کی بهتر از خود مدرس میتونه بهت مشاوره بده؟🤔 ۳۵٪ تخفیف + یک جلسه رایگان با خود مدرس🔥
۰ ثانیه
۰ دقیقه
۰ ساعت

متخصص علم داده

ثبت نام این دوره در حال حاضر متوقف شده است.

طول دوره بیش از ۷۰ ساعت
پشتیبانی در جامعه برنامه‌نویسی
مسعود کاویانی
مدرس: مسعود کاویانی دانشمند ارشد داده فیلیمو/آپارات ...
متخصص علم داده به جامعه متخصصین سون‌لرن بپیوندید...

آشنایی با دوره متخصص علم داده (data science)

نمایش بیشتر
سرفصل‌های دوره
مقدمات داده کاوی و یادگیری ماشین ۶ جلسه
  • جلسه اول آشنایی با علم داده و کاربردهای آن در صنعت/تجارت/آموزش (قسمت اول) ۴۵ دقیقه
  • جلسه دوم آشنایی با علم داده و کاربردهای آن در صنعت/تجارت/آموزش (قسمت دوم) ۳۷ دقیقه
  • جلسه سوم چند مطالعه‌ی موردی در حوزه‌ی کاربرد داده کاوی در صنعت و استارتاپ‌ها ۴۳ دقیقه
  • جلسه چهارم بررسی زبان‌های برنامه نویسی حوزه‌ی داده کاوی و یادگیری ماشین (پایتون، R، جاوا، Scala، Go و...) ۴۰ دقیقه
  • جلسه پنجم تکنولوژی مجازی‌سازی و داکر و کاربر آن در حوزه‌ی علوم داده ۲۸ دقیقه
  • جلسه ششم آشنایی با متدولوژی CRISP در پیاده‌سازی پروژه‌های داده کاوی ۳۴ دقیقه
نصب و پیاده‌سازی محیط عملیاتی ۷ جلسه
  • جلسه اول آشنایی با ورژن‌های مختلف زبان پایتون و نسخه‌ی آناکوندا در لینوکس ۴۵ دقیقه
  • جلسه دوم آموزش نصب و کار با پایتون و آناکوندا در ویندوز ۲۳ دقیقه
  • جلسه سوم آشنایی با ژوپیتر نوتبوک و برنامه نویسی پایتون با این ابزار ۳۳ دقیقه
  • جلسه چهارم آشنایی با Visual Studio Code و Pycharm ۲۷ دقیقه
  • جلسه پنجم پکیج‌ها و ماژول‌ها در پایتون ۱۶ دقیقه
  • جلسه ششم کار با محیط‌های مجازی و Virtual Environment در پایتون ۲۰ دقیقه
  • جلسه هفتم آشنایی با زبان R و نرم افزار R Studio ۲۸ دقیقه
مفاهیم پایه جبرخطی و فضای چند بُعدی ۱۳ جلسه
  • جلسه اول مبانی ماتریس و فضای دکارتی ۳۴ دقیقه
  • جلسه دوم مثالِ تبدیل تصویر به ماتریس جبر خطی ۲۷ دقیقه
  • جلسه سوم تبدیل ویژگی‌های غیر عددی به عددی با استفاده از OHE ۱۷ دقیقه
  • جلسه چهارم تبدیل متن به ماتریس جبر خطی ۲۹ دقیقه
  • جلسه پنجم آموزش مقدمات کتابخانه‌ی Numpy برای کار با ماتریس‌های جبر خطی ۴۱ دقیقه
  • جلسه ششم آموزش مقدمات کتابخانه‌ی Numpy برای کار با ماتریس‌های جبر خطی - ادامه ۳۸ دقیقه
  • جلسه هفتم مباحث تکمیلی کتابخانه‌ی Numpy ۴۷ دقیقه
  • جلسه هشتم مقایسه‌ی سرعت و بهینگی کتابخانه‌ی Numpy با لیست‌های پایتون ۱۸ دقیقه
  • جلسه نهم مقدمات کتابخانه‌ی Pandas ۴۰ دقیقه
  • جلسه دهم مقدمات کتابخانه‌ی Pandas (ادامه) ۳۱ دقیقه
  • جلسه یازدهم مباحث تکمیلی کتابخانه‌ی Pandas ۲۸ دقیقه
  • جلسه دوازدهم مباحث تکمیلی کتابخانه‌ی Pandas (ادامه) ۱۶ دقیقه
  • جلسه سیزدهم تمرین پایانی فصل ۰ دقیقه
نمایش داده‌ها ۱۵ جلسه
  • جلسه اول معرفی نمودار هیستوگرام بر روی داده‌ها ۳۱ دقیقه
  • جلسه دوم نمودارهای خطی و پراکندگی ۲۴ دقیقه
  • جلسه سوم نمودار KDE مبتنی بر غلظت و نمودار جعبه‌ای یا همان Box-plot ۵۱ دقیقه
  • جلسه چهارم داده‌های سری زمانی (Time Series) و نمایش آن‌ها ۲۷ دقیقه
  • جلسه پنجم آشنایی و رسم نمودار با bokeh ۳۴ دقیقه
  • جلسه ششم کار با کتابخانه‌ی bokeh جهت مصورسازی داده‌ها ۲۸ دقیقه
  • جلسه هفتم کار با کتابخانه‌ی bokeh جهت مصورسازی داده‌ها (ادامه) ۳۵ دقیقه
  • جلسه هشتم کار با کتابخانه‌ی bokeh جهت مصورسازی داده‌ها (ادامه) ۱۶ دقیقه
  • جلسه نهم آموزش طراحی داده‌ها به صورت تعاملی با bokeh به عنوان سرور ۴۱ دقیقه
  • جلسه دهم آموزش طراحی داشبورد مدیریتی با bokeh (پروژه عملی) ۵۸ دقیقه
  • جلسه یازدهم آموزش طراحی داشبورد مدیریتی با bokeh (پروژه عملی) - ادامه ۳۵ دقیقه
  • جلسه دوازدهم آموزش طراحی داشبورد مدیریتی با bokeh (پروژه عملی) - ادامه ۳۷ دقیقه
  • جلسه سیزدهم آموزش طراحی داشبورد مدیریتی با bokeh (پروژه عملی) - ادامه ۵۴ دقیقه
  • جلسه چهاردهم دیپلوی یک پروژه علم داده با bokeh server روی یک سرور آنلاین ۵۱ دقیقه
  • جلسه پانزدهم تمرین پایانی فصل ۰ دقیقه
تست‌های آماری و تست‌های فرضیه ۱۶ جلسه
  • جلسه اول مقدمات آمار و احتمال و توزیع نرمال ۴۵ دقیقه
  • جلسه دوم توزیع‌های احتمالی (نرمال، یکنواخت، برنولی و باینومیال) ۳۱ دقیقه
  • جلسه سوم توزیع‌های احتمالی (چند جمله‌ای، پواسون و نمایی) ۱ ساعت
  • جلسه چهارم توابع PDF، CDF و PMF و کاربرد آن‌ها در توزیع‌های احتمالی ۴۴ دقیقه
  • جلسه پنجم تست Kullback-Leibler برای توزیع‌های آماری ۱ ساعت و ۵ دقیقه
  • جلسه ششم معیار جنسون شنون (Jenson Shanon) برای محاسبه‌ی دو توزیع آماری ۴۱ دقیقه
  • جلسه هفتم معیار Kolmogorov-Smirnov برای مقایسه‌ی توزیع‌های احتمالی ۴۸ دقیقه
  • جلسه هشتم کتابخانه‌ی PyIDD و تخمین توزیع‌های آماری ۱۳ دقیقه
  • جلسه نهم آشنایی با P Value کاربرد آن در تست‌های آماری ۱ ساعت
  • جلسه دهم تست‌های فرضیه‌ی آماری A-B - مثال کاربردی تغییر صفحه‌ی خرید برای مشتریان (قسمت اول) ۵۴ دقیقه
  • جلسه یازدهم جلسه تست‌های فرضیه‌ی آماری A-B - مثال کاربردی تغییر صفحه‌ی خرید برای مشتریان (قسمت دوم) ۳۰ دقیقه
  • جلسه دوازدهم درجه‌ی آزادی (Degree of Freedom)، توزیع F و توزیع Chi2 ۲۴ دقیقه
  • جلسه سیزدهم آزمون Z و آزمون T - مثال عملی آزمون داده‌های بیماری کرونا (قسمت اول) ۴۱ دقیقه
  • جلسه چهاردهم آزمون Z و آزمون T - مثال عملی آزمون داده‌های بیماری کرونا (قسمت دوم) ۳۲ دقیقه
  • جلسه پانزدهم تحلیل واریانس (ANOVA) برای آزمون‌های آماری (قسمت اول) ۲۰ دقیقه
  • جلسه شانزدهم تحلیل واریانس (ANOVA) برای آزمون‌های آماری (قسمت دوم) ۳۶ دقیقه
مقدمه‌ای بر مهندسی داده، هوش تجاری و انبار داده ۱۲ جلسه
  • جلسه اول هوش تجاری (BI) و تصمیم‌گیری داده محور ۲۳ دقیقه
  • جلسه دوم فرآیند ETL و ELT در جمع‌آوری داده‌ها ۱۶ دقیقه
  • جلسه سوم آشنایی با آپاچی AirFlow برای انتقال داده‌های حجیم و زمان‌بندی شده ۳۰ دقیقه
  • جلسه چهارم کلان داده (Big Data) و انواع مختلف داده‌ها ۱۸ دقیقه
  • جلسه پنجم روش نگاشت-کاهش (Map-Reduce) و سیستم فایل توزیع شده (DFS) ۴۳ دقیقه
  • جلسه ششم آشنایی با هدوپ (Hadoop) و اکوسیستم آن ۲۴ دقیقه
  • جلسه هفتم پایگاه داده‌های توزیع شده و تئوری CAP ۳۹ دقیقه
  • جلسه هشتم آشنایی با پایگاه داده‌های SQL و NoSQL ۳۵ دقیقه
  • جلسه نهم انبار داده، OLAP و مکعب داده (بخش اول) ۴۲ دقیقه
  • جلسه دهم انبار داده، OLAP و مکعب داده (بخش دوم) ۲۷ دقیقه
  • جلسه یازدهم بازار داده (Data Mart) و دریاچه‌ی داده (Data Lake) ۹ دقیقه
  • جلسه دوازدهم معرفی ابزار python cubes جهت ساخت مدل‌های OLAP و مکعب‌های داده ۵۵ دقیقه
پیش‌پردازش داده‌ها و آماده‌سازی آن‌ها برای طبقه‌بندی/خوشه‌بندی ۱۰ جلسه
  • جلسه اول معرفی کتابخانه‌ی scikit-learn و کتابخانه‌های مرتبط با داده کاوی ۱۸ دقیقه
  • جلسه دوم روش‌های مقدماتی پیش پردازش داده‌ها (Data Preprocessing) - قسمت اول ۴۸ دقیقه
  • جلسه سوم روش‌های مقدماتی پیش پردازش داده‌ها (Data Preprocessing) - قسمت دوم ۳۵ دقیقه
  • جلسه چهارم مباحث تکمیلی در پیش پردازش داده‌ها - قسمت اول (نرمال‌سازی و استانداردسازی داده‌ها، روش K نزدیک‌ترین همسایه برای داده‌های گم شده) ۴۳ دقیقه
  • جلسه پنجم مباحث تکمیلی در پیش پردازش داده‌ها - قسمت دوم (نرمال‌سازی L1 و L2 و باینرایزر) ۲۷ دقیقه
  • جلسه ششم همبستگی (Correlation) و روش‌های Pearson، Spearman و Kendalls Tau در تحلیل داده‌های همبسته ۴۴ دقیقه
  • جلسه هفتم همبستگی داده‌ها در پایتون (مثال عملی مجموعه داده‌ی فوتبال آمریکایی) ۵۵ دقیقه
  • جلسه هشتم مباحث تکمیلی EDA و آماده سازی داده‌ها (مثال مجموعه داده‌ی بازی‌های تخته‌ای) ۴۵ دقیقه
  • جلسه نهم مثال مجموعه داده‌ی اتومبیل و EDA بر روی داده‌ها ۳۱ دقیقه
  • جلسه دهم تمرین پایانی فصل ۰ دقیقه
طبقه‌بندی و رگرسیون ۳۰ جلسه
  • جلسه اول طبقه بندی مجموعه داده‌ی MNIST بخش مقدماتی ۴۷ دقیقه
  • جلسه دوم معرفی الگوریتم SVM و استفاده از آن در داده کاوی ۴۲ دقیقه
  • جلسه سوم معیارهای Accuarcy، Precision، Recall و F1 برای ارزیابی دقت، صحت و پوشش یک الگوریتم طبقه بندی ۴۴ دقیقه
  • جلسه چهارم الگوریتم KNN (نزدیک‌ترین همسایه) در طبقه بندی ۳۴ دقیقه
  • جلسه پنجم الگوریتم درخت تصمیم و مجموعه‌ی داده‌ی گل‌های زنبق (قسمت اول) ۲۸ دقیقه
  • جلسه ششم الگوریتم درخت تصمیم و مجموعه‌ی داده‌ی گل‌های زنبق (قسمت دوم) ۳۲ دقیقه
  • جلسه هفتم ناخالصی جینی (Gini Impurity) و بهره اطلاعاتی (Information Gain) ۳۱ دقیقه
  • جلسه هشتم بررسی مفهوم bias و variance در طبقه بندی ۴۲ دقیقه
  • جلسه نهم الگوریتم جنگل تصادفی (Random Forest) ۲۶ دقیقه
  • جلسه دهم الگوریتم Adaboost ۳۲ دقیقه
  • جلسه یازدهم نگاهی دقیق‌تر به پارامترهای الگوریتم SVM (قسمت اول) ۳۰ دقیقه
  • جلسه دوازدهم نگاهی دقیق‌تر به پارامترهای الگوریتم SVM (قسمت دوم) ۲۳ دقیقه
  • جلسه سیزدهم نگاهی دقیق‌تر به پارامترهای الگوریتم RandomForest ۳۱ دقیقه
  • جلسه چهاردهم نگاهی دقیق‌تر به پارامترهای الگوریتم KNN ۳۵ دقیقه
  • جلسه پانزدهم متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت اول ۲۷ دقیقه
  • جلسه شانزدهم متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت دوم ۱۲ دقیقه
  • جلسه هفدهم متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت سوم ۲۹ دقیقه
  • جلسه هجدهم متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت چهارم ۳۱ دقیقه
  • جلسه نوزدهم متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت پنجم ۲۱ دقیقه
  • جلسه بیستم متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت ششم ۳۲ دقیقه
  • جلسه بیست و یکم شناسایی بیماران قلبی با استفاده از الگوریتم‌های طبقه بندی ۳۵ دقیقه
  • جلسه بیست و دوم پیدا کردن بهترین پارامترها در الگوریتم‌ها با استفاده از جستجوی مشبک (Grid Search) ۴۰ دقیقه
  • جلسه بیست و سوم آشنایی با مسائل رگرسیون و حل مسئله‌ی پیش‌بینی دما (قسمت اول) ۳۹ دقیقه
  • جلسه بیست و چهارم آشنایی با مسائل رگرسیون و حل مسئله‌ی پیش‌بینی دما (قسمت دوم) ۲۴ دقیقه
  • جلسه بیست و پنجم الگوریتم Gradient Boosting و XGBoost برای طبقه‌بندی و رگرسیون ۳۳ دقیقه
  • جلسه بیست و ششم الگوریتم XGBoost و حل مسئله‌ی تخمین قیمت منزل ۴۰ دقیقه
  • جلسه بیست و هفتم الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت اول) ۳۳ دقیقه
  • جلسه بیست و هشتم الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت دوم) ۴۴ دقیقه
  • جلسه بیست و نهم الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت سوم - یادگیری ماشین با GPU و یادگیری با وقفه) ۲۳ دقیقه
  • جلسه سی‌ام جمع بندی نیمه‌ی اول دوره تا اینجا + مباحث تکمیلی ارائه شده در آینده ۳۰ دقیقه
مباحث تکمیلی و پیشرفته طبقه‌بندی ۲۰ جلسه
  • جلسه اول کاهش ابعاد - قسمت اول (کاهش ابعاد به وسیله‌ی اطلاعات آماری) ۳۶ دقیقه
  • جلسه دوم کاهش ابعاد - قسمت دوم (کاهش ابعاد به وسیله‌ی اطلاعات آماری) ۲۴ دقیقه
  • جلسه سوم الگوریتم PCA و KernelPCA در کاهش ابعاد (قسمت اول) ۳۲ دقیقه
  • جلسه چهارم الگوریتم PCA و KernelPCA در کاهش ابعاد (قسمت دوم) ۳۱ دقیقه
  • جلسه پنجم الگوریتم Factor Analysis در کاهش ابعاد ۱۵ دقیقه
  • جلسه ششم الگوریتم ICA و ISOMAP برای کاهش ابعاد ۲۱ دقیقه
  • جلسه هفتم الگوریتم TSNE و UMAP برای کاهش ابعاد ۱۹ دقیقه
  • جلسه هشتم ترکیب الگوریتم‌های کاهش ابعاد برای حل مسائل طبقه بندی ۴۰ دقیقه
  • جلسه نهم کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت اول ۲۷ دقیقه
  • جلسه دهم کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت دوم ۳۳ دقیقه
  • جلسه یازدهم کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت سوم ۱۸ دقیقه
  • جلسه دوازدهم طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت اول ۳۷ دقیقه
  • جلسه سیزدهم طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت دوم ۲۸ دقیقه
  • جلسه چهاردهم طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت سوم ۲۳ دقیقه
  • جلسه پانزدهم طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت چهارم ۲۹ دقیقه
  • جلسه شانزدهم تحلیل و پیش‌بینی سری زمانی با استفاده از SARIMAX - قسمت اول ۵۰ دقیقه
  • جلسه هفدهم تحلیل و پیش‌بینی سری زمانی با استفاده از SARIMAX - قسمت دوم ۳۰ دقیقه
  • جلسه هجدهم معرفی کتابخانه‌ی Prophet برای پیش‌بینی سری‌های زمانی ۲۱ دقیقه
  • جلسه نوزدهم جمع بندی فصل + مباحث تکمیلی ارائه شده در آینده ۹ دقیقه
  • جلسه بیستم تمرین پایانی فصل ۰ دقیقه
خوشه‌بندی و الگوریتم‌های مختلف آن ۱۸ جلسه
  • جلسه اول آشنایی با خوشه بندی (Clustering) و کاربردهای آن ۲۶ دقیقه
  • جلسه دوم معرفی الگوریتم KMeans و DBSCAN برای خوشه بندی داده‌ها ۱۸ دقیقه
  • جلسه سوم خوشه‌بندی بر اساس مدل RFM بر روی مشتریان فروشگاه اینترنتی - قسمت اول ۳۲ دقیقه
  • جلسه چهارم خوشه‌بندی بر اساس مدل RFM بر روی مشتریان فروشگاه اینترنتی - قسمت دوم ۲۹ دقیقه
  • جلسه پنجم خوشه‌بندی، معیار WCSS و تکنیک Elbow ۱۷ دقیقه
  • جلسه ششم بررسی روش Silhouette و الگوریتم DBSCAN ۲۱ دقیقه
  • جلسه هفتم تقسیم‌بندی تصاویر (Image Segmentation) با استفاده از الگوریتم‌های خوشه‌بندی - قسمت اول ۲۹ دقیقه
  • جلسه هشتم تقسیم‌بندی تصاویر (Image Segmentation) با استفاده از الگوریتم‌های خوشه‌بندی - قسمت دوم ۲۹ دقیقه
  • جلسه نهم تقسیم‌بندی تصاویر (Image Segmentation) با استفاده از الگوریتم‌های خوشه‌بندی (Spectral Clustering) - قسمت سوم ۲۶ دقیقه
  • جلسه دهم تقسیم‌بندی تصاویر (Image Segmentation) با استفاده از الگوریتم‌های خوشه‌بندی (MeanShift) - قسمت چهارم ۳۹ دقیقه
  • جلسه یازدهم خوشه بندی بر روی متون (Text Clustering) - قسمت اول ۳۳ دقیقه
  • جلسه دوازدهم خوشه بندی بر روی متون (Text Clustering) - قسمت دوم ۳۰ دقیقه
  • جلسه سیزدهم تشخیص داده‌های پرت (Outlier Detection) - قسمت اول - الگوریتم LOF ۳۲ دقیقه
  • جلسه چهاردهم تشخیص داده‌های پرت (Outlier Detection) - قسمت دوم - الگوریتم LOF ۱۴ دقیقه
  • جلسه پانزدهم تشخیص داده‌های پرت (Outlier Detection) - قسمت سوم - الگوریتم‌های ABOD و IsolationForest ۲۸ دقیقه
  • جلسه شانزدهم تشخیص داده‌های پرت (Outlier Detection) - قسمت چهارم ۱۴ دقیقه
  • جلسه هفدهم جمع بندی فصل + مباحث تکمیلی ارائه شده در آینده ۱۱ دقیقه
  • جلسه هجدهم تمرین پایانی فصل ۰ دقیقه
شبکه‌های عصبی و یادگیری عمیق ۲۶ جلسه
  • جلسه اول آشنایی با شبکه‌های عصبی و پرسپترون ۳۴ دقیقه
  • جلسه دوم پیاده‌سازی یک شبکه‌ی ساده عصبی با پایتون ۳۰ دقیقه
  • جلسه سوم آشنایی با چهارچوب تنسرفلو (tensorflow) و کراس (keras) ۲۳ دقیقه
  • جلسه چهارم پیاده‌سازی طبقه‌بندی تصاویر با تنسرفلو (tensorflow) و کراس (keras) - قسمت اول ۴۰ دقیقه
  • جلسه پنجم پیاده‌سازی طبقه‌بندی تصاویر با تنسرفلو (tensorflow) و کراس (keras) - قسمت دوم ۳۰ دقیقه
  • جلسه ششم پیاده‌سازی شبکه‌های عصبی برای حل مسئله‌ی تشخیص بیماری قلبی عروقی با تنسرفلو و کراس ۳۲ دقیقه
  • جلسه هفتم شبکه‌های عصبی کانولوشن (CNN) و مدل عمیق یادگیری ۳۷ دقیقه
  • جلسه هشتم پیاده‌سازی یادگیری عمیق کانولوشنی (CNN) برای طبقه بندی تصاویر - قسمت اول ۳۴ دقیقه
  • جلسه نهم پیاده‌سازی یادگیری عمیق کانولوشنی (CNN) برای طبقه بندی تصاویر - قسمت دوم ۲۰ دقیقه
  • جلسه دهم پیاده‌سازی شبکه‌های عصبی کانولوشنی (CNN) و استفاده از تکنیک dropout ۲۳ دقیقه
  • جلسه یازدهم آشنایی با انواع توابع فعال‌سازی (activation functions) ۲۸ دقیقه
  • جلسه دوازدهم کار با داده‌های حجیم در یادگیری عمیق - قسمت اول ۳۲ دقیقه
  • جلسه سیزدهم کار با داده‌های حجیم در یادگیری عمیق - قسمت دوم (افزایش داده‌ها و ساخت داده‌ی مصنوعی) ۳۴ دقیقه
  • جلسه چهاردهم مسئله‌ی شناخت بیماری از روی تصاویر xray قفسه سینه و کار با داده‌های نامتوازن در یادگیری عمیق - قسمت اول ۳۴ دقیقه
  • جلسه پانزدهم مسئله‌ی شناخت بیماری از روی تصاویر xray قفسه سینه و کار با داده‌های نامتوازن در یادگیری عمیق - قسمت دوم ۲۶ دقیقه
  • جلسه شانزدهم آشنایی با مدل‌های معروف یادگیری عمیق کانولوشنی در حل مسائل ۳۵ دقیقه
  • جلسه هفدهم پیاده‌سازی مدل ResNet و مدل پیش یادگیری شده در یادگیری عمیق با Tensorflow و Keras ۲۷ دقیقه
  • جلسه هجدهم پیاده‌سازی Resnet برای تشخیص تصاویر از وبکم لپ‌تاپ ۱۹ دقیقه
  • جلسه نوزدهم کار بر روی داده‌های متنی (تحلیل احساس) با شبکه‌های عصبی عمیق کانولوشنی -قسمت اول ۲۸ دقیقه
  • جلسه بیستم کار بر روی داده‌های متنی (تحلیل احساس) با شبکه‌های عصبی عمیق کانولوشنی - قسمت دوم (تعریف کانولوشن یک بُعدی و word embedding) ۳۲ دقیقه
  • جلسه بیست و یکم کار بر روی داده‌های متنی (تحلیل احساس) با شبکه‌های عصبی عمیق کانولوشنی - قسمت سوم (تعریف کانولوشن یک بُعدی و word embedding) ۳۲ دقیقه
  • جلسه بیست و دوم شبکه‌های عصبی عمیق چند کاناله (حل مسئله‌ی تحلیل احساس متن) ۲۱ دقیقه
  • جلسه بیست و سوم شبکه‌های عصبی عمیق چندکاناله با ورودی چندگانه - قسمت اول ۳۶ دقیقه
  • جلسه بیست و چهارم شبکه‌های عصبی عمیق چندکاناله با ورودی چندگانه - قسمت دوم ۳۸ دقیقه
  • جلسه بیست و پنجم شبکه‌های عصبی عمیق چندکاناله با ورودی چندگانه - قسمت سوم ۲۷ دقیقه
  • جلسه بیست و ششم جمع بندی فصل + مباحث تکمیلی ارائه شده در آینده ۹ دقیقه
مباحث تکمیلی و پیشرفته در یادگیری عمیق ۲۶ جلسه
  • جلسه اول شبکه‌های عصبی بازگشتی (RNN) ۲۰ دقیقه
  • جلسه دوم پیاده‌سازی شبکه‌های عصبی بازگشتی (RNN) در تنسورفلو و کراس ۳۳ دقیقه
  • جلسه سوم پیش‌بینی داده‌های بورس با استفاده از شبکه‌های عصبی ساده بازگشتی (simple RNN) ۲۱ دقیقه
  • جلسه چهارم شبکه‌های عصبی LSTM و GRU و معماری‌های مختلف شبکه‌های عصبی بازگشتی ۲۲ دقیقه
  • جلسه پنجم پیش‌بینی خرید/فروش رمزارز با شبکه‌های عصبی بازگشتی - قسمت اول ۳۶ دقیقه
  • جلسه ششم پیش‌بینی خرید/فروش رمزارز با شبکه‌های عصبی بازگشتی - قسمت دوم ۳۰ دقیقه
  • جلسه هفتم پیش‌بینی خرید/فروش رمزارز با شبکه‌های عصبی بازگشتی - قسمت سوم ۲۰ دقیقه
  • جلسه هشتم پیش‌بینی خرید/فروش رمزارز با شبکه‌های عصبی بازگشتی - قسمت چهارم (شبکه‌های عصبی بازگشتی multi state) ۲۰ دقیقه
  • جلسه نهم یادگیری انتقالی (Transfer Learning) - قسمت اول ۳۷ دقیقه
  • جلسه دهم یادگیری انتقالی (Transfer Learning) - قسمت دوم ۳۲ دقیقه
  • جلسه یازدهم یادگیری انتقالی (Transfer learning) - قسمت سوم ۱۶ دقیقه
  • جلسه دوازدهم یادگیری انتقالی (Transfer Learning) - قسمت چهارم ۱۸ دقیقه
  • جلسه سیزدهم ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت اول (web scraping) ۲۱ دقیقه
  • جلسه چهاردهم ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت دوم ۳۱ دقیقه
  • جلسه پانزدهم ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت سوم ۳۲ دقیقه
  • جلسه شانزدهم ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت چهارم ۲۱ دقیقه
  • جلسه هفدهم ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت پنجم ۲۵ دقیقه
  • جلسه هجدهم سیستم ترجمه‌ی ماشینی ساده با الگوریتم یادگیری عمیق بازگشتی - قسمت اول (مدل sequence2sequenc) ۳۰ دقیقه
  • جلسه نوزدهم سیستم ترجمه‌ی ماشینی ساده با الگوریتم یادگیری عمیق بازگشتی - قسمت دوم ۳۳ دقیقه
  • جلسه بیستم سیستم ترجمه‌ی ماشینی ساده با الگوریتم یادگیری عمیق بازگشتی - قسمت سوم ۱۲ دقیقه
  • جلسه بیست و یکم طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت اول ۳۳ دقیقه
  • جلسه بیست و دوم طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت دوم ۲۴ دقیقه
  • جلسه بیست و سوم طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت سوم ۳۰ دقیقه
  • جلسه بیست و چهارم طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت چهارم ۲۶ دقیقه
  • جلسه بیست و پنجم طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت پنجم ۲۴ دقیقه
  • جلسه بیست و ششم تمرین پایانی فصل ۰ دقیقه
یادگیری تقویتی و شبکه‌های عصبی عمیق تقویتی ۹ جلسه
  • جلسه اول مقدمه‌ای در مورد یادگیری تقویتی (Reinforcement Learning) ۱۹ دقیقه
  • جلسه دوم حل مسئله‌ی تاکسی خودران با یادگیری تقویتی - قسمت اول ۲۸ دقیقه
  • جلسه سوم حل مسئله‌ی تاکسی خودران با یادگیری تقویتی - قسمت دوم ۲۱ دقیقه
  • جلسه چهارم حل مسئله‌ی تاکسی خودران با یادگیری تقویتی - قسمت سوم ۳۰ دقیقه
  • جلسه پنجم حل مسئله‌ی تاکسی خودران با یادگیری تقویتی - قسمت چهارم ۱۷ دقیقه
  • جلسه ششم یادگیری تقویتی عمیق (Deep Reinforcement Learning) و شبکه‌های DDQN - قسمت اول ۲۶ دقیقه
  • جلسه هفتم یادگیری تقویتی عمیق (Deep Reinforcement Learning) و شبکه‌های DDQN - قسمت دوم ۳۰ دقیقه
  • جلسه هشتم یادگیری تقویتی عمیق (Deep Reinforcement Learning) و شبکه‌های DDQN - قسمت سوم ۲۷ دقیقه
  • جلسه نهم یادگیری تقویتی عمیق (Deep Reinforcement Learning) و شبکه‌های DDQN - قسمت چهارم ۱۲ دقیقه
علم داده پلاس (پروژه‌های تکمیلی دوره) ۵ جلسه
  • جلسه اول پیش‌بینی رمز ارزها با استفاده از شبکه‌های عصبی LSTM و ساکن‌سازی - قسمت اول ۲۸ دقیقه
  • جلسه دوم پیش‌بینی رمز ارزها با استفاده از شبکه‌های عصبی LSTM و ساکن‌سازی - قسمت دوم ۲۹ دقیقه
  • جلسه سوم پیش‌بینی رمز ارزها با استفاده از شبکه‌های عصبی LSTM و ساکن‌سازی - قسمت سوم ۲۵ دقیقه
  • جلسه چهارم پیش‌بینی رمز ارزها با استفاده از شبکه‌های عصبی LSTM بدون ساکن‌سازی - قسمت چهارم ۲۵ دقیقه
  • جلسه پنجم وبینار - بررسی و معرفی شرکت‌های داخل ایران جهت استخدام متخصص علم داده و یادگیری ماشین ۱ ساعت و ۱۵ 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
در کنار شما هستیم مشاوره ثبت‌نام در دوره متخصص علم داده

سوالات متداول متخصص علم داده (data science)

آیا یادگیری علم داده پیش‌نیاز خاصی دارد؟

خیر دوره data science سون لرن پیش نیاز خاصی ندارد. موضوع مهم‌تر داشتن علاقه و اختصاص زمان کافی برای یادگیری است.

بقیه پیش نیازهای یادگیری داده کاوی مانند پایتون، آمار، ریاضیات، جبر خطی در این دوره آموزش داده می‌شود.

درآمد داده کاوی (دیتاساینس) چقدر است؟

تقاضا برای استخدام یک متخصص دیتاساینس زیاد است اما تعداد افراد حرفه‌ای در این حوزه کم است به همین دلیل درآمد یک دیتاساینتیست از سایر برنامه نویس‌ها بالاتر است. البته درآمد یک متخصص داده کاوی به میزان تسلط و تجربه او هم بستگی دارد.

یادگیری داده کاوی برای چه افرادی مناسب است؟

می‌توان گفت یادگیری علم داده برای سه دسته از افراد مناسب است:

  • برنامه نویس هایی که می‌خواهند سطح دانش خود را بالا ببرند و حقوق بیشتری دریافت کنند.
  • دانشجوهای ارشد و دکترا که برای نوشتن پایان نامه به داده کاوی نیاز دارند.
  • متخصصین حوزه‌های دیگر مانند پزشکی، کشاورزی، زیست‌شناسی، فیزیک، شیمی و ... که برای گسترش علم خود داده کاوی را یاد می‌گیرند.

یادگیری علم داده کاوی چقدر طول می‌کشد؟

مدت زمان یادگیری علم داده بستگی دارد به:

  • زمانی که می‌توانید برای آموزش بگذارید.
  • پیش زمینه‌ای که از قبل دارید.

به صورت عمومی این زمان می‌تواند بین ۹ تا ۱۲ ماه باشد اما اگر وقت بیشتری در روز بگذارید این زمان می‌تواند کمتر (۴ تا ۶ ماه) باشد.

بهترین روش یادگیری داده کاوی چیست؟

وقتی در مورد بهترین روش یادگیری یک زبان برنامه نویسی خاص صحبت می‌شود باید بدانید که شما باید موارد مختلفی را درنظر بگیرید. من دو مورد از مهمترین‌ها را اینجا مطرح می‌کنم.

همیشه قبل از شروع یادگیری برنامه نویسی این دو سوال مطرح می‌شود:

  • آیا بهتر است به صورت self study یاد بگیریم یا یک مشاور و یک منبع جامع داشته باشیم؟ واقعیت این است هر دو روش شما را به هدف‌تان می‌رساند اما زمان رسیدن متفاوت است. ممکن است یادگیری هر زبان برنامه نویسی به صورت self study بین ۲ تا ۳ سال زمان نیاز داشته باشد. ولی اگر یک منبع آموزشی جامع با مدرس باتجربه داشته باشید که حتی پاسخگوی سوالات شما باشد آن مسیر ۳ ساله می‌تواند به یکسال تبدیل شود. من توصیه می‌کنم که اگر زمان برای شما مهم است مسیر دوم را انتخاب کنید.
  • به چه صورت برای یادگیری برنامه نویسی اقدام کنیم که نتیجه بهتری بگیریم؟ واقعیت این است که برنامه نویس بهتر کسی است که قدرت حل مسئله بهتری دارد. و این توانایی با حل مسئله و چالش‌پذیری به دست می‌آید. پس بهتر است در طول یادگیری تمرین کنید، برای خودتان پروژه تعریف کنید و در قالب پروژه چالش‌هایی را برای خودتان طرح کنید و آن چالش‌ها را در کنار آموز‌ش‌هایی که می‌بینید حل کنید. مواردی که در فرآیند چالش‌ها یاد می‌گیرید محال است که فراموش کنید.

پس اگر با یک مدرس با تجربه و معتبر و تمرین و چالش‌پذیری یادگیری را شروع کنید مطمئن باشید بهترین نتیجه را می‌گیرید.