آخرین جشنواره شگفت انگیز سال، ۳۵ درصد تخفیف به همراه هدیه ۴ میلیون تومانی 👈 (کلیک کنید)
۰ ثانیه
۰ دقیقه
۰ ساعت
متخصص یادگیری ماشین و علم داده (2024)

متخصص یادگیری ماشین و علم داده

طول دوره ۵۰ ساعت آموزش
پشتیبانی ۱۲ ماهه در جامعه برنامه‌نویسی سون‌لرن
مسعود کاویانی
مدرس: مسعود کاویانی دانشمند ارشد داده فیلیمو/آپارات ...
متخصص یادگیری ماشین و علم داده (2024) متخصص یادگیری ماشین و علم داده به جامعه متخصصین سون‌لرن بپیوندید...

آشنایی با دوره متخصص یادگیری ماشین و علم داده (2024)

داده کاوی و یادگیری ماشین زمانی جذاب است که شما یک تحلیل‌گر داده حرفه‌ای باشید و نه فقط در آرزوی انجام آن. اگر می‌خواهید‌ از الان تا آینده خیال‌تان را بابت داشتن یک شغل خوب و خوش‌درآمد در هرجای جهان راحت کنید و با خیال آسوده پیر شوید، یادگیری داده کاوی و ماشین لرنینگ همان مهارتی‌ست که جادوگرها در گوی آینده‌نمای خود می‌بینند. آموزش پایتون برای داده‌کاوی چیزی‌ست که بلندپروازها و افراد جسور نمی‌توانند در برابر یادگیری آن مقاومت کنند. حالا که در انتخاب این حوزه جسارت لازم را دارید، بهتر است ادامه راه را هم بررسی کنیم و ببینیم چه مسیر مطمئنی برای یادگیری علم داده با پایتون در پیش‌رو داریم.

دوره‌ متخصص یادگیری ماشین و علم داده با هدف تدریس تمامی مباحث و سرفصل‌های لازم برای تسلط و آمادگی دانشجویان جهت ورود به بازار کار ارائه شده است. در این دوره‌‌ کامل‌ترین سرفصل‌های پایتون برای داده کاوی به صورت غیرحضوری تدریس می‌شود و دانشجویان پس از مشاهده جلسات امکان پرسش و پاسخ، رفع اشکال، انجام تمرین، انجام آزمون‌های مقطعی و رتبه‌بندی خواهند داشت.
 

در صورت تهیه این دوره، دوره‌های پایتون مقدماتی و آمار کاربردی به شما هدیه داده می‌شود.

نمایش بیشتر
سرفصل‌های دوره
مقدمات و مفاهیم پایه ۷ جلسه
  • جلسه اول علم داده و یادگیری ماشین چیست؟ ۱۱ دقیقه
  • جلسه دوم کاربردهای علم‌داده و یادگیری ماشین در صنعت - قسمت اول ۱۱ دقیقه
  • جلسه سوم کاربردهای علم‌داده و یادگیری ماشین در صنعت - قسمت دوم ۹ دقیقه
  • جلسه چهارم تفاوت هوش‌مصنوعی، علم داده، داده‌کاوی و یادگیری ماشین ۱۰ دقیقه
  • جلسه پنجم زبان‌های برنامه‌نویسی در حوزه‌ی علم داده و یادگیری ماشین ۱۱ دقیقه
  • جلسه ششم نرم‌افزارهای حوزه‌ی علم داده و یادگیری ماشین ۵ دقیقه
  • جلسه هفتم روش کریسپ (CRISP) برای انجام پروژه‌های داده‌کاوی ۹ دقیقه
نصب پایتون و محیط عملیاتی ۳ جلسه
  • جلسه اول نصب پایتون به همراه آناکوندا ۱۰ دقیقه
  • جلسه دوم کار با ژوپیتر نوت‌بوک (Jupyter Notebook) در پایتون ۱۷ دقیقه
  • جلسه سوم نرم‌افزارهای کاربردی برای کدنویسی پایتون ۷ دقیقه
مقدمات جبرخطی و جبررابطه‌ای در پایتون ۱۳ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم مقدمات جبر خطی و فضای برداری - قسمت اول ۷ دقیقه
  • جلسه سوم مقدمات جبر خطی و فضای برداری - قسمت دوم ۱۰ دقیقه
  • جلسه چهارم کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت اول ۱۱ دقیقه
  • جلسه پنجم کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت دوم ۱۹ دقیقه
  • جلسه ششم کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت سوم ۱۲ دقیقه
  • جلسه هفتم کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت چهارم ۱۰ دقیقه
  • جلسه هشتم کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت پنجم ۵ دقیقه
  • جلسه نهم کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت ششم ۱۳ دقیقه
  • جلسه دهم کتابخانه‌ی Pandas و جبر رابطه‌ای در پایتون - قسمت اول ۱۳ دقیقه
  • جلسه یازدهم کتابخانه‌ی Pandas و جبر رابطه‌ای در پایتون - قسمت دوم ۱۷ دقیقه
  • جلسه دوازدهم کتابخانه‌ی Pandas (مثال عملی داده‌های املاک ملبورن) - قسمت اول ۱۱ دقیقه
  • جلسه سیزدهم کتابخانه‌ی Pandas (مثال عملی داده‌های املاک ملبورن) - قسمت دوم ۸ دقیقه
آمار توصیفی بر روی داده‌ها ۱۱ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم تحلیل اکتشافی داده (EDA) و فهم داده‌ها ۹ دقیقه
  • جلسه سوم آمار توصیفی (Descriptive Statistics) و مثال موردی داده‌های فرودگاه - قسمت اول ۱۹ دقیقه
  • جلسه چهارم آمار توصیفی (Descriptive Statistics) و مثال موردی داده‌های فرودگاه - قسمت دوم ۲۰ دقیقه
  • جلسه پنجم آمار توصیفی (Descriptive Statistics) و مثال موردی داده‌های فرودگاه - قسمت سوم ۲۰ دقیقه
  • جلسه ششم توزیع‌های آماری و کاربردهای آن‌ها - قسمت اول ۱۴ دقیقه
  • جلسه هفتم توزیع‌های آماری و کاربردهای آن‌ها - قسمت دوم ۱۱ دقیقه
  • جلسه هشتم توزیع‌های آماری و کاربردهای آن‌ها - قسمت سوم ۱۷ دقیقه
  • جلسه نهم توزیع‌های آماری و واگرایی کولبک لیبلر (KL Divergence) - قسمت اول ۲۱ دقیقه
  • جلسه دهم توزیع‌های آماری و واگرایی کولبک لیبلر (KL Divergence) - قسمت دوم ۸ دقیقه
  • جلسه یازدهم توزیع‌های آماری و فاصله‌ی جنسون-شنون (Jenson Shannon Distance) ۷ دقیقه
آمار تفسیری و آزمون‌های آماری ۱۳ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم آمار تفسیری و آزمون‌های آماری ۱۶ دقیقه
  • جلسه سوم آزمون آماری با روش شبیه‌سازی شانس (مثال تاثیر دارو بر بیماری) - قسمت اول ۱۸ دقیقه
  • جلسه چهارم آزمون آماری با روش شبیه‌سازی شانس (مثال تاثیر دارو بر بیماری) - قسمت دوم ۱۲ دقیقه
  • جلسه پنجم آزمون آماری با روش شبیه‌سازی و توزیع‌های آماری (مثال داده‌های فروشگاه اینترنتی) قسمت اول ۱۶ دقیقه
  • جلسه ششم آزمون آماری با روش شبیه‌سازی و توزیع‌های آماری (مثال داده‌های فروشگاه اینترنتی) قسمت دوم ۱۳ دقیقه
  • جلسه هفتم آزمون آماریِ تی (T-Test) (مثال داده‌های کشاورزی) ۱۹ دقیقه
  • جلسه هشتم آزمون آماریِ تی (T-Test) (مثال داده‌های آیلتس و قرصِ افزایش وزن) ۱۳ دقیقه
  • جلسه نهم آزمون آماریِ تی (T-Test) با کد (مثال دانش‌آموزان نخبه) ۱۰ دقیقه
  • جلسه دهم آزمون آماریِ یو (Mann Withney U Test) (مثال نمرات دانشجویان) ۱۷ دقیقه
  • جلسه یازدهم آزمون خی-۲ (Chi-2 Test) (مثال داده‌های منابع انسانی سازمان) - قسمت اول ۲۳ دقیقه
  • جلسه دوازدهم آزمون خی-۲ (Chi-2 Test) (مثال داده‌های منابع انسانی سازمان) - قسمت دوم ۹ دقیقه
  • جلسه سیزدهم آزمون شاپیرو (Shapiro) برای تشخیص نرمال بودن داده‌ها ۹ دقیقه
نمایش و بصری‌سازی داده‌ها ۱۳ جلسه
  • جلسه اول کدها و مجموعه‌ داده‌های این بخش ۰ دقیقه
  • جلسه دوم بصری‌سازی داده‌ها در پایتون ۱۱ دقیقه
  • جلسه سوم بصری‌سازی داده‌ها با کتابخانه‌ی Matplotlib (مثال داده‌های تحقیقاتی خودرو) - قسمت اول ۲۲ دقیقه
  • جلسه چهارم بصری‌سازی داده‌ها با کتابخانه‌ی Matplotlib (مثال داده‌های تحقیقاتی خودرو) - قسمت دوم ۹ دقیقه
  • جلسه پنجم بصری‌سازی داده‌ها با کتابخانه‌ی Matplotlib (مثال داده‌های تحقیقاتی خودرو) - قسمت سوم ۱۳ دقیقه
  • جلسه ششم بصری‌سازی داده‌ها با کتابخانه‌ی Matplotlib (مثال داده‌های تحقیقاتی خودرو) - قسمت چهارم ۲۵ دقیقه
  • جلسه هفتم بصری‌سازی داده‌ها با کتابخانه‌ی Seaborn (مثال داده‌های تحقیقاتی خودرو) - قسمت اول ۱۸ دقیقه
  • جلسه هشتم بصری‌سازی داده‌ها با کتابخانه‌ی Seaborn (مثال داده‌های تحقیقاتی خودرو) - قسمت دوم ۱۸ دقیقه
  • جلسه نهم بصری‌سازی داده‌ها با کتابخانه‌ی Seaborn (مثال داده‌های تحقیقاتی خودرو) - قسمت سوم ۱۴ دقیقه
  • جلسه دهم بصری‌سازی تعاملی داده‌ها با کتابخانه‌ی Plotly (مثال داده‌های تحقیقاتی خودرو) ۲۹ دقیقه
  • جلسه یازدهم ساخت داشبورد مدیریتی با کتابخانه‌ی Dash - قسمت اول ۱۴ دقیقه
  • جلسه دوازدهم ساخت داشبورد مدیریتی با کتابخانه‌ی Dash - قسمت دوم ۲۳ دقیقه
  • جلسه سیزدهم ساخت داشبورد مدیریتی با کتابخانه‌ی Dash - قسمت سوم ۸ دقیقه
پیش‌پردازش داده‌ها ۱۱ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم پیش پردازش داده‌ها چیست؟ ۱۱ دقیقه
  • جلسه سوم مقابله با داده‌های ناموجود (Missing Values) ۱۱ دقیقه
  • جلسه چهارم مقابله با داده‌های غیر عددی (Categorical Vairables) ۹ دقیقه
  • جلسه پنجم یکسان‌سازی مقیاس داده‌ها (Feature Scaling) ۱۱ دقیقه
  • جلسه ششم پیش‌پردازش داده‌های مشتریان (مثال مشتریان فروشگاه اینترنتی) - قسمت اول ۲۲ دقیقه
  • جلسه هفتم پیش‌پردازش داده‌های مشتریان (مثال مشتریان فروشگاه اینترنتی) - قسمت دوم ۱۵ دقیقه
  • جلسه هشتم پیش پردازش داده‌ها (مثال بیماران دیبابت) - قسمت اول ۱۶ دقیقه
  • جلسه نهم پیش پردازش داده‌ها (مثال بیماران دیبابت) - قسمت دوم ۲۰ دقیقه
  • جلسه دهم پیش‌پردازش داده‌ها (مثال متقاضیان وام) - قسمت اول ۲۴ دقیقه
  • جلسه یازدهم پیش‌پردازش داده‌ها (مثال متقاضیان وام) - قسمت دوم ۲۱ دقیقه
الگوریتم‌های پایه طبقه‌بندی و رگرسیون ۲۴ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم یادگیری ماشین و انواع آن ۱۷ دقیقه
  • جلسه سوم الگوریتم درخت تصمیم (Decision Tree) (مثال داده‌های گل‌های زنبق) - قسمت اول ۱۶ دقیقه
  • جلسه چهارم الگوریتم درخت تصمیم (Decision Tree) (مثال داده‌های گل‌های زنبق) - قسمت دوم ۱۸ دقیقه
  • جلسه پنجم الگوریتم SVM (مثال داده‌های دست‌نوشته تصویری - تصویرکاوی) - قسمت اول ۲۱ دقیقه
  • جلسه ششم الگوریتم SVM (مثال داده‌های دست‌نوشته تصویری - تصویرکاوی) - قسمت دوم ۲۵ دقیقه
  • جلسه هفتم ارزیابی الگوریتم‌های طبقه‌بندی و معیارهای آن‌ها - قسمت اول ۲۲ دقیقه
  • جلسه هشتم ارزیابی الگوریتم‌های طبقه‌بندی و معیارهای آن‌ها - قسمت دوم ۱۵ دقیقه
  • جلسه نهم الگوریتم نزدیک‌ترین همسایه (KNN) (مثال داده‌های دست‌نوشته تصویری - تصویرکاوی) ۱۴ دقیقه
  • جلسه دهم الگوریتم جنگل تصادفی (Random Forest) ۱۳ دقیقه
  • جلسه یازدهم الگوریتم آدابوست (Adaptive Boosting) ۲۰ دقیقه
  • جلسه دوازدهم مفهوم بیش‌برازش (Over Fit) و کم برازش (Under Fit) ۱۹ دقیقه
  • جلسه سیزدهم الگوریتم XGBoost (مثال پیش‌بینی کنسلی رزرو هتل) - قسمت اول ۱۹ دقیقه
  • جلسه چهاردهم الگوریتم XGBoost (مثال پیش‌بینی کنسلی رزرو هتل) - قسمت دوم ۱۷ دقیقه
  • جلسه پانزدهم الگوریتم XGBoost (مثال پیش‌بینی کنسلی رزرو هتل) - قسمت سوم ۳۰ دقیقه
  • جلسه شانزدهم روش جستجوی مشبک (Grid Search) (مثال پیش‌بینی حمله‌ی قلبی) - قسمت اول ۱۷ دقیقه
  • جلسه هفدهم روش جستجوی مشبک (Grid Search) (مثال پیش‌بینی حمله‌ی قلبی) - قسمت دوم ۱۶ دقیقه
  • جلسه هجدهم رگرسیون و الگوریتم‌های آن ۱۱ دقیقه
  • جلسه نوزدهم الگوریتم رگرسیون XGBoost (مثال پیش‌بینی قیمت خانه) - قسمت اول ۱۹ دقیقه
  • جلسه بیستم الگوریتم رگرسیون XGBoost (مثال پیش‌بینی قیمت خانه) - قسمت دوم ۸ دقیقه
  • جلسه بیست و یکم الگوریتم CatBoost (مثال تخمین مبلغ خسارت بیمه) - قسمت اول ۲۵ دقیقه
  • جلسه بیست و دوم الگوریتم CatBoost (مثال تخمین مبلغ خسارت بیمه) - قسمت دوم ۸ دقیقه
  • جلسه بیست و سوم الگوریتم CatBoost (مثال تخمین مبلغ خسارت بیمه) - پردازش بر روی کارت گرافیک ۹ دقیقه
  • جلسه بیست و چهارم خط لوله (Pipeline) در یادگیری ماشین (مثال تشخیص تولید سم از ترکیب مواد در زیست‌شناسی) ۱۷ دقیقه
مباحث پیشرفته در یادگیری ماشین نظارت شده ۱۳ جلسه
  • جلسه اول کدها و مجموعه‌ی داده‌های این بخش ۰ دقیقه
  • جلسه دوم متن‌کاوی (Text Mining) و پردازش زبان طبیعی (مثال پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - قسمت اول ۲۳ دقیقه
  • جلسه سوم متن‌کاوی (Text Mining) و پردازش زبان طبیعی (مثال پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - قسمت دوم ۲۵ دقیقه
  • جلسه چهارم متن‌کاوی (Text Mining) و پردازش زبان طبیعی (مثال پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - قسمت سوم ۹ دقیقه
  • جلسه پنجم تصویر کاوی (Image Mining) (مثال پیش‌بینی خودکار نوع گل در تصویر) - قسمت اول ۱۲ دقیقه
  • جلسه ششم تصویر کاوی (Image Mining) (مثال پیش‌بینی خودکار نوع گل در تصویر) - قسمت دوم ۲۶ دقیقه
  • جلسه هفتم تصویر کاوی (Image Mining) (مثال پیش‌بینی خودکار نوع گل در تصویر) - قسمت سوم ۱۸ دقیقه
  • جلسه هشتم کار با داده‌های نامتوازن (Imbalance) (مثال پیش‌بینی حادثه‌ی تقلبی بیمه) - قسمت اول ۱۶ دقیقه
  • جلسه نهم کار با داده‌های نامتوازن (Imbalance) (مثال پیش‌بینی حادثه‌ی تقلبی بیمه) - قسمت دوم ۱۸ دقیقه
  • جلسه دهم کار با داده‌های نامتوازن (Imbalance) (مثال پیش‌بینی حادثه‌ی تقلبی بیمه) - قسمت سوم ۱۱ دقیقه
  • جلسه یازدهم سری‌های زمانی (Time Series) (مثال پیش‌بینی قیمت سهام) - قسمت اول ۱۴ دقیقه
  • جلسه دوازدهم سری‌های زمانی (Time Series) (مثال پیش‌بینی قیمت سهام) - قسمت دوم ۲۵ دقیقه
  • جلسه سیزدهم سری‌های زمانی (Time Series) (مثال پیش‌بینی قیمت سهام) - قسمت سوم ۱۷ دقیقه
الگوریتم‌های خوشه‌بندی ۱۲ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم مقدمات یادگیری غیر نظارت شده و خوشه‌بندی ۱۲ دقیقه
  • جلسه سوم الگوریتم K-means در خوشه‌بندی ۹ دقیقه
  • جلسه چهارم الگوریتم DBSCAN در خوشه‌بندی ۶ دقیقه
  • جلسه پنجم الگوریتم‌های MeanShift و SpectralClustering در خوشه‌بندی ۱۱ دقیقه
  • جلسه ششم خوشه‌بندی سلسله مراتبی (Hierarchical Clustering) ۵ دقیقه
  • جلسه هفتم خوشه‌بندی مشتری‌ها با الگوریتم K-means (مثال سیستم پیشنهاددهی دیجیکالا) - قسمت اول ۱۵ دقیقه
  • جلسه هشتم خوشه‌بندی مشتری‌ها با الگوریتم K-means (مثال سیستم پیشنهاددهی دیجیکالا) - قسمت دوم ۱۱ دقیقه
  • جلسه نهم خوشه‌بندی مشتری‌ها با الگوریتم K-means (مثال سیستم پیشنهاددهی دیجیکالا) - قسمت سوم ۱۰ دقیقه
  • جلسه دهم خوشه‌بندی مشتری‌ها با الگوریتم DBSCAN (مثال سیستم پیشنهاددهی دیجیکالا) ۹ دقیقه
  • جلسه یازدهم خوشه‌بندی متون (مثال گروه‌بندی تیکت‌های مشتریان) - قسمت اول ۲۰ دقیقه
  • جلسه دوازدهم خوشه‌بندی متون (مثال گروه‌بندی تیکت‌های مشتریان) - قسمت دوم ۶ دقیقه
تشخیص داده‌های پرت ۷ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم تشخیص داده‌های پرت و دورافتاده (Outlier Detection) و کاربردهای آن ۷ دقیقه
  • جلسه سوم الگوریتم Local Outlier Factor (مثال تشخیص تقلب در کارت‌های اعتباری) ۱۵ دقیقه
  • جلسه چهارم الگوریتم ABOD مبتنی بر زاویه (مثال تشخیص تقلب در کارت‌های اعتباری) ۱۰ دقیقه
  • جلسه پنجم الگوریتم جنگل ایزوله (IsolationForest) (مثال تشخیص تقلب در کارت‌های اعتباری) ۷ دقیقه
  • جلسه ششم مثال شناسایی کاربران با رفتار نامتعارف در شبکه‌ی اجتماعی لینکدین ۵ دقیقه
  • جلسه هفتم شناسایی داده‌های متنی دورافتاده و ترکیب تشخیص داده‌های پرت با طبقه‌بندی ۹ دقیقه
کاهش ابعاد ۷ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم کاهش ابعاد (Dimensionality Reduction) چیست؟ ۸ دقیقه
  • جلسه سوم الگوریتم تحلیل مولفه‌ی اصلی (PCA) در کاهش ابعاد ۱۴ دقیقه
  • جلسه چهارم الگوریتم تحلیل مولفه‌ی اصلی مبتنی بر کرنل (Kernel PCA) در کاهش ابعاد ۸ دقیقه
  • جلسه پنجم الگوریتم تحلیل مولفه‌ی مستقل (ICA) و ISOMAP در کاهش ابعاد ۱۲ دقیقه
  • جلسه ششم الگوریتم TSNE و UMAP در کاهش ابعاد ۷ دقیقه
  • جلسه هفتم مثال کاهش ابعاد در طبقه‌بندی و خوشه‌بندی ۹ دقیقه
شبکه‌های عصبی عمیق و الگوریتم‌های پایه یادگیری عمیق ۲۶ جلسه
  • جلسه اول کدها و مجموعه‌ی داده‌ی این بخش ۰ دقیقه
  • جلسه دوم شبکه‌های عصبی چیست؟ - قسمت اول ۱۹ دقیقه
  • جلسه سوم شبکه‌های عصبی چیست؟ - قسمت دوم ۱۶ دقیقه
  • جلسه چهارم شبکه‌های عصبی چیست؟ - قسمت سوم ۲۰ دقیقه
  • جلسه پنجم شبکه‌های عصبی عمیق و یادگیری عمیق (Deep Learning) ۹ دقیقه
  • جلسه ششم توابع فعال‌سازی (Activation Functions) و کاربرد آن‌ها در یادگیری عمیق ۱۷ دقیقه
  • جلسه هفتم کاهش گرادیان (Gradient Descent) در شبکه‌های عصبی ۱۵ دقیقه
  • جلسه هشتم پیاد ه‌سازی یک شبکه‌ی عصبی ساده با پایتون ۱۴ دقیقه
  • جلسه نهم شبکه‌ی عصبی غلیظ (Dense) با تنسورفلو (Tensorflow) (مثال پیش‌بینی بیماری قلبی) - قسمت اول ۲۰ دقیقه
  • جلسه دهم شبکه‌ی عصبی غلیظ (Dense) با تنسورفلو (Tensorflow) (مثال پیش‌بینی بیماری قلبی) - قسمت دوم ۲۷ دقیقه
  • جلسه یازدهم حل مسئله‌ی تصاویر دست‌نوشته با شبکه‌های عصبی در تنسورفلو و کراس ۱۹ دقیقه
  • جلسه دوازدهم شبکه‌های عصبی پیچشی (Convolutional Neural Networks) - قسمت اول ۲۱ دقیقه
  • جلسه سیزدهم شبکه‌های عصبی پیچشی (Convolutional Neural Networks) - قسمت دوم ۱۶ دقیقه
  • جلسه چهاردهم تشخیص پوشاک با استفاده از شبکه‌های عصبی پیچشی (Convolution) - قسمت اول ۱۷ دقیقه
  • جلسه پانزدهم تشخیص پوشاک با استفاده از شبکه‌های عصبی پیچشی (Convolution) - قسمت دوم ۹ دقیقه
  • جلسه شانزدهم کار با تصاویر حجیم با شبکه‌های عصبی پیچشی (Convolution) (مثال تشخیص تصاویر حیوانات) ۱۸ دقیقه
  • جلسه هفدهم افزایش مصنوعی داده‌ها (Data Augemntation) در یادگیری عمیق (مثال تشخیص تصاویر حیوانات) ۱۲ دقیقه
  • جلسه هجدهم تشخیص بیماری ریوی با استفاده از تصاویر پزشکی در شبکه‌های عصبی پیچشی (Convolution) - قسمت اول ۱۵ دقیقه
  • جلسه نوزدهم تشخیص بیماری ریوی با استفاده از تصاویر پزشکی در شبکه‌های عصبی پیچشی (Convolution) - قسمت دوم ۱۲ دقیقه
  • جلسه بیستم تشخیص نوع گیاه با استفاده از شبکه‌های عصبی پیچشی (Convolution) ۲۴ دقیقه
  • جلسه بیست و یکم شبکه‌های عصبی بازگشتی (Recurrent Neural Networks) حافظه‌دار ۱۷ دقیقه
  • جلسه بیست و دوم پیش‌بینی سری زمانی با شبکه عصبی بازگشتی (Recurrent) (مثال پیش‌بینی قیمت دلار) - قسمت اول ۱۹ دقیقه
  • جلسه بیست و سوم پیش‌بینی سری زمانی با شبکه عصبی بازگشتی (Recurrent) (مثال پیش‌بینی قیمت دلار) - قسمت دوم ۷ دقیقه
  • جلسه بیست و چهارم شبکه‌های بازگشتی با حافظه بلند کوتاه مدت (LSTM) و واحد درگاهی (GRU) (مثال پیش‌بینی سهام) - قسمت اول ۱۷ دقیقه
  • جلسه بیست و پنجم شبکه‌های بازگشتی با حافظه بلند کوتاه مدت (LSTM) و واحد درگاهی (GRU) (مثال پیش‌بینی سهام) - قسمت دوم ۹ دقیقه
  • جلسه بیست و ششم معماری‌های مختلف در شبکه‌های عصبی بازگشتی (Recurrent) ۲۰ دقیقه
مباحث و الگوریتم‌های پیشرفته در یادگیری عمیق ۲۰ جلسه
  • جلسه اول کدها و مجموعه داده‌های این بخش ۰ دقیقه
  • جلسه دوم کتابخانه‌ی پایتورچ (PyTorch) و شبکه‌های عصبی پیچشی (CNN) - قسمت اول ۲۱ دقیقه
  • جلسه سوم کتابخانه‌ی پایتورچ (PyTorch) و شبکه‌های عصبی پیچشی (CNN) - قسمت دوم ۱۶ دقیقه
  • جلسه چهارم کتابخانه‌ی پایتورچ (PyTorch) و شبکه‌های عصبی بازگشتی (RNN) ۱۶ دقیقه
  • جلسه پنجم شبکه‌ی عصبی پیچشی (Convolution) یک بعدی و لایه‌ی Embed (مثال تحلیل احساس نظرات) - قسمت اول ۲۱ دقیقه
  • جلسه ششم شبکه‌ی عصبی پیچشی (Convolution) یک بعدی و لایه‌ی Embed (مثال تحلیل احساس نظرات) - قسمت دوم ۱۸ دقیقه
  • جلسه هفتم شبکه‌های عصبی عمیق چند کاناله (مثال پیش‌بینی قیمت منزل با استفاده از تصاویر منزل) ۲۸ دقیقه
  • جلسه هشتم حل مسئله‌ی تحلیل احساس نظرات با استفاده از شبکه‌های عصبی عمیق چند کاناله ۷ دقیقه
  • جلسه نهم مشکل اضمحلال گرادیان (Vanishing Gradient) ۵ دقیقه
  • جلسه دهم یادگیری انتقالی (Transfer Learning) در یادگیری عمیق ۱۴ دقیقه
  • جلسه یازدهم معماری‌های AlexNet، VGGNet، ResNet، Inception و MobileNet در شبکه‌های عصبی پیچشی (Convolutional) ۲۲ دقیقه
  • جلسه دوازدهم حل مسئله‌ی تشخیص تصاویر حیوانات با استفاده از یادگیری انتقالی (Transfer Learning) - قسمت اول ۱۴ دقیقه
  • جلسه سیزدهم حل مسئله‌ی تشخیص تصاویر حیوانات با استفاده از یادگیری انتقالی (Transfer Learning) - قسمت دوم ۱۱ دقیقه
  • جلسه چهاردهم معماری «ترتیب به ترتیب» (Sequence2Sequence) در شبکه‌های عصبی بازگشتی ۱۲ دقیقه
  • جلسه پانزدهم ساخت یک ترجمه‌گر هوشمند انگلیسی به فارسی با معماری Seq2Seq - قسمت اول ۲۳ دقیقه
  • جلسه شانزدهم ساخت یک ترجمه‌گر هوشمند انگلیسی به فارسی با معماری Seq2Seq - قسمت دوم ۱۷ دقیقه
  • جلسه هفدهم ساخت یک ترجمه‌گر هوشمند انگلیسی به فارسی با معماری Seq2Seq - قسمت سوم ۱۸ دقیقه
  • جلسه هجدهم تبدیل‌شونده‌ها (Transformers) و شبکه‌های عصبی عمیق بازگشتی (Recurrent) دارای تمرکز (Attention) ۱۲ دقیقه
  • جلسه نوزدهم مدل BERT در معماری تبدیل‌شونده‌ها (Transformers) (مثال تشخیص پیامک‌های تبلیغاتی) - قسمت اول ۲۱ دقیقه
  • جلسه بیستم مدل BERT در معماری تبدیل‌شونده‌ها (Transformers) (مثال تشخیص پیامک‌های تبلیغاتی) - قسمت دوم ۶ دقیقه
ساخت و انتشار نرم‌افزار مبتنی بر یادگیری ماشین ۱۲ جلسه
  • جلسه اول ساخت نرم‌افزار پیش‌بینی دسته‌ی اخبار بر اساس متن ورودی - قسمت اول ۲۵ دقیقه
  • جلسه دوم ساخت نرم‌افزار پیش‌بینی دسته‌ی اخبار بر اساس متن ورودی - قسمت دوم ۱۳ دقیقه
  • جلسه سوم ساخت نرم‌افزار تشخیص خواب‌آلودگی راننده - قسمت اول ۱۳ دقیقه
  • جلسه چهارم ساخت نرم‌افزار تشخیص خواب‌آلودگی راننده - قسمت دوم ۱۱ دقیقه
  • جلسه پنجم استریم‌لیت (StreamLit) و ساخت اپلیکیشن‌های تحت وب مبتنی بر داده - قسمت اول ۲۱ دقیقه
  • جلسه ششم استریم‌لیت (StreamLit) و ساخت اپلیکیشن‌های تحت وب مبتنی بر داده - قسمت دوم ۱۰ دقیقه
  • جلسه هفتم استریم‌لیت (StreamLit) و ساخت اپلیکیشن‌های تحت وب مبتنی بر داده - قسمت سوم ۹ دقیقه
  • جلسه هشتم مقدمات سرور لینوکس و داکر (Docker) جهت انتشار نرم‌افزار ۱۵ دقیقه
  • جلسه نهم انتشار نرم‌افزار مبتنی بر یادگیری ماشین بر روی سرور لینوکس ۱۴ دقیقه
  • جلسه دهم نرم‌افزار تشخیص ماسک بر روی صورت انسان - قسمت اول ۲۶ دقیقه
  • جلسه یازدهم نرم‌افزار تشخیص ماسک بر روی صورت انسان - قسمت دوم ۱۲ دقیقه
  • جلسه دوازدهم نرم‌افزار تشخیص ماسک بر روی صورت انسان - قسمت سوم ۱۶ دقیقه
تمرین‌ها و مباحث تکمیلی (به روز رسانی مداوم) ۱۶ جلسه
  • جلسه اول کار با گوگل کولب (Colab) و اجرای ژوپیتر نوتبوک‌ها در آن ۱۶ دقیقه
  • جلسه دوم تشخیص اشیا (Object Detection) با استفاده از مدل‌های پیش‌ساخته و یادگیری انتقالی (Transfer Learning) ۲۰ دقیقه
  • جلسه سوم ترجمه فارسی به انگلیسی/فرانسه با استفاده از مدل‌های پیش‌ساخته و یادگیری انتقالی (Transfer Learning) ۹ دقیقه
  • جلسه چهارم تمرین ۱۰۰۱: نمره‌دهی خودکار به املای دانش‌آموزان ۹ دقیقه
  • جلسه پنجم پاسخ تمرین ۱۰۰۱: نمره‌دهی خودکار به املای دانش‌آموزان - قسمت اول ۲۳ دقیقه
  • جلسه ششم پاسخ تمرین ۱۰۰۱: نمره‌دهی خودکار به املای دانش‌آموزان - قسمت دوم ۲۴ دقیقه
  • جلسه هفتم بخش‌بندی تصاویر مبتنی بر پرومپ با مدل SAM فیس‌بوک ۲۸ دقیقه
  • جلسه هشتم یادگیری Zero-Shot و مدل CLIP در OpenAI ۱۶ دقیقه
  • جلسه نهم استفاده از مدل CLIP برای جستجوی معنایی در تصاویر ۱۲ دقیقه
  • جلسه دهم تمرین ۱۰۰۲: پیش‌بینی بیماری دیابت با استفاده از تصویر قرنیه‌ی چشم ۹ دقیقه
  • جلسه یازدهم پاسخ تمرین ۱۰۰۲: پیش‌بینی بیماری دیابت با استفاده از تصویر قرنیه‌ی چشم - قسمت اول ۲۳ دقیقه
  • جلسه دوازدهم پاسخ تمرین ۱۰۰۲: پیش‌بینی بیماری دیابت با استفاده از تصویر قرنیه‌ی چشم - قسمت دوم ۱۸ دقیقه
  • جلسه سیزدهم ساخت تصویر با استفاده از متن ورودی با کمک Stable Diffusion ۱۶ دقیقه
  • جلسه چهاردهم ساخت سیستم ایجاد توضیح برای ویدیو (Video Captioning) به فارسی ۱۲ دقیقه
  • جلسه پانزدهم ماژول Diffusers و ساخت انیمیشن بر اساس متن ۹ دقیقه
  • جلسه شانزدهم مدل GAN و ساخت تصاویر غیرواقعی توسط شبکه‌های متخاصم مولد ۱۳ دقیقه
نمایش بیشتر
با خیال راحت آموزش ببینید
ضمانت بازگشت وجه
ضمانت بازگشت وجه خرید و ثبت نام شما در دوره‌های بلندمدت سون لرن بدون ریسک مالی خواهد بود
آموزش مهارت محور
آموزش مهارت محور از مدرسین متخصص و با تجربه در بهترین شرکت‌های ایران مهارت مورد نیاز بازار کار را یاد می‌گیرید
رفع اشکالات و پشتیبانی فنی
جامعه برنامه نویسی فعال پشتیبانی و پاسخ به سوالات خود را در جامعه برنامه نویسی فعال سون لرن دریافت می‌کنید
ارزیابی فنی و رتبه بندی
ارزیابی فنی و امتیازدهی برای فعالیت‌ها و آزمون‌های خود، امتیازات مختلفی برای ارزیابی مهارت دریافت می‌کنید (از آذر 1402)
معرفی برترین‌ها به بازار کار
معرفی برترین‌ها به بازار کار دانشجویان فعالی که مستمر و منظم محتوای دوره‌ها را دنبال می‌کنند، در اولویت معرفی به بازار کار هستند
۱ سال پشتیبانی پس از خرید
۱۲ ماه پشتیبانی پس از خرید تا ۱۲ ماه پس از ثبت نامتان، در جامعه برنامه نویسی سون لرن، پشتیبانی ویژه دریافت می‌کنید
دسترسی دائمی و بدون محدودیت
دسترسی راحت و همیشگی در صورتی که در یک سال اول دوره را تکمیل نمایید، دسترسی محتوای دوره برای شما همواره باز خواهد بود
نتایج دوره‌های متخصص

در ۱۷ سال اخیر بیش از ۳۵ هزار نفر در سون لرن به صورت تخصصی آموزش برنامه نویسی دیده اند و هزاران نفر از این عزیزان در شرکت‌های مختلف استخدام شده اند.

مهمترین عامل موفقیت دانشپذیرانی که موفق به استخدام و کسب درآمد پس از دوره‌های سون لرن بوده اند، نظم و استمرار در پیگیری محتوای دوره و انجام تمرین‌ها و چالش پذیری آن‌ها بوده است.

اسنپ دیجی کالا علی بابا تخفیفان کافه بازار ژاکت
+ ده‌ها شرکت مطرح دیگر
مدرس و منتورهای دوره
مسعود کاویانی مسعود کاویانی دانشمند ارشد داده فیلیمو/آپارات و مهندس یادگیری ماشین زِبراکت آلمان رزومه و نمونه تدریس
دانشمند ارشد داده در فیلیمو و آپارات (filimo.com/aparat.com) مهندس یادگیری ماشین کمپانی زبراکت برلین، آلمان (zebracat.ai) مهندس داده زیرساخت ذخیره‌سازی ابری پارس‌پک (parspack.com) استاد مدعو دانشگاه شهید رجایی، مدرس علم داده در جهاد دانشگاهی صنعتی شریف و مدرس یادگیری ماشین دانشگاه خواجه نصیر مشاور و مدرس داده‌کاوی فاوا شهرداری تهران، داروسازی دکتر عبیدی، شهرک تحقیقاتی صنعتی اصفهان، شرکت نفت پارس و بیمه سامان مدیر واحد داده‌کاوی در سامانه خبرفارسی (khabarfarsi.com) بنیان‌گذار پروژه‌ی آموزشی چیستیو (chistio.ir) دارنده‌ی مدال کارآفرینی از کمپانی گوگل در مسابقات جهانی جی‌اس‌بی (startup.google.com) برنامه‌نویس ارشد شرکت فناوری اطلاعات ثانیه، مجری پروژه‌های هوشمندسازی راه‌آهن جمهوری اسلامی ایران، سامانه برنامه‌ریزی هوشمند دانشگاهی ترنج و سازمان بنادر کل کشور (saniehco.com) برنامه‌نویس پایتون و پی‌اچ‌پی در شرکت جویشگر پردیس ارم (jooyeshgar.com) و شرکت پدیده تجارت جاویدان (padideit.com)
ویدیو‌های نمونه تدریس دوره

ثبت‌نام در متخصص یادگیری ماشین و علم داده

سرمایه‌گذاری روی مهارت‌هایتان، یک تصمیم هوشمندانه است!
زمان را از دست ندهید
۰ ثانیه
۰ دقیقه
۰ ساعت
9.9 ۶.۴۳۵ میلیون تومان
ثبت نام می‌کنم
کمپین پایان سال شروع شد!
۰ ثانیه
۰ دقیقه
۰ ساعت
  • ۵۰ ساعت آموزش
  • ۱۲ ماه پشتیبانی در جامعه برنامه‌نویسان
  • گارانتی بازگشت کامل وجه
  • با تدریس مسعود کاویانی ، دانشمند ارشد داده فیلیمو/آپارات و مهندس یادگیری ماشین زِبراکت آلمان
  • آموزش منطبق بر نیاز بازار کار
35٪ تخفیف
در کنار شما هستیم مشاوره ثبت‌نام در دوره متخصص یادگیری ماشین و علم داده