17 مرداد , 1403

پک هوش مصنوعی Python Data analysis and Machine Learning

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

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 گشتاورهای آماری میانگین / میانه واریانس چولگی کشیدگی توزیع همبستگی داده ها 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 بررسی آزمون جنسون شنون
آموزش و کار با پکیج های مختلف نمایش داده	آشنایی با پکیج Matplotlib Line Plot Scatter Plot Step Plot Bar Plot Histogram Box Plot 3D Plot Plot Attributes آشنایی با پکیج Seaborn Numerical Data Plotting Categorical Data Plotting Visualizing Distribution of Data Linear Regression and Relationship Plot Attributes
تحلیل اکتشافی داده (EDA) - بخش دوم آمار تفسیری	معرفی آمار تفسیری معرفی آزمون های شبیه سازی آماری A/B testing 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