متخصص یادگیری ماشین و علم داده
(2023)

با تدریس   مسعود کاویانی
متخصص علم داده و یادگیری ماشین (آپارت، فیلیمو، صباویژن)

۴۸ ساعت
۱۹۶ جلسه
۱ سال پشتیبانی
گارانتی بازگشت ۱۰۰ درصدی وجه

دوره آموزش یادگیری ماشین و علم داده (2023)

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. پس از پایان دوره کسانی که در آزمون‌های جامع و ارزیابی فنی بالاترین نمرات را کسب کنند، جهت استخدام به شرکت‌هایی معرفی می‌شوند که قصد دارند از طریق مجموعه سون‌لرن برنامه‌نویس موردنظر خود را جذب کنند.

چرا باید یک متخصص علم داده شوم؟

  • بسیاری از شرکت‌های بزرگ داخلی و خارجی با حجم انبوهی از داده‌های تولید شده توسط کاربران مواجه هستند و این باعث افزایش تقاضا برای جذب نیروی متخصص در این حوزه می‌شود.
  • اگر قصد مهاجرت داشته باشید داشتن مهارت و رزومه در این زمینه می‌تواند فرایند کسب درآمد در کشور مقصد را ساده کند.
  • به‌دلیل کمبود نیروی متخصص علم داده در شرکت‌های داخلی، در صورت داشتن مهارت کافی امکان جذب نیرو همراه با درآمد بالا توسط شرکت‌ها فراهم است.
  • علم داده نیز مانند ماشین لرنینگ یکی از شاخه‌های مهم فناوری است و بر مبنای پایتون فعالیت می‌کند. بنابراین یادگیری آن می‌تواند زمینه ساز ورود شما به سایر حوزه‌های مهم باشد.

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

این دوره
برای چه کسانی
مناسـب اسـت؟

  • برای همه آنهایی که علاقمند به سرمایه گذاری روی خودشان هستند

این دوره
برای چه کسانی
مناسـب نیست؟

  • اگر علاقه ای به رشد و ارتقای مهارت های فنی خود ندارید این دوره مناسب شما نیست

ویژگی های دوره

ما به کیفیت و اثربخشی محصول خود اعتقاد داریم و به همین منظور گارانتی بازگشت وجه یک ماهه به شما ارائه می دهیم تا خریدی بدون ریسک و بدون نگرانی داشته باشید.
هزینه‌ای که بابت دوره پرداخت می‌کنید تا 1 ماه در اختیار خودِ شماست. اگر پس از خرید دوره به‌صورت جامع، به هر دلیلی از شرکت در آن منصرف شدید تا ١ ماه پس از خريد امكان انصراف و بازگشت كامل وجه برای شما درنظر گرفته شده است. برای انصراف از دوره لازم است در بازه زمانی تعیین شده درخواست خود را با پشتیبانی مطرح کرده و حداکثر ۲۵% از دوره را مشاهده کرده باشید. پس از انصراف همواره منتظر نظرات و پیشنهادات شما برای بهبود کیفیت دوره و نحوه ارائه آن‌ها هستیم و امیدواریم در حوزه موردنظر خود به موفقیت و فرصت‌های بزرگی دست پیدا کنید.

آموزش مهارت‌محور به این معنی‌ست که در طول دوره و باتوجه به میزان پیچیدگی هر مبحث آموزشی تمرین‌، آزمون و پروژه‌های مختلفی برای شما در نظر گرفته شده است تا یادگیری خود را تکمیل کنید. همچنین برگزاری وبینارهای متعدد و عضویت در گروه تلگرامی دوره امکان ارتباط با اساتید، منتورها و سایر دانشجویان را برای شما فراهم می‌کند. وضعیت آموزشی هر دانشجو برای منتورهای دوره قابل رصد و ارزیابی‌ست زیرا منتورها از بین دانشجویان برتر انتخاب شده‌اند و به‌خوبی با فرایند آموزشی و چالش‌های دوره آشنایی دارند. پایبندی به این متد آموزشی علاوه‌بر ارتقا سطح مهارتی که دارید، شما را با چالش هاى فنى و نحوه مدیریت آن‌ها آشنا مى كند و اين همان چيزى‌ست كه برای حضور در بازار كار به آن نياز داريد.

هیچ سوالی بی‌جواب نخواهد ماند. پس از ورود به دوره امكان پرسش و پاسخ و رفع اشكال براى شما فراهم است. شما می‌توانید در هر ساعتی از شبانه روز سوالات خود را مطرح کنید و اساتید یا منتورهای دوره در سريع‌ترين زمان ممكن به شما پاسخ خواهند داد. حضور در این فضای تعاملی و همراهی با دیگران می‌تواند در ارتقای مهارت‌های نرم دانشجویان و ایجاد یک رقابت سالم نقش موثری داشته باشد.

فعالیت‌های آموزشی تعریف شده در دوره مانند مشاهده جلسات، تمرین، آزمون، پروژه، پاسخ دادن به سوال دیگران و غیره با شاخصی به‌نام xp ارزیابی می‌شوند که منجربه رتبه‌بندی دانشجویان خواهد شد. به این معنی که دانشجویان با انجام هر کدام از موارد بالا و کسب امتیاز (xp) مربوط به آن فرایند، جایگاه خود را در رتبه‌بندی دوره ارتقا می‌دهند. طبیعتا دانشجویانی که xp بیشتری دارند نسبت به دیگران از رتبه و مهارت بهتری برخوردار هستند و آمادگی بیشتری برای ارزیابی‌های پایان دوره و کسب موقعیت‌های شغلی دارند. هر فعالیتی xp مشخصی دارد تا علاوه‌بر تشویق دانشجو برای پایبندی به آموزش، یک معیار مشخص و عادلانه برای انتخاب دانشجویان برتر ارائه دهد. بدین ترتیب شما می‌توانید میزان مشارکت و پیشرفت خود را با دیگران مقایسه و در فرصت باقی‌مانده از دوره، برای بهبود وضعیت آموزشی خود تلاش کنید.

هرساله شرکت‌های معتبری از سراسر ایران اقدام به جذب نیرو در حوزه تکنولوژی می‌کنند و بسیاری از این مجموعه‌ها از سون‌لرن درخواست معرفی نیروی متخصص دارند. در این شرایط سون‌لرن خود را موظف می‌داند تا افراد برتر هر دوره را اعتبارسنجی کرده و به شرکت‌های متقاضی جهت استخدام معرفی کند. سایر دانشجویان نیز درصورت بهره‌مندی کامل از محتوای دوره و تکمیل مهارت‌های خود به‌راحتی قادر به اشتغال و فعالیت در زمینه موردنظر خود خواهند بود.

پشتیبانی طولانی‌مدت سون‌لرن از زمان ثبت نام شما، به مدت 1 سال همراهتان خواهد بود . علاوه بر این در صورت استخدام شما پس از دوره، با هماهنگی واحد پشتیبانی می توانید از 1 ماه همراهی پس از استخدام هم استفاده نمایید تا با خیال راحت و دلگرمی بر جایگاه شغلی که شایسته شماست تکیه بزنید. طبیعتا دانشجویانی که طبق زمان‌بندی دوره، یادگیری را پیش ببرند از مدت زمان پشتیبانی بیشترین بهره را خواهند برد. این پشتیبانی شامل پاسخ به مشکلات فنی، آموزشی و موارد مربوط به اشتغال شما است.

محتوای دوره‌ها همواره در اختیار شماست و لازم نیست نگران منقضی شدن آن و یا از بین رفتن پروفایل کاربری خود باشید چرا که بدون محدودیت زمانی و مکانی به آن دسترسی دارید. درضمن هر زمان که برخی مباحث آموزشی تغییر کرده و نیازمند به‌روزرسانی باشند، محتوای به‌روزشده سرفصل‌هایی که خریداری کرده‌اید در پنل کاربری شما در سایت 7learn.com قرار خواهد گرفت.

دانشجویان سابق متخصص سون لرن کجا استخدام شدند؟

کار کردن در شرکت‌های بزرگ و پویا مزایای زیادی در اختیار شما قرار می‌دهد که رشد فردی، بروز خلاقیت، ارتباطات مناسب و درآمد خوب تنها بخشی از این مزایا هستند. برای اینکه به جمع حرفه‌ای‌ها راه پیدا کنید و در کار خود بی‌بدیل باشید، باید همواره به‌روز بوده و در جایگاه خود حرفی برای گفتن داشته باشید. دوره‌‌های متخصص سن‌لرن، دانش موردنیاز و مهارت‌های کاربردی را در اختیارتان قرار می‌دهند تا با پشتکار و انگیزه فراوان بتوانید مانند بسیاری از دانشجویان سون لرن در کسب‌وکار و یا شغل خود موفق باشید.

در این دوره دانش فنی موردنیاز شما تدریس می‌شود، کافی‌ست نهایت استفاده را از آن داشته باشید تا مانند بسیاری از دانشجوهای موفق سون‌لرن، از فرصت های شغلی چنین شرکت‌های مطرحی بهره‌مند شوید.

و ده ها
شرکت دیگر

سرفصل های دوره

مقدمات و مفاهیم اولیه

  • علم داده و یادگیری ماشین چیست؟ منتشر شده ۱۲ دقیقه
  • کاربردهای علم‌داده و یادگیری ماشین در صنعت - قسمت اول منتشر شده ۱۲ دقیقه
  • کاربردهای علم‌داده و یادگیری ماشین در صنعت - قسمت دوم منتشر شده ۱۰ دقیقه
  • تفاوت هوش‌مصنوعی، علم داده، داده‌کاوی و یادگیری ماشین منتشر شده ۱۱ دقیقه
  • زبان‌های برنامه‌نویسی در حوزه‌ی علم داده و یادگیری ماشین منتشر شده ۱۲ دقیقه
  • نرم‌افزارهای حوزه‌ی علم داده و یادگیری ماشین منتشر شده ۶ دقیقه
  • روش کریسپ (CRISP) برای انجام پروژه‌های داده‌کاوی منتشر شده ۱۰ دقیقه

  • نصب پایتون به همراه آناکوندا منتشر شده ۱۱ دقیقه
  • کار با ژوپیتر نوت‌بوک (Jupyter Notebook) در پایتون منتشر شده ۱۸ دقیقه
  • نرم‌افزارهای کاربردی برای کدنویسی پایتون منتشر شده ۸ دقیقه

  • کدها و مجموعه داده‌های این بخش
  • مقدمات جبر خطی و فضای برداری - قسمت اول منتشر شده ۸ دقیقه
  • مقدمات جبر خطی و فضای برداری - قسمت دوم منتشر شده ۱۱ دقیقه
  • کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت اول منتشر شده ۱۲ دقیقه
  • کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت دوم منتشر شده ۲۰ دقیقه
  • کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت سوم منتشر شده ۱۳ دقیقه
  • کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت چهارم منتشر شده ۱۱ دقیقه
  • کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت پنجم منتشر شده ۶ دقیقه
  • کتابخانه‌ی NumPy و جبر خطی در پایتون - قسمت ششم منتشر شده ۱۴ دقیقه
  • کتابخانه‌ی Pandas و جبر رابطه‌ای در پایتون - قسمت اول منتشر شده ۱۴ دقیقه
  • کتابخانه‌ی Pandas و جبر رابطه‌ای در پایتون - قسمت دوم منتشر شده ۱۸ دقیقه
  • کتابخانه‌ی Pandas (مثال عملی داده‌های املاک ملبورن) - قسمت اول منتشر شده ۱۲ دقیقه
  • کتابخانه‌ی Pandas (مثال عملی داده‌های املاک ملبورن) - قسمت دوم منتشر شده ۹ دقیقه

آمار و نمایش داده‌ها

  • کدها و مجموعه داده‌های این بخش
  • تحلیل اکتشافی داده (EDA) و فهم داده‌ها منتشر شده ۱۰ دقیقه
  • آمار توصیفی (Descriptive Statistics) و مثال موردی داده‌های فرودگاه - قسمت اول منتشر شده ۲۰ دقیقه
  • آمار توصیفی (Descriptive Statistics) و مثال موردی داده‌های فرودگاه - قسمت دوم منتشر شده ۲۱ دقیقه
  • آمار توصیفی (Descriptive Statistics) و مثال موردی داده‌های فرودگاه - قسمت سوم منتشر شده ۲۱ دقیقه
  • توزیع‌های آماری و کاربردهای آن‌ها - قسمت اول منتشر شده ۱۵ دقیقه
  • توزیع‌های آماری و کاربردهای آن‌ها - قسمت دوم منتشر شده ۱۲ دقیقه
  • توزیع‌های آماری و کاربردهای آن‌ها - قسمت سوم منتشر شده ۱۸ دقیقه
  • توزیع‌های آماری و واگرایی کولبک لیبلر (KL Divergence) - قسمت اول منتشر شده ۲۲ دقیقه
  • توزیع‌های آماری و واگرایی کولبک لیبلر (KL Divergence) - قسمت دوم منتشر شده ۹ دقیقه
  • توزیع‌های آماری و فاصله‌ی جنسون-شنون (Jenson Shannon Distance) منتشر شده ۸ دقیقه

  • کدها و مجموعه داده‌های این بخش
  • آمار تفسیری و آزمون‌های آماری منتشر شده ۱۷ دقیقه
  • آزمون آماری با روش شبیه‌سازی شانس (مثال تاثیر دارو بر بیماری) - قسمت اول منتشر شده ۱۹ دقیقه
  • آزمون آماری با روش شبیه‌سازی شانس (مثال تاثیر دارو بر بیماری) - قسمت دوم منتشر شده ۱۳ دقیقه
  • آزمون آماری با روش شبیه‌سازی و توزیع‌های آماری (مثال داده‌های فروشگاه اینترنتی) قسمت اول منتشر شده ۱۷ دقیقه
  • آزمون آماری با روش شبیه‌سازی و توزیع‌های آماری (مثال داده‌های فروشگاه اینترنتی) قسمت دوم منتشر شده ۱۴ دقیقه
  • آزمون آماریِ تی (T-Test) (مثال داده‌های کشاورزی) منتشر شده ۲۰ دقیقه
  • آزمون آماریِ تی (T-Test) (مثال داده‌های آیلتس و قرصِ افزایش وزن) منتشر شده ۱۴ دقیقه
  • آزمون آماریِ تی (T-Test) با کد (مثال دانش‌آموزان نخبه) منتشر شده ۱۱ دقیقه
  • آزمون آماریِ یو (Mann Withney U Test) (مثال نمرات دانشجویان) منتشر شده ۱۸ دقیقه
  • آزمون خی-۲ (Chi-2 Test) (مثال داده‌های منابع انسانی سازمان) - قسمت اول منتشر شده ۲۴ دقیقه
  • آزمون خی-۲ (Chi-2 Test) (مثال داده‌های منابع انسانی سازمان) - قسمت دوم منتشر شده ۱۰ دقیقه
  • آزمون شاپیرو (Shapiro) برای تشخیص نرمال بودن داده‌ها منتشر شده ۱۰ دقیقه

  • کدها و مجموعه‌ داده‌های این بخش
  • بصری‌سازی داده‌ها در پایتون منتشر شده ۱۲ دقیقه
  • بصری‌سازی داده‌ها با کتابخانه‌ی Matplotlib (مثال داده‌های تحقیقاتی خودرو) - قسمت اول منتشر شده ۲۳ دقیقه
  • بصری‌سازی داده‌ها با کتابخانه‌ی Matplotlib (مثال داده‌های تحقیقاتی خودرو) - قسمت دوم منتشر شده ۱۰ دقیقه
  • بصری‌سازی داده‌ها با کتابخانه‌ی Matplotlib (مثال داده‌های تحقیقاتی خودرو) - قسمت سوم منتشر شده ۱۴ دقیقه
  • بصری‌سازی داده‌ها با کتابخانه‌ی Matplotlib (مثال داده‌های تحقیقاتی خودرو) - قسمت چهارم منتشر شده ۲۶ دقیقه
  • بصری‌سازی داده‌ها با کتابخانه‌ی Seaborn (مثال داده‌های تحقیقاتی خودرو) - قسمت اول منتشر شده ۱۹ دقیقه
  • بصری‌سازی داده‌ها با کتابخانه‌ی Seaborn (مثال داده‌های تحقیقاتی خودرو) - قسمت دوم منتشر شده ۱۹ دقیقه
  • بصری‌سازی داده‌ها با کتابخانه‌ی Seaborn (مثال داده‌های تحقیقاتی خودرو) - قسمت سوم منتشر شده ۱۵ دقیقه
  • بصری‌سازی تعاملی داده‌ها با کتابخانه‌ی Plotly (مثال داده‌های تحقیقاتی خودرو) منتشر شده ۳۰ دقیقه
  • ساخت داشبورد مدیریتی با کتابخانه‌ی Dash - قسمت اول منتشر شده ۱۵ دقیقه
  • ساخت داشبورد مدیریتی با کتابخانه‌ی Dash - قسمت دوم منتشر شده ۲۴ دقیقه
  • ساخت داشبورد مدیریتی با کتابخانه‌ی Dash - قسمت سوم منتشر شده ۹ دقیقه

آماده‌سازی و پیش‌پردازش داده‌ها

  • کدها و مجموعه داده‌های این بخش
  • پیش پردازش داده‌ها چیست؟ منتشر شده ۱۲ دقیقه
  • مقابله با داده‌های ناموجود (Missing Values) منتشر شده ۱۲ دقیقه
  • مقابله با داده‌های غیر عددی (Categorical Vairables) منتشر شده ۱۰ دقیقه
  • یکسان‌سازی مقیاس داده‌ها (Feature Scaling) منتشر شده ۱۲ دقیقه
  • پیش‌پردازش داده‌های مشتریان (مثال مشتریان فروشگاه اینترنتی) - قسمت اول منتشر شده ۲۳ دقیقه
  • پیش‌پردازش داده‌های مشتریان (مثال مشتریان فروشگاه اینترنتی) - قسمت دوم منتشر شده ۱۶ دقیقه
  • پیش پردازش داده‌ها (مثال بیماران دیبابت) - قسمت اول منتشر شده ۱۷ دقیقه
  • پیش پردازش داده‌ها (مثال بیماران دیبابت) - قسمت دوم منتشر شده ۲۱ دقیقه
  • پیش‌پردازش داده‌ها (مثال متقاضیان وام) - قسمت اول منتشر شده ۲۵ دقیقه
  • پیش‌پردازش داده‌ها (مثال متقاضیان وام) - قسمت دوم منتشر شده ۲۲ دقیقه

یادگیری ماشین نظارت شده

  • کدها و مجموعه داده‌های این بخش
  • یادگیری ماشین و انواع آن منتشر شده ۱۸ دقیقه
  • الگوریتم درخت تصمیم (Decision Tree) (مثال داده‌های گل‌های زنبق) - قسمت اول منتشر شده ۱۷ دقیقه
  • الگوریتم درخت تصمیم (Decision Tree) (مثال داده‌های گل‌های زنبق) - قسمت دوم منتشر شده ۱۹ دقیقه
  • الگوریتم SVM (مثال داده‌های دست‌نوشته تصویری - تصویرکاوی) - قسمت اول منتشر شده ۲۱ دقیقه
  • الگوریتم SVM (مثال داده‌های دست‌نوشته تصویری - تصویرکاوی) - قسمت دوم منتشر شده ۲۶ دقیقه
  • ارزیابی الگوریتم‌های طبقه‌بندی و معیارهای آن‌ها - قسمت اول منتشر شده ۲۳ دقیقه
  • ارزیابی الگوریتم‌های طبقه‌بندی و معیارهای آن‌ها - قسمت دوم منتشر شده ۱۶ دقیقه
  • الگوریتم نزدیک‌ترین همسایه (KNN) (مثال داده‌های دست‌نوشته تصویری - تصویرکاوی) منتشر شده ۱۵ دقیقه
  • الگوریتم جنگل تصادفی (Random Forest) منتشر شده ۱۴ دقیقه
  • الگوریتم آدابوست (Adaptive Boosting) منتشر شده ۲۱ دقیقه
  • مفهوم بیش‌برازش (Over Fit) و کم برازش (Under Fit) منتشر شده ۲۰ دقیقه
  • الگوریتم XGBoost (مثال پیش‌بینی کنسلی رزرو هتل) - قسمت اول منتشر شده ۲۰ دقیقه
  • الگوریتم XGBoost (مثال پیش‌بینی کنسلی رزرو هتل) - قسمت دوم منتشر شده ۱۸ دقیقه
  • الگوریتم XGBoost (مثال پیش‌بینی کنسلی رزرو هتل) - قسمت سوم منتشر شده ۳۱ دقیقه
  • روش جستجوی مشبک (Grid Search) (مثال پیش‌بینی حمله‌ی قلبی) - قسمت اول منتشر شده ۱۸ دقیقه
  • روش جستجوی مشبک (Grid Search) (مثال پیش‌بینی حمله‌ی قلبی) - قسمت دوم منتشر شده ۱۷ دقیقه
  • رگرسیون و الگوریتم‌های آن منتشر شده ۱۲ دقیقه
  • الگوریتم رگرسیون XGBoost (مثال پیش‌بینی قیمت خانه) - قسمت اول منتشر شده ۲۰ دقیقه
  • الگوریتم رگرسیون XGBoost (مثال پیش‌بینی قیمت خانه) - قسمت دوم منتشر شده ۹ دقیقه
  • الگوریتم CatBoost (مثال تخمین مبلغ خسارت بیمه) - قسمت اول منتشر شده ۲۶ دقیقه
  • الگوریتم CatBoost (مثال تخمین مبلغ خسارت بیمه) - قسمت دوم منتشر شده ۹ دقیقه
  • الگوریتم CatBoost (مثال تخمین مبلغ خسارت بیمه) - پردازش بر روی کارت گرافیک منتشر شده ۱۰ دقیقه
  • خط لوله (Pipeline) در یادگیری ماشین (مثال تشخیص تولید سم از ترکیب مواد در زیست‌شناسی) منتشر شده ۱۸ دقیقه

  • کدها و مجموعه‌ی داده‌های این بخش منتشر شده ۱ دقیقه
  • متن‌کاوی (Text Mining) و پردازش زبان طبیعی (مثال پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - قسمت اول منتشر شده ۲۴ دقیقه
  • متن‌کاوی (Text Mining) و پردازش زبان طبیعی (مثال پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - قسمت دوم منتشر شده ۲۶ دقیقه
  • متن‌کاوی (Text Mining) و پردازش زبان طبیعی (مثال پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - قسمت سوم منتشر شده ۱۰ دقیقه
  • تصویر کاوی (Image Mining) (مثال پیش‌بینی خودکار نوع گل در تصویر) - قسمت اول منتشر شده ۱۳ دقیقه
  • تصویر کاوی (Image Mining) (مثال پیش‌بینی خودکار نوع گل در تصویر) - قسمت دوم منتشر شده ۲۷ دقیقه
  • تصویر کاوی (Image Mining) (مثال پیش‌بینی خودکار نوع گل در تصویر) - قسمت سوم منتشر شده ۱۹ دقیقه
  • کار با داده‌های نامتوازن (Imbalance) (مثال پیش‌بینی حادثه‌ی تقلبی بیمه) - قسمت اول منتشر شده ۱۷ دقیقه
  • کار با داده‌های نامتوازن (Imbalance) (مثال پیش‌بینی حادثه‌ی تقلبی بیمه) - قسمت دوم منتشر شده ۱۹ دقیقه
  • کار با داده‌های نامتوازن (Imbalance) (مثال پیش‌بینی حادثه‌ی تقلبی بیمه) - قسمت سوم منتشر شده ۱۲ دقیقه
  • سری‌های زمانی (Time Series) (مثال پیش‌بینی قیمت سهام) - قسمت اول منتشر شده ۱۵ دقیقه
  • سری‌های زمانی (Time Series) (مثال پیش‌بینی قیمت سهام) - قسمت دوم منتشر شده ۲۶ دقیقه
  • سری‌های زمانی (Time Series) (مثال پیش‌بینی قیمت سهام) - قسمت سوم منتشر شده ۱۸ دقیقه

یادگیری ماشین غیرنظارت شده

  • کدها و مجموعه داده‌های این بخش منتشر شده ۱ دقیقه
  • مقدمات یادگیری غیر نظارت شده و خوشه‌بندی منتشر شده ۱۳ دقیقه
  • الگوریتم K-means در خوشه‌بندی منتشر شده ۱۰ دقیقه
  • الگوریتم DBSCAN در خوشه‌بندی منتشر شده ۷ دقیقه
  • الگوریتم‌های MeanShift و SpectralClustering در خوشه‌بندی منتشر شده ۱۲ دقیقه
  • خوشه‌بندی سلسله مراتبی (Hierarchical Clustering) منتشر شده ۶ دقیقه
  • خوشه‌بندی مشتری‌ها با الگوریتم K-means (مثال سیستم پیشنهاددهی دیجیکالا) - قسمت اول منتشر شده ۱۶ دقیقه
  • خوشه‌بندی مشتری‌ها با الگوریتم K-means (مثال سیستم پیشنهاددهی دیجیکالا) - قسمت دوم منتشر شده ۱۲ دقیقه
  • خوشه‌بندی مشتری‌ها با الگوریتم K-means (مثال سیستم پیشنهاددهی دیجیکالا) - قسمت سوم منتشر شده ۱۱ دقیقه
  • خوشه‌بندی مشتری‌ها با الگوریتم DBSCAN (مثال سیستم پیشنهاددهی دیجیکالا) منتشر شده ۱۰ دقیقه
  • خوشه‌بندی متون (مثال گروه‌بندی تیکت‌های مشتریان) - قسمت اول منتشر شده ۲۱ دقیقه
  • خوشه‌بندی متون (مثال گروه‌بندی تیکت‌های مشتریان) - قسمت دوم منتشر شده ۷ دقیقه

  • کدها و مجموعه داده‌های این بخش منتشر شده ۱ دقیقه
  • تشخیص داده‌های پرت و دورافتاده (Outlier Detection) و کاربردهای آن منتشر شده ۸ دقیقه
  • الگوریتم Local Outlier Factor (مثال تشخیص تقلب در کارت‌های اعتباری) منتشر شده ۱۶ دقیقه
  • الگوریتم ABOD مبتنی بر زاویه (مثال تشخیص تقلب در کارت‌های اعتباری) منتشر شده ۱۱ دقیقه
  • الگوریتم جنگل ایزوله (IsolationForest) (مثال تشخیص تقلب در کارت‌های اعتباری) منتشر شده ۸ دقیقه
  • مثال شناسایی کاربران با رفتار نامتعارف در شبکه‌ی اجتماعی لینکدین منتشر شده ۶ دقیقه
  • شناسایی داده‌های متنی دورافتاده و ترکیب تشخیص داده‌های پرت با طبقه‌بندی منتشر شده ۱۰ دقیقه

  • کدها و مجموعه داده‌های این بخش منتشر شده ۱ دقیقه
  • کاهش ابعاد (Dimensionality Reduction) چیست؟ منتشر شده ۹ دقیقه
  • الگوریتم تحلیل مولفه‌ی اصلی (PCA) در کاهش ابعاد منتشر شده ۱۵ دقیقه
  • الگوریتم تحلیل مولفه‌ی اصلی مبتنی بر کرنل (Kernel PCA) در کاهش ابعاد منتشر شده ۹ دقیقه
  • الگوریتم تحلیل مولفه‌ی مستقل (ICA) و ISOMAP در کاهش ابعاد منتشر شده ۱۳ دقیقه
  • الگوریتم TSNE و UMAP در کاهش ابعاد منتشر شده ۸ دقیقه
  • مثال کاهش ابعاد در طبقه‌بندی و خوشه‌بندی منتشر شده ۱۰ دقیقه

یادگیری عمیق و یادگیری تقویتی

  • کدها و مجموعه‌ی داده‌ی این بخش منتشر شده ۱ دقیقه
  • شبکه‌های عصبی چیست؟ - قسمت اول منتشر شده ۲۰ دقیقه
  • شبکه‌های عصبی چیست؟ - قسمت دوم منتشر شده ۱۷ دقیقه
  • شبکه‌های عصبی چیست؟ - قسمت سوم منتشر شده ۲۱ دقیقه
  • شبکه‌های عصبی عمیق و یادگیری عمیق (Deep Learning) منتشر شده ۱۰ دقیقه
  • توابع فعال‌سازی (Activation Functions) و کاربرد آن‌ها در یادگیری عمیق منتشر شده ۱۸ دقیقه
  • کاهش گرادیان (Gradient Descent) در شبکه‌های عصبی منتشر شده ۱۶ دقیقه
  • پیاد ه‌سازی یک شبکه‌ی عصبی ساده با پایتون منتشر شده ۱۵ دقیقه
  • شبکه‌ی عصبی غلیظ (Dense) با تنسورفلو (Tensorflow) (مثال پیش‌بینی بیماری قلبی) - قسمت اول منتشر شده ۲۱ دقیقه
  • شبکه‌ی عصبی غلیظ (Dense) با تنسورفلو (Tensorflow) (مثال پیش‌بینی بیماری قلبی) - قسمت دوم منتشر شده ۲۸ دقیقه
  • حل مسئله‌ی تصاویر دست‌نوشته با شبکه‌های عصبی در تنسورفلو و کراس منتشر شده ۲۰ دقیقه
  • شبکه‌های عصبی پیچشی (Convolutional Neural Networks) - قسمت اول منتشر شده ۲۲ دقیقه
  • شبکه‌های عصبی پیچشی (Convolutional Neural Networks) - قسمت دوم منتشر شده ۱۷ دقیقه
  • تشخیص پوشاک با استفاده از شبکه‌های عصبی پیچشی (Convolution) - قسمت اول منتشر شده ۱۸ دقیقه
  • تشخیص پوشاک با استفاده از شبکه‌های عصبی پیچشی (Convolution) - قسمت دوم منتشر شده ۱۰ دقیقه
  • کار با تصاویر حجیم با شبکه‌های عصبی پیچشی (Convolution) (مثال تشخیص تصاویر حیوانات) منتشر شده ۱۹ دقیقه
  • افزایش مصنوعی داده‌ها (Data Augemntation) در یادگیری عمیق (مثال تشخیص تصاویر حیوانات) منتشر شده ۱۳ دقیقه
  • تشخیص بیماری ریوی با استفاده از تصاویر پزشکی در شبکه‌های عصبی پیچشی (Convolution) - قسمت اول منتشر شده ۱۶ دقیقه
  • تشخیص بیماری ریوی با استفاده از تصاویر پزشکی در شبکه‌های عصبی پیچشی (Convolution) - قسمت دوم منتشر شده ۱۳ دقیقه
  • تشخیص نوع گیاه با استفاده از شبکه‌های عصبی پیچشی (Convolution) منتشر شده ۲۵ دقیقه
  • شبکه‌های عصبی بازگشتی (Recurrent Neural Networks) حافظه‌دار منتشر شده ۱۸ دقیقه
  • پیش‌بینی سری زمانی با شبکه عصبی بازگشتی (Recurrent) (مثال پیش‌بینی قیمت دلار) - قسمت اول منتشر شده ۲۰ دقیقه
  • پیش‌بینی سری زمانی با شبکه عصبی بازگشتی (Recurrent) (مثال پیش‌بینی قیمت دلار) - قسمت دوم منتشر شده ۸ دقیقه
  • شبکه‌های بازگشتی با حافظه بلند کوتاه مدت (LSTM) و واحد درگاهی (GRU) (مثال پیش‌بینی سهام) - قسمت اول منتشر شده ۱۷ دقیقه
  • شبکه‌های بازگشتی با حافظه بلند کوتاه مدت (LSTM) و واحد درگاهی (GRU) (مثال پیش‌بینی سهام) - قسمت دوم منتشر شده ۱۰ دقیقه
  • معماری‌های مختلف در شبکه‌های عصبی بازگشتی (Recurrent) منتشر شده ۲۱ دقیقه

  • کدها و مجموعه داده‌های این بخش منتشر شده ۱ دقیقه
  • کتابخانه‌ی پایتورچ (PyTorch) و شبکه‌های عصبی پیچشی (CNN) - قسمت اول منتشر شده ۲۲ دقیقه
  • کتابخانه‌ی پایتورچ (PyTorch) و شبکه‌های عصبی پیچشی (CNN) - قسمت دوم منتشر شده ۱۷ دقیقه
  • کتابخانه‌ی پایتورچ (PyTorch) و شبکه‌های عصبی بازگشتی (RNN) منتشر شده ۱۷ دقیقه
  • شبکه‌ی عصبی پیچشی (Convolution) یک بعدی و لایه‌ی Embed (مثال تحلیل احساس نظرات) - قسمت اول منتشر شده ۲۲ دقیقه
  • شبکه‌ی عصبی پیچشی (Convolution) یک بعدی و لایه‌ی Embed (مثال تحلیل احساس نظرات) - قسمت دوم منتشر شده ۱۹ دقیقه
  • شبکه‌های عصبی عمیق چند کاناله (مثال پیش‌بینی قیمت منزل با استفاده از تصاویر منزل) منتشر شده ۲۹ دقیقه
  • حل مسئله‌ی تحلیل احساس نظرات با استفاده از شبکه‌های عصبی عمیق چند کاناله منتشر شده ۸ دقیقه
  • مشکل اضمحلال گرادیان (Vanishing Gradient) منتشر شده ۶ دقیقه
  • یادگیری انتقالی (Transfer Learning) در یادگیری عمیق منتشر شده ۱۵ دقیقه
  • معماری‌های AlexNet، VGGNet، ResNet، Inception و MobileNet در شبکه‌های عصبی پیچشی (Convolutional) منتشر شده ۲۳ دقیقه
  • حل مسئله‌ی تشخیص تصاویر حیوانات با استفاده از یادگیری انتقالی (Transfer Learning) - قسمت اول منتشر شده ۱۵ دقیقه
  • حل مسئله‌ی تشخیص تصاویر حیوانات با استفاده از یادگیری انتقالی (Transfer Learning) - قسمت دوم منتشر شده ۱۲ دقیقه
  • معماری «ترتیب به ترتیب» (Sequence2Sequence) در شبکه‌های عصبی بازگشتی منتشر شده ۱۳ دقیقه
  • ساخت یک ترجمه‌گر هوشمند انگلیسی به فارسی با معماری Seq2Seq - قسمت اول منتشر شده ۲۴ دقیقه
  • ساخت یک ترجمه‌گر هوشمند انگلیسی به فارسی با معماری Seq2Seq - قسمت دوم منتشر شده ۱۸ دقیقه
  • ساخت یک ترجمه‌گر هوشمند انگلیسی به فارسی با معماری Seq2Seq - قسمت سوم منتشر شده ۱۹ دقیقه
  • تبدیل‌شونده‌ها (Transformers) و شبکه‌های عصبی عمیق بازگشتی (Recurrent) دارای تمرکز (Attention) منتشر شده ۱۳ دقیقه
  • مدل BERT در معماری تبدیل‌شونده‌ها (Transformers) (مثال تشخیص پیامک‌های تبلیغاتی) - قسمت اول منتشر شده ۲۲ دقیقه
  • مدل BERT در معماری تبدیل‌شونده‌ها (Transformers) (مثال تشخیص پیامک‌های تبلیغاتی) - قسمت دوم منتشر شده ۷ دقیقه

ساخت نرم‌افزار هوشمند و انتشار آن

  • کدها و مجموعه‌ی داده‌ی این بخش منتشر نشده ۱ دقیقه
  • ساخت نرم‌افزار پیش‌بینی دسته‌ی اخبار بر اساس متن ورودی - قسمت اول منتشر شده ۲۶ دقیقه
  • ساخت نرم‌افزار پیش‌بینی دسته‌ی اخبار بر اساس متن ورودی - قسمت دوم منتشر شده ۱۴ دقیقه
  • ساخت نرم‌افزار تشخیص خواب‌آلودگی راننده - قسمت اول منتشر شده ۱۴ دقیقه
  • ساخت نرم‌افزار تشخیص خواب‌آلودگی راننده - قسمت دوم منتشر شده ۱۲ دقیقه
  • استریم‌لیت (StreamLit) و ساخت اپلیکیشن‌های تحت وب مبتنی بر داده - قسمت اول منتشر شده ۲۲ دقیقه
  • استریم‌لیت (StreamLit) و ساخت اپلیکیشن‌های تحت وب مبتنی بر داده - قسمت دوم منتشر شده ۱۱ دقیقه
  • استریم‌لیت (StreamLit) و ساخت اپلیکیشن‌های تحت وب مبتنی بر داده - قسمت سوم منتشر شده ۱۰ دقیقه
  • مقدمات سرور لینوکس و داکر (Docker) جهت انتشار نرم‌افزار منتشر شده ۱۶ دقیقه
  • انتشار نرم‌افزار مبتنی بر یادگیری ماشین بر روی سرور لینوکس منتشر شده ۱۵ دقیقه
  • نرم‌افزار تشخیص ماسک بر روی صورت انسان - قسمت اول منتشر شده ۲۷ دقیقه
  • نرم‌افزار تشخیص ماسک بر روی صورت انسان - قسمت دوم منتشر شده ۱۲ دقیقه
  • نرم‌افزار تشخیص ماسک بر روی صورت انسان - قسمت سوم منتشر شده ۱۷ دقیقه

مباحث تکمیلی و مثال‌های عملی-موردی

  • کار با گوگل کولب (Colab) و اجرای ژوپیتر نوتبوک‌ها در آن منتشر شده ۱۷ دقیقه
  • تشخیص اشیا (Object Detection) با استفاده از مدل‌های پیش‌ساخته و یادگیری انتقالی (Transfer Learning) منتشر شده ۲۱ دقیقه
  • ترجمه فارسی به انگلیسی/فرانسه با استفاده از مدل‌های پیش‌ساخته و یادگیری انتقالی (Transfer Learning) منتشر شده ۱۰ دقیقه
  • تمرین ۱۰۰۱: نمره‌دهی خودکار به املای دانش‌آموزان منتشر شده ۱۰ دقیقه
  • پاسخ تمرین ۱۰۰۱: نمره‌دهی خودکار به املای دانش‌آموزان - قسمت اول منتشر شده ۲۴ دقیقه
  • پاسخ تمرین ۱۰۰۱: نمره‌دهی خودکار به املای دانش‌آموزان - قسمت دوم منتشر شده ۲۵ دقیقه
  • بخش‌بندی تصاویر مبتنی بر پرومپ با مدل SAM فیس‌بوک منتشر شده ۲۹ دقیقه
  • یادگیری Zero-Shot و مدل CLIP در OpenAI منتشر نشده ۱۷ دقیقه
  • استفاده از مدل CLIP برای جستجوی معنایی در تصاویر منتشر نشده ۱۳ دقیقه

از چه کسی یاد میگیری؟

تصویر مسعود کاویانی

مسعود کاویانی

متخصص علم داده و یادگیری ماشین (آپارت، فیلیمو، صباویژن)

  • دانشمند ارشد داده در هلدینگ صباایده (آپارت، فیلیمو، صباویژن و سینماتیکت)
  • مهندس داده زیرساخت ذخیره‌سازی ابری پارس‌پک
  • مدرس پایتون، یادگیری ماشین و علم داده در جهاد دانشگاهی صنعتی شریف، دانشگاه شهید رجایی، دانشگاه خواجه نصیر و شهرک تحقیقاتی صنعتی اصفهان
  • مشاور داده کاوی در داروسازی دکتر عبیدی، نیروی انتظامی تهران بزرگ و بیمه سامان
  • مدیر واحد داده‌کاوی در پرتوتک سامانه (وب‌سایت هوشمند خبرفارسی) 
  • بنیان‌گذار پروژه‌ی آموزشی چیستیو (سامانه chistio.ir)
  • دارنده‌ی مدال کارآفرینی از کمپانی گوگل و کاربر برتر ماه در بخش داده‌کاوی سایت StackOverFlow
  • برنامه‌نویس ارشد شرکت فناوری اطلاعات ثانیه (مجری پروژه‌های هوشمندسازی راه‌آهن جمهوری اسلامی ایران، سامانه برنامه‌ریزی هوشمند دانشگاهی ترنج و سازمان بنادر کل کشور)
  • برنامه نویس پایتون - پی‌اچ‌پی در شرکت جویشگر پردیس ارم (سامانه جویشگر)
  • مدیر فنی و برنامه نویسی در شرکت پدیده تجارت و هم‌بنیان‌گذار استارتاپ بازآرتچه

رزومه و نمونه تدریس

منتورهای دوره دوستان زیر منتور دوره متخصص یادگیری ماشین و علم داده هستند و در طول دوره به سوالات شما پاسخ میدن و همراهتون هستند.

همین الان ثبت نام کن

آخرین فرصت خرید قبل از افزایش قیمت محصولات
۱.۶۵۹ میلیون تومان تخفیف ویژه به مدت محدود
۷.۹ میلیون تومان
۶.۲۴۱ میلیون تومان

نیاز به مشاوره تخصصی دارید؟

ثبت درخواست مشاوره رایگان:
متخصص یادگیری ماشین و علم داده دسترسی سریع به جمع متخصصین بپیوندید ...
نقدی/اقساطی ثبت نام میکنم