توضیحات دوره
دوره Machine Learning with Python را در مجتمع فنی منطقه یک تهران؛ ابتدا با مقدمهای بر یادگیری ماشین و چیستی آن شروع میکنیم، سپس به رگرسیون خطی و غیر خطی میپردازیم و الگوریتم های طبقه بندی را توضیح میدهیم. شما در این دوره مدل های یادگیری ماشین را با استفاده از پایتون پیادهسازی خواهید کرد و با بسیاری از کاربردهای یادگیری ماشینی که امروزه در صنعت استفاده میشود آشنا خواهید شد.
دوره Machine Learning with Python
- هر کسی که مایل و علاقهمند به یادگیری الگوریتم یادگیری ماشین با پایتون است.
- هر کسی که علاقه عمیقی به کاربرد عملی یادگیری ماشین در مسائل دنیای واقعی دارد.
- هر کسی که مایل است فراتر از اصول اولیه حرکت کند و درک کاملی از طیف وسیعی از الگوریتمهای یادگیری ماشین داشته باشد.
- هر کسی که علاقهمند است یافتههای خود را به شیوه ای حرفه ای و قانع کننده ارائه دهد.
- هر کسی که مایل است به عنوان یک دانشمند داده، شغلی را شروع کند و در آن مهارت کسب کند.
در دنیای امروز، یادگیری ماشین (Machine Learning) به یکی از مهمترین و پرکاربردترین شاخههای فناوری تبدیل شده است. این فناوری پشت بسیاری از سیستمهای هوشمند، تحلیل دادهها، موتورهای پیشنهاددهنده و حتی خودروهای خودران قرار دارد. یادگیری ماشین نه تنها یک مهارت فنی، بلکه یک مسیر شغلی قدرتمند در صنایع مختلف محسوب میشود. زبان پایتون (Python) نیز به دلیل سادگی، کتابخانههای غنی و جامعه گسترده، یکی از اصلیترین ابزارهای توسعه در این حوزه است.
دوره Machine Learning with Python در مجتمع فنی تهران نمایندگی زعفرانیه برای علاقهمندان به دنیای هوش مصنوعی و تحلیل دادهها طراحی شده است. این دوره فرصتی است برای یادگیری مهارتهای کلیدی و کاربردی در زمینه یادگیری ماشین و آشنایی با مفاهیم پیشرفتهای که در پروژههای واقعی مورد استفاده قرار میگیرد. آموزش به شکلی کاملاً کاربردی و پروژهمحور ارائه میشود تا شرکتکنندگان بتوانند مفاهیم را در عمل تجربه کنند.
یکی از نقاط قوت این دوره، تمرکز بر اجرای پروژههای واقعی و قابل لمس است. هنرجویان یاد میگیرند چگونه دادهها را تحلیل کنند، مدلهای یادگیری ماشین را توسعه دهند و آنها را در محیطهای واقعی پیادهسازی کنند. این تجربه باعث میشود یادگیری به جای تئوری صرف، به فرآیندی پویا و ماندگار تبدیل شود.
محیط آموزشی مجتمع فنی تهران زعفرانیه با امکانات پیشرفته و اساتید باتجربه، فضایی ایدهآل برای یادگیری مباحث پیچیده یادگیری ماشین فراهم میکند. آموزشها به شکلی طراحی شدهاند که حتی برای کسانی که تجربه محدودی در برنامهنویسی دارند نیز قابل درک و استفاده باشند.
بازار کار در حوزه Machine Learning بسیار گسترده و رو به رشد است. از شرکتهای فناوری و مالی گرفته تا کسبوکارهای آنلاین و استارتاپها، همه به دنبال نیروهایی هستند که توانایی تحلیل دادهها و ساخت مدلهای هوشمند را داشته باشند. یادگیری این مهارت میتواند مسیر ورود به مشاغل با درآمد بالا و فرصتهای جهانی را برای شما هموار کند.
در این دوره، شرکتکنندگان با مفاهیم یادگیری ماشین آشنا میشوند، با ابزارهای پایتون کار میکنند و یاد میگیرند چگونه از دادهها برای ساخت راهکارهای هوشمند استفاده کنند. این مهارت نهتنها برای متخصصان داده بلکه برای علاقهمندان به برنامهنویسی، تحلیلگران کسبوکار و حتی مدیران آیندهنگر کاربردی است.
در نهایت، دوره Machine Learning with Python در مجتمع فنی تهران نمایندگی زعفرانیه فرصتی فوقالعاده برای ورود به یکی از جذابترین حوزههای فناوری است. این دوره به شما کمک میکند تا از یادگیری مفاهیم پایه تا اجرای پروژههای واقعی پیش بروید و مسیری روشن برای پیشرفت شغلی و تحصیلی خود ترسیم کنید.
سر فصلها
مروری بر آنالیز داده
1. مروری بر جبر خطی
2. مروری بر آنالیز داده
3. بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد
بررسی روشهای گوناگون آماده سازی مجموعه دادگان
1. معرفی چالش های موجود در آماده سازی مجموعه دادگان
2. معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند
بررسی رویکردهای گوناگون دسته بندی داده ها
1. بررسی رویکردهای مختلف دسته بندی اطلاعات
o Binary class classification
o Multi class classification
o Multi label classification
o Multi class Multi label classification
2. بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی
بررسی رویکرد نزدیکترین همسایه
1. معرفی رویکرد KNNImputer و استفاده از آن برای پیش پردازش داده ها
2. معرفی رویکرد KNN در دسته بندی اطلاعات
3. بیان مزایا و معایب آن
بررسی رویکردهای گوناگون رگرسیون خطی
1. پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
2. بیان مفهوم گرادیان و تابع خطا
3. معرفی انواع توابع خطا مرسوم در رگرسیون خطی
4. بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
5. بررسی Polynomial Regression
6. بررسی مفهوم underfitting و overfitting
7. بررسی مفهوم Early Stopping و پیاده سازی آن
8. بررسی انواع مختلف Regularization
9. بررسی و پیاده سازی Logistic Regression
10. بیان مفهوم Softmax
بررسی رویکرد Support Vector Machine
1. معرفی SVM و عملکرد آن در دسته بندی اطلاعات
2. معرفی SVR و عملکرد آن در رگرسیون خطی
3. بیان مزایا و معایب آن
بررسی رویکرد درخت تصمیم
1. معرفی رویکرد Decision Tree در دسته بندی اطلاعات
o بیان نحوه ی کارکرد آن و پیمایش درخت تصمیم
o بیان مفاهیم آنتروپی، cut off point , ضریب جینی
2. معرفی رویکرد Decision Tree در رگرسیون خطی
3. بیان مزایا و معایب این رویکرد
بررسی رویکردهای گوناگون خوشه بندی اطلاعات
1. معرفی رویکردهای مبتنی بر یادگیری بدون ناظر
2. معرفی رویکرد KMeans
o نحوه عملکرد آن
o نحوه ی ارزیابی آن
o چالش های این رویکرد و نحوه ی حل آنان
o معرفی نسخه های ارتقا یافته آن
3. معرفی رویکرد DBSCAN
o نحوه عملکرد آن
o نحوه ارزیابی آن
بررسی رویکردهای مختلف کاهش بعد
1. بررسی لزوم کاهش بعد در آموزش یک مدل
2. بررسی کاهش بعد با دیدگاه Projection
o بررسی رویکرد PCA
3. بررسی کاهش بعد با دیدگاه Manifold
o بررسی رویکرد LLE
بررسی رویکردهای ترکیبی Ensemble Methods
1. بررسی رویکرد Random Forest
2. بررسی رویکرد Adaptive Boost
3. بررسی مزایا و معایب آن
بررسی ساختارهای گوناگون شبکه های عصبی – مقدماتی
1. معرفی Tensorflow
o بیان نحوه ی کارکرد Tensorflow
o انواع مختلف متغیر در Tensorflow
o مفهوم Session و عملکرد آن در Tensorflow
o مدیریت گراف ها
o پیاده سازی یک مثال برای دسته بندی اطلاعات
o پیاده سازی یک مثال برای رگرسیون خطی
o ذخیره و بازیابی مجدد مدل
o نمایش گراف و روال آموزش با Tensorboard
2. بررسی کارکرد شبکه های عصبی
o بیان ساختار نورون و عملکرد آن در مغز
o بیان انواع توابع آتش در نورون ها و بررسی آن
o بررسی روال Back Propagation
o پیاده سازی ساختار های مختلف یک شبکه عصبی جهت دسته بندی اطلاعات توسط numpy
o پیاده سازی ساختار های مختلف یک شبکه عصبی جهت رگرسیون خطی توسط numpy
بررسی ساختارهای گوناگون شبکه های عصبی - پیشرفته
1. معرفی KERAS
2. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
3. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
4. نمایش گرافیکی یک مدل طراحی شده در KERAS
5. ذخیره و بازیابی یک مدل در KERAS
6. نحوه ی ارزیابی عملکرد یک مدل در KERAS