متخصص یادگیری ماشین و علم داده (2024)

متخصص یادگیری ماشین و علم داده

پشتیبانی در جامعه برنامه‌نویسی
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 ۸ 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
  • جلسه هشتم آزمون پایانی فصل ۰ 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 ۱۵ 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
  • جلسه چهاردهم آزمون پایانی فصل ۰ دقیقه
  • جلسه پانزدهم تمرین پایانی فصل ۰ دقیقه
آمار توصیفی بر روی داده‌ها ۱۳ 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
  • جلسه دوازدهم آزمون پایانی فصل ۰ دقیقه
  • جلسه سیزدهم تمرین پایانی فصل ۰ دقیقه
آمار تفسیری و آزمون‌های آماری ۱۵ 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
  • جلسه چهاردهم آزمون پایانی فصل ۰ دقیقه
  • جلسه پانزدهم تمرین پایانی فصل ۰ دقیقه
نمایش و بصری‌سازی داده‌ها ۱۵ 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
  • جلسه چهاردهم آزمون پایانی فصل ۰ دقیقه
  • جلسه پانزدهم تمرین پایانی فصل ۰ دقیقه
پیش‌پردازش داده‌ها ۱۳ 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
  • جلسه دوازدهم آزمون پایانی فصل ۰ دقیقه
  • جلسه سیزدهم تمرین پایانی فصل ۰ دقیقه
الگوریتم‌های پایه طبقه‌بندی و رگرسیون ۲۶ 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 ۲۰ 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
  • جلسه بیست و پنجم آزمون پایانی فصل ۰ دقیقه
  • جلسه بیست و ششم تمرین پایانی فصل ۰ دقیقه
مباحث پیشرفته در یادگیری ماشین نظارت شده ۱۵ 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
  • جلسه چهاردهم آزمون پایانی فصل ۰ دقیقه
  • جلسه پانزدهم تمرین پایانی فصل ۰ دقیقه
الگوریتم‌های خوشه‌بندی ۱۴ 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
  • جلسه سیزدهم آزمون پایانی فصل ۰ دقیقه
  • جلسه چهاردهم تمرین پایانی فصل ۰ دقیقه
تشخیص داده‌های پرت ۹ 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
  • جلسه هشتم آزمون پایانی فصل ۰ دقیقه
  • جلسه نهم تمرین پایانی فصل ۰ دقیقه
کاهش ابعاد ۹ 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
  • جلسه هشتم آزمون پایانی فصل ۰ دقیقه
  • جلسه نهم تمرین پایانی فصل ۰ دقیقه
شبکه‌های عصبی عمیق و الگوریتم‌های پایه یادگیری عمیق ۲۸ 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 ۱۶ 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
  • جلسه بیست و هفتم آزمون پایانی فصل ۰ دقیقه
  • جلسه بیست و هشتم تمرین پایانی فصل ۰ دقیقه
مباحث و الگوریتم‌های پیشرفته در یادگیری عمیق ۲۲ 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
  • جلسه بیست و یکم آزمون پایانی فصل ۰ دقیقه
  • جلسه بیست و دوم تمرین پایانی فصل ۰ دقیقه
ساخت و انتشار نرم‌افزار مبتنی بر یادگیری ماشین ۱۳ 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
  • جلسه سیزدهم آزمون پایانی فصل ۰ دقیقه
یادگیری تقویتی و یادگیری تقویتی عمیق ۱۳ جلسه
  • جلسه اول کدها و مجموعه داده‌های این فصل ۰ دقیقه
  • جلسه دوم یادگیری تقویتی چیست؟ ۸ دقیقه
  • جلسه سوم حل مسئله مسیریابی تاکسی با الگوریتم Q-Learning - قسمت اول ۲۶ دقیقه
  • جلسه چهارم حل مسئله مسیریابی تاکسی با الگوریتم Q-Learning - قسمت دوم ۲۷ دقیقه
  • جلسه پنجم حل مسئله مسیریابی تاکسی با الگوریتم Q-Learning - قسمت سوم ۱۳ دقیقه
  • جلسه ششم حل مسئله کارت‌پل با الگوریتم Q-Learning - قسمت اول ۱۷ دقیقه
  • جلسه هفتم حل مسئله کارت‌پل با الگوریتم Q-Learning - قسمت دوم ۱۷ دقیقه
  • جلسه هشتم شبیه‌سازی و حل مسئله ربات خودکار در کارخانه - قسمت اول ۱۷ دقیقه
  • جلسه نهم شبیه‌سازی و حل مسئله ربات خودکار در کارخانه - قسمت دوم ۴ دقیقه
  • جلسه دهم شبیه‌سازی و حل مسئله ربات خودکار در کارخانه - قسمت سوم ۱۹ دقیقه
  • جلسه یازدهم یادگیری عمیق تقویتی و حل مسئله کارت‌پل ۲۳ دقیقه
  • جلسه دوازدهم یادگیری عمیق تقویتی و حل مسئله بازی پک‌من ۲۱ دقیقه
  • جلسه سیزدهم آزمون پایانی فصل ۰ دقیقه
تمرین‌های بیشتر 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
یادگیری ماشین در پزشکی ۱۳ جلسه
  • جلسه اول تشخیص تومور مغزی با یادگیری عمیق - قسمت اول ۱۶ دقیقه
  • جلسه دوم تشخیص تومور مغزی با یادگیری عمیق - قسمت دوم ۱۱ دقیقه
  • جلسه سوم تشخیص تومور مغزی با یادگیری عمیق - قسمت سوم ۱۲ دقیقه
  • جلسه چهارم تشخیص خرابی دندان با استفاده از تصاویر رادیولوژی - قسمت اول ۱۶ دقیقه
  • جلسه پنجم تشخیص خرابی دندان با استفاده از تصاویر رادیولوژی - قسمت دوم ۱۵ دقیقه
  • جلسه ششم تشخیص خرابی دندان با استفاده از تصاویر رادیولوژی - قسمت سوم ۸ دقیقه
  • جلسه هفتم پیش‌بینی بیماری با توجه به علائم - قسمت اول ۱۶ دقیقه
  • جلسه هشتم پیش‌بینی بیماری با توجه به علائم - قسمت دوم ۱۴ دقیقه
  • جلسه نهم پیش‌بینی بیماری با توجه به علائم - قسمت سوم ۱۱ دقیقه
  • جلسه دهم پیش‌بینی بیماری قلبی با توجه به نوار قلب - قسمت اول ۱۳ دقیقه
  • جلسه یازدهم پیش‌بینی بیماری قلبی با توجه به نوار قلب - قسمت دوم ۱۱ دقیقه
  • جلسه دوازدهم پیش‌بینی بیماری با توجه به عکس قرنیه چشم - قسمت اول ۲۱ دقیقه
  • جلسه سیزدهم پیش‌بینی بیماری با توجه به عکس قرنیه چشم - قسمت اول ۹ 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
دسترسی دائمی و بدون محدودیت
دسترسی راحت و همیشگی شما بعد از تهیه دوره به محتوای دوره و آپدیت‌های محتوایی دسترسی خواهید داشت
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 ۷.۴۲۵ میلیون تومان
ثبت نام می‌کنم
کمپین مهرماه شروع شد!
۰ ثانیه
۰ دقیقه
۰ ساعت
  • 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
25٪ تخفیف
در کنار شما هستیم مشاوره ثبت‌نام در دوره متخصص یادگیری ماشین و علم داده