هوش مصنوعی  Python  Data analysis and Machine Learning

هوش مصنوعی Python Data analysis and Machine Learning


88,000,000 ریال
مدت زمان دوره: 80 ساعت

تاریخ شروع دوره 1403/09/27

تاریخ پایان دوره 1403/12/28


 هوش مصنوعی         Python  Data analysis and Machine Learning  مدت دوره : 80 ساعت 

با توجه به رشد پرسرعت حوزه هوش مصنوعی امروزه با رویکردهای نوین آن مواجه هستیم. این رویکردها به قابلیت های بسیار وسیعی مجهز شده اند که می توانند بسیاری از پدیده های اطراف ما را درک کنند. در این دوره پس از درک مفهوم داده سراغ استفاده از رویکردهای مطرح و ساده این حوزه می رویم. این گام به ما کمک می کند تا مفاهیم اصلی این حوزه را در کنار زیرساخت اجرای آن درک کنیم. در ادامه کاربرد فضای هوش مصنوعی در موضوعات مختلف جهان را بررسی کنیم. این امر باعث تقویت مهارت حل مساله در این حوزه خواهد شد. رویکردهای مختلف مبتنی بر یادگیری با نظارت، خوشه بندی داده ها از مواردی است که در بخش اول این دوره پرداخته می شوند.در بخش دوم دوره سراغ رویکردهای پیشرفته تر این حوزه می رویم. درک قوی ما از این حوزه باعث می شود تا به راحتی رویکردهای جدید را فرا بگیریم و از آنان در مسائل پر چالش واقعی استفاده کنیم. در مسیر این دوره از مثال های مختلف دنیای واقعی استفاده می کنیم تا یادگیری خود را تکمیل کنیم همچنین کلیه نتایج بدست آمده را تحلیل می کنیم تا درکمان از عملکرد مدل هوشمند ارتقا یابد.

 

پیش نیاز این دوره :

برنامه نویسی مقدماتی پایتون 

Data Analysis with Python

Data Analysis with Python

عصر دیجیتال در حال توسعه و پیشروی است و در کنار خود دنیای هوشمندی را پدید آورده است که با زندگی انسان ها عجین شده است. کلیه فعالیت انسان ها به صورت جریان های داده ای در حال گذر از این دنیای هوشمند می باشد و امروزه شناسایی بهتر این دنیا و نحوه‌ی ارتباط آن با انسان ها به یکی از دغدغه های اصلی بشر تبدیل شده است. در این دوره ضمن آشنایی با مفهوم داده سعی بر آن خواهیم کرد که داده های مختلف در دنیای واقعی را جمع آوری کنیم. با انجام عملیات مختلف تحلیل های اولیه از آنان خواهیم داشت و در ادامه با ورود به دنیای آمار و مصور سازی سعی بر پرده برداری از اسرار مخفی داده ها  و الگوهای مهم آنان خواهیم داشت.

  • آشنایی با هوش مصنوعی و مفاهیم کلان در آن
  • مروری بر جایگاه هوش مصنوعی در جهان
  • مروری بر زبان های برنامه نویسی مطرح در این حوزه
  • بیان چارت دوره
  • بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد
  • نصب و آماده سازی محیط های لازم برای هوش مصنوعی
  • نصب Anaconda
  • بیان مفهوم Virtual Env در پایتون
  • نحوه دانلود پکیج با pip
  • نحوه دانلود پکیج با conda
  • نصب کلیه پکیج های مورد نیاز در طول دوره
  • آشنایی با IDE های مختلف
  • مروری بر مفاهیم جبر خطی
  • معرفی ماتریس ها و نحوه تبدیل داده ها به آن
  • مروری انواع ابعاد داده ها
  • مروری بر عملیات جبر خطی
  • معرفی فضای برداری و نمایش نمونه های یک ماتریس در آن
  • آموزش و کار با پکیج های مختلف پیش پردازش و آنالیز داده
  • معرفی رویکردهای گوناگون فهم داده و لزوم آن
  • معرفی علم آمار و تقسیم بندی آن
  • معرفی آمار توصیفی
    1. گشتاورهای آماری
      • میانگین / میانه
      • واریانس
      • چولگی
      • کشیدگی توزیع
    2. همبستگی داده ها
    3. معرفی توزیع های آماری و آشنایی با پکیج Scipy
      • توزیع نرمال
      • توزیع یونیفرم
      • توزیع برنولی
      • توزیع باینومیال
      • توزیع مالتی نومیال
      • توزیع پوآسون
      • توزیع نمایی
  • معرفی آزمون اثبات توزیع آماری
    1. بررسی آزمون جنسون شنون
  • آموزش و کار با پکیج های مختلف نمایش داده
  • آشنایی با پکیج Matplotlib
    1. Line Plot
    2. Scatter Plot
    3. Step Plot
    4. Bar Plot
    5. Histogram
    6. Box Plot
    7. 3D Plot
    8. Plot Attributes
  • آشنایی با پکیج Seaborn
    1. Numerical Data Plotting
    2. Categorical Data Plotting
    3. Visualizing Distribution of Data
    4. Linear Regression and Relationship
    5. Plot Attributes
  • تحلیل اکتشافی داده (EDA) - بخش دوم آمار تفسیری
  • معرفی آمار تفسیری
    1. معرفی آزمون های شبیه سازی آماری
      • A/B testing
    2. معرفی آزمون های از پیش تعریف شده آماری
      • بررسی آزمون T-Test
      • بررسی آزمون U-Test

Machine Learning with Python

  • عناوین درس
  • توضیحات درس
  • مروری بر آنالیز داده
  • مروری بر جبر خطی
  • مروری بر آنالیز داده
  • بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد
  • بررسی روشهای گوناگون آماده سازی مجموعه دادگان
  • معرفی چالش های موجود در آماده سازی مجموعه دادگان
  • معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند
  • بررسی رویکردهای گوناگون دسته بندی داده ها
  • بررسی رویکردهای مختلف دسته بندی اطلاعات
    • Binary class classification
    • Multi class classification
    • Multi label classification
    • Multi class Multi label classification
  • بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی
  • بررسی رویکرد نزدیکترین همسایه
  • معرفی رویکرد KNNImputer و استفاده از آن برای پیش پردازش داده ها
  • معرفی رویکرد KNN در دسته بندی اطلاعات
  • بیان مزایا و معایب آن
  • بررسی رویکردهای گوناگون رگرسیون خطی
  • پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
  • بیان مفهوم گرادیان و تابع خطا
  • معرفی انواع توابع خطا مرسوم در رگرسیون خطی
  • بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
  • بررسی Polynomial Regression
  • بررسی مفهوم underfitting و overfitting
  • بررسی مفهوم Early Stopping و پیاده سازی آن
  • بررسی انواع مختلف Regularization
  • بررسی و پیاده سازی Logistic Regression
  • بیان مفهوم Softmax
  • بررسی رویکرد Support Vector Machine
  • معرفی SVM و عملکرد آن در دسته بندی اطلاعات
  • معرفی SVR و عملکرد آن در رگرسیون خطی
  • بیان مزایا و معایب آن
  • بررسی رویکرد درخت تصمیم
  • معرفی رویکرد Decision Tree در دسته بندی اطلاعات
    • بیان نحوه ی کارکرد آن و پیمایش درخت تصمیم
    • بیان مفاهیم آنتروپی، cut off point , ضریب جینی
  • معرفی رویکرد Decision Tree در رگرسیون خطی
  • بیان مزایا و معایب این رویکرد
  • بررسی رویکردهای گوناگون خوشه بندی اطلاعات
  • معرفی رویکردهای مبتنی بر یادگیری بدون ناظر
  • معرفی رویکرد KMeans
    • نحوه عملکرد آن
    • نحوه ی ارزیابی آن
    • چالش های این رویکرد و نحوه ی حل آنان
    • معرفی نسخه های ارتقا یافته آن
  • معرفی رویکرد DBSCAN
    • نحوه عملکرد آن
    • نحوه ارزیابی آن
  • بررسی رویکردهای مختلف کاهش بعد
  • بررسی لزوم کاهش بعد در آموزش یک مدل
  • بررسی کاهش بعد با دیدگاه Projection
    • بررسی رویکرد PCA
  • بررسی کاهش بعد با دیدگاه Manifold
    • بررسی رویکرد LLE
  • بررسی رویکردهای ترکیبی Ensemble Methods
  • بررسی رویکرد Random Forest
  • بررسی رویکرد Adaptive Boost
  • بررسی مزایا و معایب آن
  • بررسی ساختارهای گوناگون شبکه های عصبی - مقدماتی
  • معرفی Tensorflow
    • بیان نحوه ی کارکرد Tensorflow
    • انواع مختلف متغیر در Tensorflow
    • مفهوم Session و عملکرد آن در Tensorflow
    • مدیریت گراف ها
    • پیاده سازی یک مثال برای دسته بندی اطلاعات
    • پیاده سازی یک مثال برای رگرسیون خطی
    • ذخیره و بازیابی مجدد مدل
    • نمایش گراف و روال آموزش با Tensorboard
  • بررسی کارکرد شبکه های عصبی
    • بیان ساختار نورون و عملکرد آن در مغز
    • بیان انواع توابع آتش در نورون ها و بررسی آن
    • بررسی روال Back Propagation
    • پیاده سازی ساختار های مختلف یک شبکه عصبی جهت دسته بندی اطلاعات توسط numpy
    • پیاده سازی ساختار های مختلف یک شبکه عصبی جهت رگرسیون خطی توسط numpy
  • بررسی ساختارهای گوناگون شبکه های عصبی - پیشرفته
  • معرفی KERAS
  • ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
  • ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
  • نمایش گرافیکی یک مدل طراحی شده در KERAS
  • ذخیره و بازیابی یک مدل در KERAS
  • نحوه ی ارزیابی عملکرد یک مدل در KERAS

 

 

کسب توانایی ها

  • ساخت مدل های هوشمند برای استخراج الگو و ویژگی در داده ها
  • ساخت مدل های هوشمند مبتنی بر ناظر برای دسته بندی داده ها
  • ساخت مدل های هوشمند بدون ناظر برای خوشه بندی داده ها
  • بهبود عملکرد مدل های هوشمند با اصلاح ابعاد داده ای
  • معرفی مدل یادگیری مغز انسان با بررسی عملکرد نورون ها
  • شبیه سازی عملکرد نورونهای مغز انسان در شبکه عصبی در کنار نحوه تکثیر دانش در آن
  • پیاده سازی روال های Forward propagation و Backpropagationدر شبکه های عصبی به صورت پایه ای و بررسی کتابخانه های مرتبط با آن در پایتون
  • پیاده سازی شبکه های نیمه عمیق عصبی برای دسته بندی و پیش بینی داده

بازار کار

  • رویکردهای موجود در یادگیری ماشین به دلیل عدم نیاز به منابع سخت افزاری قوی بسیار مورد توجه قرار میگیرد و در صنایعی که به تازگی با این حوزه آشنا شده اند بسیار کاربردی خواهد بود.
  • بسیاری از کسب و کارهای نوپا برای ورود به حوزه‌ی هوش مصنوعی رویکردهای یادگیری ماشین را برمی گزینند. از این رو جذب متخصص یادگیری ماشین برای آنان می تواند بسیار ارزنده باشد.
  • گذراندن این دوره به عنوان یکی از دوره های اصلی هوش مصنوعی می تواند تجربه استفاده از الگوریتم های مطرح این حوزه را در بخش صنعت برای شما فراهم کند.
  • این دوره به عنوان دوره میانی هوش مصنوعی پیش نیاز شما برای ورود به دنیای یادگیری عمیق بوده و شما را برای استفاده از قابلیت های هوشمند در لبه تکنولوژی آماده می کند.
  • امکان استخدام به عنوان یک مهندس یادگیری ماشین در شرکت های بزرگ برنامه نویسی پس از گذراندن این دوره میسر است.

 

 

مزایای مجتمع فنی تهران(نمایندگی تبریز)

  • مجهز ترین مرکز آموزش فناوری اطلاعات در سطح شمالغرب کشور 
  • ارائه گواهی پایان دوره بین المللی فارسی و انگلیسی از مجتمع فنی تهران به عنوان معتبرترین برند آموزشی کشور
  • ارائه گواهی پایان دوره بین المللی از سازمان فنی و حرفه ای کشور 
  • حضور اساتید به نام و برجسته در این مرکز
  • دارای مشاوران مجرب و متخصص در حوزه آموزش
  • فضای آموزشی مجهز به جدید ترین فناوری روز دنیا
  • استفاده از متد آموزشی روز دنیا بر اساس آموزش عملی و اشتغال محور
  • داشتن بالاترین ابزار و تجهیزات شبکه و مجهز بودن تمام سیستم های کامپیوتری به آخرین امکانات

محصول با موفقیت به سبد خرید اضافه شد