بوت کمپ پایتون و علم داده
این بوتکمپ، یک برنامه آموزشی 6 ماهه به همراه 6 ماه پشتیبانی بعد از دوره جهت مشاوره و راهنمایی در زمینه ارتقای رزومه و پیدا کردن شغل مناسب می باشد. شما با ورود به این دوره، در کنار دسترسی به بیش از 100 ساعت محتوای آموزش ویدئویی، از منتورینگ و راهنمایی مدرس دوره نیز بهره مند خواهید شد. این دوره بدون پیشنیاز بوده و تمام مباحث مورد نیاز صفر تا صد در همین برنامه آموزشی تدریس خواهد شد.
بوت کمپ جامع پایتون و علم داده، با سرفصلی کاملاً منطبق بر نیازهای بازارکار و آموزش کامل مفاهیم مورد نیاز و همچنین نحوه کار با ابزارها و کتابخانه های مرتبط با هوش مصنوعی، یادگیری ماشین و علم داده در پایتون، یک دوره آموزشی کاملاً متفاوت برای ورود به بازارکار هوش مصنوعی و یادگیری ماشین در داخل و خارج از کشور بوده و موفقیت شما در این حوزه را 100% تضمین خواهد کرد.
چرا باید در این بوتکمپ شرکت کنم ؟
انتظار می رود تا سال 2025 بازارکار جهانی نیاز به 97 میلیون نفر نیروی متخصص هوش مصنوعی داشته باشد.
درآمد سالانه یک مهندس یادگیری ماشین (Machine Learning Engineer) در ایالت متحده حدودا 145 هزار دلار است.
متخصص پایتون و هوش مصنوعی، قادر به مهاجرت و اشتغال در کانادا و بسیاری از کشورهای اروپایی خواهد بود.
به گفته مدیر فنی گوگل: تأثیر هوش مصنوعی در زندگی بشریت، از تأثیر سوخت، برق و حتی اینترنت نیز فراتر است.
قدرت پایتون
پایتون یک زبان برنامه نویسی همه منظوره، محبوب و ساده است و معمولاً به عنوان اولین زبان برای یادگیری برنامه نویسی استفاده می شود. یادگیری پایتون دیگر یک انتخاب نیست! همه نیاز به یادگیری زبان Python دارند.
فقط یک نگاه به سایت های کاریابی کافی است تا به قدرت زبان برنامه نویسی پایتون پی ببرید و از همین حالا به جمع افرادی بپیوندید که قرار است به زودی متخصص پایتون و هوش مصنوعی شده و آینده کاری خودشان را تضمین کنند.
کاربرد پایتون
زبان پایتون به خاطر ویژگی های خاصی که دارد، امروزه تقریباً در تمام علوم و تخصص های بازار کار حضور دارد
- هوش مصنوعی و یادگیری ماشین (Machine Learning)
- علم داده ، بیگ دیتا و داده کاوی (Data Science)
- هوشمندسازی، رزبری پای، رباتیک و اینترنت اشیا (Internet of Things)
- بازارهای مالی، معاملات الگوریتمی فارکس، بورس و ارز دیجیتال (Financial Markets)
- هک و امنیت شبکه (Hack & Security)
- برنامه نویسی وب ، استخراج اطلاعات از وب (Web Scraping)
آنچه در این دوره آموزش خواهید دید
- آشنایی با ساختار سیستم های کامپیوتری
- فرآیند توسعه نرم افزار
- ساختمان های داده (Data Structures)
- ساختارهای کدنویسی (Programming Structures)
- تفکر الگوریتمی و تکنیک های حل مسئله (Problem Solving)
- تبدیل الگوریتم به کد
- برنامه نویسی شی گرا
- سیستم های اعداد و کدینگ اطلاعات
- نصب و شروع کار با پایتون
- متغیر و انواع داده پایه
- حلقه های تکرار
- کنترل شرطی
- انواع داده کالکشن در پایتون
- فانکشن ها، متغیرهای گلوبال و محلی
- تشخیص و کنترل خطا در پایتون
- کار با فایل در پایتون
- شی گرایی و کلاس در پایتون
- ماژول (Module) و کتابخانه (Library) در پایتون
- استقرار پروژه های پایتون
- پروژه های پایانی
- تجزیه و تحلیل داده – Data Analysis
- یادگیری ماشین – Machine Learning
- یادگیری عمیق – Deep Learning
- شبکه های عصبی – Neural Network
- سری های زمانی – Time Series
- رگرسیون خطی – Linear Regression
- رگرسیون چندگانه – Multiple Regression
- رگرسیون لجستیک – Logistic Regression
- درخت های تصمیم – Decision Trees
- ابزارها و کتابخانه های تحلیل و آنالیز داده – Data Analysis
- ابزارهای ترسیم و بصری سازی داده – Data Visualization
- ابزارهای تحلیل داده اکتشافی – Exploratory Data Analysis
- یادگیری عمیق و شبکه های عصبی با کراس – Keras
- یادگیری عمیق و شبکه های عصبی با تنسورفلو – Tensorflow
- مطالعه موردی در موضوعات مختلف برای درک بهتر از چالش ها و پروژه های بازار کار
- انجام چند پروژه کامل جهت بهبود رزومه و آمادگی برای انجام پروژه های جدی تر
- مرور سوالات رایج در مصاحبه کاری
مزایای بوت کمپ پایتون و علم داده
شما پس از سپری این بوت کمپ به موارد زیر تسلط خواهید داشت:
- با درک صحیح اصول طراحی الگوریتم و حل مسئله، برنامه نویسی با پایتون را به صورت علمی و اصولی فرا خواهید گرفت
- توانایی کدنویسی و اجرای پروژه های پایتون را کسب خواهید کرد
- توانایی درک سورس کد پروژه های بزرگ پایتون را خواهید داشت
- با کتابخانه ها و ابزارهای مختلفی در پایتون آشنا خواهید شد
- با اصطلاحات آماری و مفاهیم علم داده آشنا خواهید شد
- توانایی استفاده عملی از تکنولوژی های علم داده (داده کاوی و آنالیز داده) در دنیای واقعی را بدست خواهید آورد
- قادر به حل چالش ها و ارتقاء سیستم ها و فرآیندهای تحلیل داده در بخش های مختلف صنعت خواهید بود
- دانش کافی برای استفاده از ابزارهای تحلیل داده را بدست خواهید آورد
- با تحلیل داده اکتشافی آشنا خواهید شد
- با پرکاربردترین کتابخانه های پایتون برای علم داده از جمله NumPy، Pandas و Matplotlib آشنا خواهید شد
- با مفاهیم بنیادی در حوزه هوش مصنوعی و یادگیری ماشین آشنا خواهید شد
- با جدیدترین مدل های یادگیری ماشین آشنا خواهید شد
- پرکاربردترین کتابخانه های یادگیری ماشین در پایتون را آموزش خواهید دید
- توانایی استفاده عملی از تکنیک های یادگیری ماشین از جمله یادگیری عمیق و شبکه عصبی در دنیای واقعی را بدست خواهید آورد
- نحوه پیاده سازی پروژه های یادگیری ماشین و توسعه مسائل دنیای واقعی با استفاده از ابزارها و تکنیک های مربوطه را آموزش خواهید دید
- گواهی پایان دوره هوش مصنوعی با پایتون را دریافت خواهید کرد
- با ذکر پروژه های عملی انجام شده، رزومه خوبی خواهید ساخت
- آمادگی لازم برای مصاحبه های شغلی هوش مصنوعی و علم داده را خواهید داشت
- شرایط و تخصص کافی برای استخدام در مشاغل مربوط به علم داده و هوش مصنوعی را خواهید داشت
دموی رایگان از محتوای دوره
دموهای رایگان بوت کمپ 6+6 پایتون برای هوش مصنوعی در این قسمت قابل مشاهده می باشد. همچنین در صورت انتشار دموی جدید از این دوره، ویدئوها در همین قسمت درج خواهد شد.
گواهی اتمام دوره
پس از سپری کردن این دوره آموزشی، شما گواهی شرکت در دوره را از سمت مرکز آموزش علوم نوین امیرکبیر دریافت خواهید کرد:
مخاطبین دوره
بوت کمپ آموزش پایتون برای هوش مصنوعی برای گروه های زیر بسیار مفید و کاربردی خواهد بود:
– دانشجویان و محققین علاقمند به توسعه سیستم های هوش مصنوعی و داده کاوی
– برنامه نویسان و متخصصین بازارکار علاقمند به بکارگیری هوش مصنوعی و علم داده (دیتا ساینس) در قسمت های مختلف صنعت از جمله:
- بانک ها و موسسات مالی، بورس و بازارهای مالی
- سازمان های بیمه و آژانس های مسافرتی
- فروشگاه های آنلاین، کارخانجات و شرکت های تولیدی
- سلامت و بهداشت و درمان
- فناوری اطلاعات، شبکه و امنیت سایبری
- سیستم های مدیریت ارتباط با مشتری (CRM) و منابع انسانی
ضمناً شرکت ها و ارگان های خصوصی و دولتی که نیاز مشاوره، آموزش سازمانی کارکنان یا درخواست همکاری دارند، می توانند با ما تماس حاصل نموده و در رابطه با تخفیف های ما برای سازمان ها اطلاعات لازم را کسب نمایند.
پیشنیاز دوره
بوت کمپ 6+6 پایتون برای هوش مصنوعی، یک دوره آموزشی جامع بدون پیشنیاز بوده و با پرداختن به صفر تا صد تمام مفاهیم و ابزارهای مورد نیاز این حوزه، نیازی به گذراندن هیچ دوره دیگری ندارد.
برای شروع این دوره کافیست یک سیستم کامپیوتری مناسب با سیستم عامل ویندوز یا لینوکس و همچنین عشق و علاقه کافی به هوش مصنوعی داشته باشید.
سرفصل مطالب دوره
1 – اصول و مبانی برنامه نویسی (Programming Basics) – 12 ساعت
2 – زبان برنامه نویسی پایتون (Python Programming) – 25 ساعت
3 – تحلیل داده در پایتون (Data Analysis) – 25 ساعت
4 – یادگیری ماشین در پایتون (Machine Learning) – 25 ساعت
5 – آمادگی برای استخدام (Employment Preparation) – 13 ساعت
ماژول 1 – اصول و مبانی برنامه نویسی (Programming Basics)
اگر تاکنون با هیچ زبانی برنامه نویسی نکرده اید و آشنایی کافی با علوم کامپیوتر ندارید، در این بخش مبانی مورد نیاز برای شروع برنامه نویسی را فرا خواهید گرفت.
- گام های یادگیری برنامه نویسی
- چه زبانی را انتخاب کنم؟
- آشنایی با کامپیوتر و مزایای استفاده از کامپیوتر
- آشنایی با ورودی -خروجی و ساختار سخت افزاری سیستم های کامپیوتری
- جریان اطلاعات و سیستم پردازش اطلاعات در کامپیوتر
- اجزاء سیستم پردازش اطلاعات (ALU)
- آشنایی با سیستم عامل و نقش آن در اجرای برنامه ها
- آشنایی با نرم افزار و مراحل تولید نرم افزار
- تعریف اصطلاحات کدنویسی، زبان برنامه نویسی و برنامه نویس
- دسته بندی زبان های برنامه نویسی
- فرآیند تبدیل برنامه به زبان ماشین
- آشنایی با تعریف و تفاوت های اسمبلر، مفسر و کامپایلر
- محیط های برنامه نویسی
- انواع متغیر متنی، عددی و …
- ساختار ذخیره سازی متغیرها در حافظه کامپیوتر
- دیتا تایپ (نوع داده)
- اعداد (short, int, long, float, double)
- کاراکتر (char)
- کاراکترهی کنترلی (\n \r \t و …)
- آرایه (array)
- رشته (string)
- عملگرهای محاسباتی، منطقی و مقایسه ای
- ساختار تصمیم و شرط گذاری (if-else, switch, ternary)
- ساختار تکرار (for, While, do-while, …)
- کنترل اجرای حلقه با break و continue
- فانکشن یا تابع (لیست پارامترها، ورودی های تابع، خروجی های تابع و امضای تابع)
- برنامه نویسی ماژولار
- گام های حل مسئله
- فرآیند تبدیل یک مسئله دنیای بیرونی به یک نرم افزار (سورس کد) توسط مهارت برنامه نویسی
- الگوریتم و ویژگی های الگوریتم
- مزایا و معایب الگوریتم
- تفکر الگوریتمی و تبدیل مسئله به الگوریتم
- نیازمندی های طراحی الگوریتم
- حل مسائل بزرگتر
- روش های طراحی الگوریتم
- تبدیل الگوریتم به فلوچارت (نمودار جریان)
- مزایا و معایب فلوچارت
- شبه کد (Pseudo code)
- مزایای شبه کد
- مثال های متعدد از طراحی الگوریتم و فلوچارت
- الگوریتم های محاسبات ساده
- آشنایی با الگوریتم های مرتبط با حلقه تکرار
- الگوریتم های مرتبط با لیست
- چند الگوریتم مرتبط با String
- شی گرایی
- تعریف شیء و کلاس
- اجزای کلاس
- نمونه سازی از کلاس
- بسته بندی
- چندریختی
- انواع وراثت و مزایای آن
- نمودار کلاس
- سیستم اعداد چیست؟
- سیستم اعداد باینری، اکتال، دسمیال، هگزادسیمال
- تبدیلات در سیستم های اعداد
- سیستم های کدگذاری اطلاعات
- کد اسکی، ایسکی، یونیکد
- واحدهای حافظه کامپیوتر
ماژول 2 – زبان برنامه نویسی پایتون (Python Programming)
در این ماژول، اصول زبان برنامه نویسی پایتون را به طور کامل آموزش خواهید دید و قادر به برنامه نویسی به زبان پایتون خواهید بود.
- معرفی زبان پایتون
- نصب پایتون (آناکوندا)
- آشنایی با محیط ژوپیتر نوت بوک (Jupyter Notebook)
- آشنایی با مفسر Ipython
- آشنایی با محیط ویژوال استودیو کد (VSCode)
- دستور پرینت در پایتون
- دریافت ورودی از کاربر
- نمایش خروجی در ترمینال
- نحوه کامپایل و اجرای فایل های پایتون
- قوانین و استانداردهای نامگذاری متغیرها در Python
- انواع داده در پایتون
- تبدیل نوع یا Type casting در Python
- متغیرهای رشته ای
- فرمت رشته
- متغیرهایی عددی
- عملگرهای محاسباتی
- عملگرهای منطقی
- اولیت عملگرها
- حلقه while
- حلقه do-while
- حلقه تکرار for
- عبارات کنترل حلقه (continue, break)
- حلقه های تو در تو
- عبارات شرطی
- دستور if
- دستور if else
- دستور id elif else
- لیست (List)
- تاپل (Tuple)
- دیکشنری (Dictionary)
- مجموعه (Set)
- فانشکن (Function)
- نحوه نوشتن فانکشن در پایتون
- پارامترهای فانکشن
- پارامترهای اختیاری توابع
- متغیرهای گلوبال و محلی
- فانشکن های لامبدا (Lambda Functions)
- توابع کار با تاریخ در پایتون (Date-Time Operations)
- فانکشن های کار با رشته در پایتون (String Operations)
- خطاهای رایج در پایتون
- دیباگ کردن برنامه های Python
- دستورات کنترل خطا (Error Handling)
- مدیریت استثنا (Exception Handling)
- دستور try-catch
- دستور raise
- ساخت فایل
- مدهای بازکردن فایل
- دسترسی های مختلف فایل
- کار با اشاره گر آفست فایل
- عبارت with
- خواندن اطلاعات از فایل
- نوشتن اطلاعات در فایل
- الحاق اطلاعات به فایل
- کار با فایل های متنی
- کار با فایل های باینری
- کار با فایل های CSV
- کار با فایل JSON در پایتون
- مقدمه ای بر برنامه نویسی شیء گرا
- اصول و مفاهیم برنامه نویسی شی گرا در پایتون
- اصول وراثت در Python
- مفهوم ارث بری در Python
- مفهوم کلاس
- ییاده سازی کلاس در پایتون
- متغیرها و متدهای کلاس
- مثالی از کاربرد کلاس به جای برنامه نویسی تابعی
- مفهوم آبجکت ها در Python
- ماژولاریتی
- جداسازی منطق برنامه از سایر بخش های برنامه
- آشنایی با ماژول در پایتون
- نحوه ساخت ماژول
- استفاده مجدد از کدهای نوشته شده در پروژه های دیگر
- آشنایی با ساختار کتابخانه در پایتون
- نحوه ساخت کتابخانه
- نصب و استفاده از کتابخانه ها در Python
- دستور import
- کتابخانه های استاندارد و پرکاربرد Python
- کتابخانه sys (تعامل با مفسر پایتون)
- کتابخانه os (تعامل با سیستم عامل)
- کتابخانه re (عبارات منظم)
- کتابخانه datetime (تاریخ و زمان)
- آشنایی با پکیج های پایتون
- کار با ماژول ها
- آشنایی با معماری کلاینت سروری وب
- ساختار آدرس URL
- هدرهای HTTP
- باز کردن یک آدرس url از طریق Python
- ارسال درخواست POST
- دریافت پاسخ و Parse کردن اطلاعات دریافتی
- مرتب سازی اطلاعات بدست آمده
- ذخیره دیتای کاوش شده در فایل CSV
- آشنایی با مجازی سازی (Virtualization) و داکر (Docker)
- سرورهای مناسب جهت استقرار پروژه های پایتون
- آماده سازی سرور جهت استقرار پروژه
- ساخت داکر
- انتقال پروژه پایتون به سرور توسط داکر
- پروژه 1 : پیاده سازی سیستم بانکی در پایتون
- پروژه 2 : پیاده سازی سیستم دانشگاه در پایتون
ماژول 3 – تحلیل داده در پایتون (Data Analysis)
این ماژول از بوت کمپ به عنوان یک “پکیج جامع علم داده با پایتون” می باشد. تمام نیازهای شما به عنوان یک دانشمند داده اعم از مفاهیم بنیادی و ابزارها و کتابخانه های پایتون، در این ماژول، به طور کامل آموزش داده شده است.
- تحلیل داده چیست؟
- همه چیز درمورد دیتاست (Data Set)
- انواع دیتا (Data Type)
- مفاهیم و تعاریف آمار توصیفی (Descriptive Statistics)
- توزیع نرمال
- مد و میانه
- انحراف معیار
- آزمون Z و نمره استاندارد (Z-Score – Standardized Score)
- جهت (Modality) ، چولگی (skewness) و کشیدگی ( kurtosis) توزیع داده ها
- NumPy چیست و چرا از آن استفاده می کنیم؟
- آرایه در NumPy
- روش های ساخت آرایه در NumPy
- تبدیل نوع
- اسلایس و ایندکس آرایه ها در NumPy
- توابع و عملیات قابل اجرا روی آرایه
- Broadcasting آرایه
- Vectorization آرایه
- Pandas چیست و چرا از آن استفاده می کنیم؟
- سری ها در پانداس
- اصول و مفاهیم دیتافریم (Data Frame)
- ساخت دیتافریم در پانداس
- مدیریت دیتاهای گم شده (Missing Data) در Pandas
- گروهبندی دیتافریم ها با GroupBy
- تجمیع دیتافریم ها با Aggregation
- انجام Transform روی دیتافریم ها
- Window Function ها در pandas
- فیلتر کردن
- انجام join ، merge و concat روی دیتافریم ها
- متد Apply
- Reshape کردن دیتافریم
- محاسبه Frequency Distribution
- تمام دستورات و اصول کار با کتابخانه Matplotlib برای مصورسازی اطلاعات
- تمام دستورات و اصول کار با کتابخانه Seaborn برای مصورسازی اطلاعات
- آشنایی با دستور plot
- انواع plot
- پارامترهای plot در پایتون
- Scatter Plot
- Scatter Plot با خط روند (Best Line Fit)
- نمودار شمارش (Counts Plot)
- توزیع
- Marginal Box-plot
- ترسیم Correlogram
- ترسیم Heatmap
- رسم نمودارهای جفتی (Pairwise Plot)
- نمودارهای میله ای واگرا (Diverging Bar charts)
- نمودارهای نقطه ای واگرا (Diverging Dot Plot)
- نمودار میله ای مرتب (Ordered Bar Plot)
- نمودار نقطه ای (Dot Plot)
- هیستوگرام متغیرهای پیوسته (Continuous Variable)
- هیستوگرام متغیرهای طبقه ای (Categorical Variable)
- نمودار تراکم (Density Plot)
- نمودارهای جعبه ای (Box Plot)
- نمودار دایره ای (Pie Chart)
- نمودارهای درختی (Tree Map)
- نمودار میله ای (Bar Chart)
- نمودارهای سری های زمانی (Time Series Plot)
- نمودار تجزیه سری های زمانی (Time Series Decomposition Plot)
- تحلیل داده اکتشافی چیست؟
- مروری بر مباحث EDA
- جریان کاری EDA
- شناسایی متغیر (Variable Identification)
- تحلیل تک متغیره (Univariate Analysis)
- تحلیل دو متغیره (BiVariate Analysis)
- اصلاح مقادیر گم شده (Missing values treatment)
- تشخیص و اصلاح داده های خارج از محدوده (Outlier Detection and Treatment)
- تبدیل متغیر (Variable transformation)
- ایجاد متغیر (Variable creation)
ماژول 4 – یادگیری ماشین در پایتون (Machine Learning)
در این بخش از دوره، در کنار یادگیری مفاهیم و الگوریتم های مربوط به یادگیری ماشین، به یادگیری کتابخانه هوش مصنوعی پایتون نیز پرداخته شده است.
- تعریف یادگیری ماشین
- تاریخچه ماشین لرنینگ
- انواع ماشین لرنینگ و کاربردهای آنها
- چالش های موجود در یادگیری ماشین
- نقش دیتا در یادگیری ماشین
- مسائل رگرسیون
- مدل های رگرسیون (Regression Models) و معیارهای کارآیی
- مسائل طبقه بندی (Classification Problems) و معیارهای کارآیی
- بهینه سازی معیارهای طبقه بندی
- بایاس (اُریبی) و واریانس (Bias and Variance)
- مروری بر رگرسیون خطی
- آموزش (Training) و توابع هزینه (Cost Function)
- توابع هزینه و گرادیان کاهشی (Gradient Descent)
- رگرسیون خطی – رویکرد کاربردی
- مقیاس بندی ویژگی (Feature Scaling) و توابع هزینه
- فرضیات و تست OLS
- پیش بینی قیمت خودرو
- تجزی تحلیل و آماده سازی دیتا (Data Preparation)
- ساخت مدل (Model Building)
- ارزیابی و بهینه سازی مدل (Model Evaluation and Optmization)
- تعریف رگرسیون لجستیک
- مدل لوجیت (Logit)
- مطالعه موردی – Telecom Churn
- تحلیل داده (Data Analysis) و مهندسی ویژگی ها (Feature Engineering)
- ساخت مدل لجستیک
- ارزیابی مدل (Model Evaluation – AUC-ROC)
- بهینه سازی مدل (Model Optimization)
- مدل احتمال (Probability Model) بیز ساده
- محاسبات احتمال (Probability Computation) بیز ساده
- مطالعه موردی – فرسایش کارکنان
- ساخت و بهینه سازی مدل
- آشنایی با درخت تصمیم
- مفهوم مدل (Model Concept)
- گام های یادگیری (Learning Steps)
- شاخص جینی (Gini Index) و معیارهای آنتروپی (Entropy Measures)
- هرس (Pruning) و تنظیم فراپارامتر (Hyperparameter Tuning)
- مطالعه موردی – دیتاست عنبیه چشم
- بهینه سازی مدل به کمک Grid Search Cross Validation
- تکنیک های گروه بگینگ (Bagging) و رندوم فارست (Random Forest)
- هرس و بهینه سازی گام های رندوم فارست (Random Forest Steps Pruning and Optimization)
- ساخت مدل و تنظیم فراپارامترها با استفاده از Grid Search CV
- مفاهیم SVM
- معیارها و پارامترهای SVM
- SVM چندجمله ای (Polynomial SVM)
- پروژه SVM
- پیش بینی های SVM
- طبقه بندی داده های چند جمله ای
- مفهوم تحلیل مؤلفه اصلی (Principal Component Analysis : PCA)
- محاسبات PCA
- PCA در کاربردهای واقعی
- آشنایی با یادگیری نظارت نشده (Unsupervised Learning)
- آشنایی با الگوریتم خوشه بندی K-Means
- محاسبات خوشه بندی K-Means
- بهینه سازی خوشه بندی K-Means
- آماده سازی دیتا و مدلسازی
- بهینه سازی مدل
- آشنایی با شبکه عصبی
- آشنایی با لایه های نرون ها
- وزن و بایاس
- Activation Function
- Loss Function
- پیاده سازی شبکه عصبی در پایتون
- استفاده از کتابخانه NumPy برای سازماندهی دیتای شبکه عصبی و ساده تر شدن محاسبات
- آشنایی با کتابخانه TensorFlow برای هوش مصنوعی در پایتون
- نصب کتابخانه TensorFlow
- پیاده سازی شبکه عصبی به کمک TensorFlow
- load کردن دیتا در تنسور فلو
- کامپایل مدل در تنسور فلو
- fitting در تنسور فلو
- training در تنسور فلو
- تبدیل شبکه عصبی به یک شبکه 3-لایه در TensorFlow
- آشنایی با یادگیری عمیق
- آشنایی با کتابخانه کرس (Keras) در پایتون
- یادگیری عمیق (Deep Learning) با کراس
- مدل ها در کراس
- لایه ها و ماژول های کرس
- کامپایل مدل در کرس
- ارزیابی مدل
- پیش بینی در کرس
- چرخه حیات مدل های شبکه عصبی در کراس
- ساخت اولین شبکه عصبی با کراس
- ساخت یک مدل دسته بندی تصاویر (Image Classification) توسط کراس
ماژول 5 – آمادگی برای استخدام (Employment Preparation)
در این بخش از دوره، با بررسی چند نمونه از مسائل واقعی و مطالعه موردی روی آن مسائل شما را با چالش های موجود در فضای کاری آشنا خواهیم کرد. سپس چند پروژه عملی انجام می شود تا بتوانید با درج آنها در رزومه، کیفیت رزومه خود را بالاتر ببرید. در پایان با مرور سوالات رایج، می توانید درصد موفقیت در جلسات مصاحبه را بالاتر ببرید.
مطالعات موردی از نوع مطالعه Regression و Classification خواهند بود و در هر مطالعه، اکثر مراحل زیر طی خواهد شد.
- معرفی مسئله و چالش های تجاری
- مرور کلی پارامترهای رگرسیون (Regression)
- مرور کلی پارامترهای طبقه بندی (Classification)
- دریافت دیتای اولیه
- پاکسازی و شفاف سازی دیتای اولیه
- مهندسی دیتا
- مصورسازی و تحلیل اکتشافی دیتا (EDA)
- مهندسی ویژگی (Feature Engineering)
- کشف و حذف دیتای خارج از محدوده
- مقیاس بندی ویژگی ها (Feature Scaling)
- کدگذاری ویژگی ها (Feature Encoding)
- انتخاب ویژگی
- بررسی اهمیت ویژگی
- پیش بینی/ساخت/برازش مدل
- یادگیری نیمه نظارتی (Semi-Supervised Learning)
- متوازن کردن دیتاست توسط Under Sampling و Over Sampling
- پیش بینی مجدد
- ارزیابی مدل
- برطرف کردن باگ ها
- پیشنهادات بهبود مدل
- نتیجه گیری
- استفاده از دیتاست Fashion-MNIST برای تصاویر لباس
- Train شدن سیستم
- تست شبکه Train شده
- مصورسازی نتایج با کتابخانه MatPlotLib
- استقرار سیستم روی برد رزبری پای (RaspberriPi)
- تقویت رزبری پای با قطعه سخت افزاری Neural Compute Stick برای انجام پروژه های یادگیری ماشین
1- مقدمات
- آشنایی با مصاحبه کاری
- انواع مصاحبه
- سوالات مصاحبه
- شاخه های هوش مصنوعی – سلسله مراتب
- مشاغل هوش مصنوعی
- آموزش هوش مصنوعی با پایتون
2- مفاهیم یادگیری ماشین
- پنج موضوع شغلی رایج در زمینه یادگیری ماشین
- زبان پایتون
- اصطلاحات اصلی دیتا
- انواع ماشین لرنینگ
- فرآیند یادگیری ماشینی
- پروسه گردآوری دیتا
- مفهوم و کاربرد آرایه
3- کتابخانه های پایتون برای یادگیری ماشین
- سوالات رایج در رابطه با پایتون
- کتابخانه NumPy
- کتابخانه Pandas
- کتابخانه SciKit-Learn
4- کار با دیتا
- دو نوع اصلی دیتا
- دیتابیس ها
- روابط جداول در دیتابیس
- تغییرات روی دیتا
- ادغام جداول (join)
5- مباحث آماری یادگیری ماشین
- آمار و ماشین لرنینگ
- مفاهیم پایه آمار
- معیارهای گرایش مرکزی (Central Tendency)
- قانون اعداد بزرگ
- معیارهای پراکندگی (Variability)
- MOCT و MOV
- داده های خارج از محدوده (Outliers) و انتساب (Imputation)
- موازنه سوگیری – واریانس (Bias-Variance Tradeoff)
6- مدلسازی
- مدل های یادگیری ماشین
- مسائل رایج مدل سازی
- معیارهای دسته بندی (Classification Metrics)
- معیارهای رگرسیون (Regression Metrics)
- Bagging
- Boosting
- XGBoost
- شبکه های عصبی مصنوعی (Artificial Neural Networks – ANN)
- یادگیری عمیق (Deep Learning – DL)
- مقایسه شبکه های عصبی و یادگیری عمیق
ابزارها
- Python
- Scipy
- Numpy
- Pandas
- Matplotlib
- Tensorflow
- Scikit-learn
- Docker
- BERT
- NLTK
- Kubernates
- Postgres
دوره های آموزش پایتون
هدف ما از طراحی مجموعه دوره های آموزش زبان پایتون، این است که همه نیازهای جامعه مدرن امروزی برای یادگیری پایتون را پوشش دهیم. در این مجموعه دوره های آموزشی، ما اغلب مباحث به روز دنیا را به طور عملی و در پروژه های واقعی آموزش داده ایم و سعی کرده ایم در کمترین زمان ممکن، شما را برای ورود به بازار کار حرفه ای Python آماده کنیم.
پیشنیاز
بوتکمپ
درخواست مشاوره
برای کسب اطلاعات بیشتر درباره این دوره درخواست مشاوره خود را ارسال کنید و یا با ما در تماس باشید.
درخواست مشاورهدوره های مرتبط
کتاب راهنمای شبیه ساز شبکه NS2
دوره برنامه نویسی NFT و متاورس (Metaverse)
دوره آموزش سالیدیتی (Solidity)
دوره آموزش سالیدیتی (Solidity) دوره جامع آموزش سالیدیتی ، دوره ای است که برای شما که قصد دارید به عنوان…
دوره هایپرلجر فابریک پیشرفته | کاربرد بلاکچین در صنعت
بوت کمپ برنامه نویسی بلاک چین – قرارداد هوشمند و توکن
دوره آموزش CCNA | منطبق با آخرین تغییرات سیسکو
دوره آموزش CCNA | کد 200-301 | منطبق با آخرین تغییرات سیسکو دوره CCNA 200-301 که هم اکنون در حال…
دوره آموزش شبیه ساز GNS3
معرفی دوره برای آموزش GNS3 ابتدا باید ببینیم GNS3 چیست؟ یک شبکه کامپیوتری یا مخابراتی، شامل تجهیزاتی است که اجرای…
دوره آموزش برد رزبری پای – ۳ Raspberry Pi
معرفی دوره رزبری پای چیست؟ Raspberry Pi یک برد الکترونیکی است که برای پیاده سازی پروژه های کنترلی مورد استفاده…
دوره آموزش اینترنت اشیا با Packet Tracer
معرفی دوره آموزش اینترنت اشیا اخیراً بسیار پر اهمیت شده است چرا که با پیشرفت سریع علوم و تکنولوژی در…
پکیج آموزش جامع NS2
معرفی دوره قبل از آموزش NS2 ابتدا ببینیم شبکه چیست. یک شبکه کامپیوتری یا مخابراتی، شامل یک سری تجهیزات و…
امتیاز دانشجویان دوره
نظرات
۳,۰۰۰,۰۰۰ تومان قیمت اصلی ۳,۰۰۰,۰۰۰ تومان بود.۲,۵۰۰,۰۰۰ تومانقیمت فعلی ۲,۵۰۰,۰۰۰ تومان است.
مهندس مجید شبیری
مدرس دورههای برنامهنویسی و بلاکچینکارشناس ارشد رشته مهندسی فناوری اطلاعات – گرایش شبکه های کامپیوتری – دانشگاه صنعتی امیرکبیر. مؤسس و بنیانگذار علوم نوین امیرکبیر
پردرآمدترین مهارت ها را یاد بگیرید
طرح استعدادیابی
ارشدان بلاکچین
(Blockchain Seniors)
تا کنون بیش از 1000 دانشجو در این طرح شرکت کرده اند.
شما هم دوست دارید برای تضمین آینده کاری خودتان به این جمع بپیوندید؟
همین امروز شروع کنید!
کیوان محمدی
من قبلا پایتون رو آموزش دیدم و برای یکی از دوستان برای دوره مناسب جستجو میکردم تا متوجه این دوره شدم. از نظر من بهترین دوره مجازی پایتون هست بویژه برای افرادی که به منظور تز دکتری نیاز به پایتون دارن. سرفصل ها طوری تنظیم شدن که یادگیری در مغز دچار پراکندگی نشه.
مجید شبیری(مدیریت)
ممنونم جناب محمدی عزیز
نظر لطف شماست.