجرای ایده خود نیاز به استفاده از الگوریتم های یادگیری ماشین دارید. • اگر بنیان‌گذار استارتاپ هستید و نیاز به استفاده از یادگیری ماشین در بهبود ایده استارتاپی خود دارید. • اگر قصد دارید تا محصول نهایی خود را Deploy نمایید. • اگر دانشجو یا محقق هستید و قصد دارید با تسلط بیشتر، چه از نظر تئوری و کدنویسی از یادگیری ماشین استفاده کنید. • اگر تمایل دارید تا در فرصت‌های شغلی با عنوان Machine learning Engineer یا Data Scientist در داخل یا خارج از ایران، امتیاز بیشتری را با توجه به تسلط در یادگیری ماشین اخد نمایید. بعد از فراگیری دوره آموزش یادگیری ماشین (Machine Learning)، چه مهارت‌هایی کسب خواهید کرد؟ بعد از گذراندن این دوره، قادر خواهید بود تا الگوریتم‌های یادگیری ماشین را بر روی داده‌های واقعی پیاده‌سازی و اجرا نمایید. یکی از نقاط قوت این دوره این است که در نهایت شما را به سمت تولید محصول مبتنی بر یادگیری ماشین راهنمایی می‌کند. • آشنایی کامل با ابزارهای یادگیری ماشین در پایتون • آشنایی کامل با کتابخانه (NumPy) • آشنایی کامل با کتابخانه (Pandas) • آموزش نحوه بصری‌سازی داده‌ها (Matplotlib & Seaborn) • پیاده‌سازی الگوریتم‌های یادگیری ماشین با استفاده از کتابخانه (Scikit-learn) • نحوه استفاده از Kaggle Kernel و Google Colab • نحوه Deploy نمودن مدل نهایی با استفاده از Streamlit • استفاده از روش‌های Automl و آموزش Pycaret ویژگی های متمایز دوره آموزش یادگیری ماشین (Machine Learning)، مکتب‌پلاس چیست؟ روش‌های آموزشی استفاده شده در دوره آموزش یادگیری ماشین (Machine Learning)، ویژگی‌های منحصر به فردی دارد که شما را نسبت به نتیجه‌ی نهایی حاصل از فراگیری دوره مطمئن خواهد کرد. این ویژگی‌ها به شرح ذیل است: • کدهای مربوط به الگوریتم‌های یادگیری ماشین، قدم به قدم با استفاده از کتابخانه‌های مربوطه توضیح داده می‌شود. • راه‌حل‌های استفاده از الگوریتم‌های یادگیری ماشین در مسایل تجاری بررسی شده و یک سیستم عملیاتی کامل جهت اجرا در وبسایت و اپلیکیشن شما ساخته می‌شود. • مراحل Deploy نمودن و توسعه محصول مبتنی بر یادگیری ماشین آموزش داده خواهد شد.

معرفی اجمالی دوره

چکیده آنچه که در دوره آموزش یادگیری ماشین (Machine Learning) خواهید آموخت اگر قصد دارید یک دوره یادگیری ماشین بگذرانید، کافی است کمی در اینترنت جستجو کنید. تعداد دوره‌ها اینقدر زیاد هستند که چندسالی لازم دارید تا از ابتدا تا مقطع قابل قبولی را طی کنید. شاید به ندرت دوره جامعی را پیدا کنید که این سه نکته را در اختیار شما بگذارد: 1. آموزش ریاضیات و تئوری الگوریتم‌ها در کنار پیاده‌سازی و کاربرد هر کدام از آن‌ها 2. توسعه و Deploy اپلیکشین‌های مبتنی بر Machine learning 3. امکان بهره‌گیری از روش‌های سریعتر یادگیری ماشین مانند Pycaret ما در این دوره، هم بر آموزش مفاهیم اصلی و نحوه کارکرد الگوریتم‌های یادگیری ماشین تاکید داریم هم بر نحوه استفاده از این الگوریتم‌ها در سطح کد به گونه‌ای که بتوانید در نهایت محصول خود را توسعه داده و به صورت اولیه، در بستر وب سرویس‌دهی کنید. دوره آموزش یادگیری ماشین (Machine Learning) مناسب چه کسانی است؟ • اگر جهت اجرای ایده خود نیاز به استفاده از الگوریتم های یادگیری ماشین دارید. • اگر بنیان‌گذار استارتاپ هستید و نیاز به استفاده از یادگیری ماشین در بهبود ایده استارتاپی خود دارید. • اگر قصد دارید تا محصول نهایی خود را Deploy نمایید. • اگر دانشجو یا محقق هستید و قصد دارید با تسلط بیشتر، چه از نظر تئوری و کدنویسی از یادگیری ماشین استفاده کنید. • اگر تمایل دارید تا در فرصت‌های شغلی با عنوان Machine learning Engineer یا Data Scientist در داخل یا خارج از ایران، امتیاز بیشتری را با توجه به تسلط در یادگیری ماشین اخد نمایید. بعد از فراگیری دوره آموزش یادگیری ماشین (Machine Learning)، چه مهارت‌هایی کسب خواهید کرد؟ بعد از گذراندن این دوره، قادر خواهید بود تا الگوریتم‌های یادگیری ماشین را بر روی داده‌های واقعی پیاده‌سازی و اجرا نمایید. یکی از نقاط قوت این دوره این است که در نهایت شما را به سمت تولید محصول مبتنی بر یادگیری ماشین راهنمایی می‌کند. • آشنایی کامل با ابزارهای یادگیری ماشین در پایتون • آشنایی کامل با کتابخانه (NumPy) • آشنایی کامل با کتابخانه (Pandas) • آموزش نحوه بصری‌سازی داده‌ها (Matplotlib & Seaborn) • پیاده‌سازی الگوریتم‌های یادگیری ماشین با استفاده از کتابخانه (Scikit-learn) • نحوه استفاده از Kaggle Kernel و Google Colab • نحوه Deploy نمودن مدل نهایی با استفاده از Streamlit • استفاده از روش‌های Automl و آموزش Pycaret ویژگی های متمایز دوره آموزش یادگیری ماشین (Machine Learning)، مکتب‌پلاس چیست؟ روش‌های آموزشی استفاده شده در دوره آموزش یادگیری ماشین (Machine Learning)، ویژگی‌های منحصر به فردی دارد که شما را نسبت به نتیجه‌ی نهایی حاصل از فراگیری دوره مطمئن خواهد کرد. این ویژگی‌ها به شرح ذیل است: • کدهای مربوط به الگوریتم‌های یادگیری ماشین، قدم به قدم با استفاده از کتابخانه‌های مربوطه توضیح داده می‌شود. • راه‌حل‌های استفاده از الگوریتم‌های یادگیری ماشین در مسایل تجاری بررسی شده و یک سیستم عملیاتی کامل جهت اجرا در وبسایت و اپلیکیشن شما ساخته می‌شود. • مراحل Deploy نمودن و توسعه محصول مبتنی بر یادگیری ماشین آموزش داده خواهد شد.

ویژگی‌های دوره

-گواهی‌نامه مکتب‌خونه -خدمات منتورینگ -پروژه محور -تمرین و آزمون -تالار گفتگو -تسهیل استخدام

فصول دوره

فصل اول: مقدمه
فصل دوم: کتابخانه‌های پیش نیاز پایتون
فصل سوم: نحوه بصری‌سازی در پایتون
فصل چهارم: رگرسیون خطی (Linear Regression)
فصل پنجم: رگرسیون خطی چندمتغیره (Multivariable Linear Regression)
فصل ششم: رگرسیون لجستیک (Logistic Regression)
فصل هفتم : پیش‌‎پردازش داده‌ها
فصل هشتم : مفاهیم مهم در درک یادگیری‌ماشین
فصل نهم : نزدیکترین همسایه (KNN)
فصل دهم : تئوری بیز ساده (Naïve Bayes)
فصل یازدهم : شبکه‌های عصبی مصنوعی (Artificial Neural Network)
فصل دوازدهم : ماشین بردار پشتیبان (SVM)
فصل سیزدهم : درخت تصمیم (Decision Tree)
فصل چهاردهم : یادگیری جمعی (Ensemble Learning)
فصل پانزدهم : XGBoost
فصل شانزدهم : خوشه‌بندی (Clustering)
فصل هفدهم : کاهش ابعاد (Dimensionality Reduction)
فصل هجدهم: ساخت WebApp مبتنی بر یادگیری ماشین
فصل نوزدهم : آموزش Pycaret
فصل بیستم : جمع‌بندی و پروژه نهایی;

معرفی مدرس

محمد منثوری- سهیل تهرانی‌پور
محمد منثوری دکتر محمد منثوری، متولد سال ۱۳۶۲ شهرستان خوی آذربایجان غربی، دانش آموخته مهندسی برق ورودی سال ۱۳۸۰ دانشگاه شیراز است. ایشان پس از گذراندن دوره کارشناسی با درجه عالی، دوره کارشناسی ارشد خود را در دانشگاه خواجه نصیر الدین طوسی و در رشته مهندسی برق گرایش کنترل گذراند و در نهایت مدرک دکتری تخصصی (PhD) خود را در سال ۱۳۹۴ از دانشگاه خواجه نصیر الدین طوسی اخذ نمود. در زمینه فعالیت‌های کاری ایشان، می‌توان به حضور چندین ساله به عنوان مشاور فنی در شرکت‌های مختلفی از قبیل آسیاتک، صنایع الکترونیک شیراز، پژوهشکده دریایی دانشگاه امام حسین (ع) و شرکت محک توان انرژی اشاره نمود. همچنین راه اندازی اولین روبات در رستوران روباتیکی از جمله فعالیت‌های ایشان در حوزه صنعت است. سهیل تهرانی‌پور سهیل تهرانی‌پور، دانش آموخته رشته کامپیوتر ورودی سال ۱۳۸۶ دانشگاه خواجه نصیر الدین طوسی است. وی دوره کارشناسی ارشد خود را در رشته هوش مصنوعی و رباتیک طی نموده و دانشجوی سال پایانی دکتری (PhD) رشته هوش مصنوعی است. ایشان بیش از 5 سال، سابقه برگزاری دوره‌های آموزشی یادگیری ماشین، یادگیری عمیق و دیتاساینس را در سازمان‌های بزرگی مانند وزارت نفت، همراه اول و شرکت مخابرات ایران در کارنامه خود دارد. ایشان هم اکنون مدیرعامل و عضو هیئت مدیره شرکت ساعیان ارتباط است که در حوزه مخابرات نسل جدید و ارائه راهکارهای هوش‌مصنوعی در صنعت مخابرات فعال است.

پیش‌نیازها

برای بهره‌بردن از مزایای آموزشی این دوره، باید ابتدا تسلط کافی به زبان برنامه‌نویسی پایتون داشته باشید. اگر با زبان برنامه‌نویسی پایتون آشنا نیستید لطفاً زمانی را جهت آموزش آن اختصاص دهید تا این دوره را با سرعت و تسلط بیشتری ادامه بدهیم. یکی از دلایل اصلی جهت انتخاب پایتون برای پیاده‌سازی الگوریتم‌های یادگیری ماشین، وجود طیف گسترده‌ای از کتابخانه‌ها و پکیج‌های مختلف می‌باشد. لازم به ذکر است ما تمامی کدهای این دوره را در Jupyter Notebook اجرا و آموزش خواهیم داد. البته در بخش مقدمه نحوه نصب و راه اندازی آموزش داده شده است.

روش ارزیابی و نمره‌دهی

حد نصاب قبولی در دوره: 75.0 نمره فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

نمونه گواهینامه

منبع: جاب ویژن
جاب ویژن
415,650 تومان
دریافت فایل
چهارشنبه 19 اردیبهشت 1403، ساعت 16:33