توضیحات دوره
Machine Learning یا یادگیری ماشین یکی از بنیادی‌ترین و پرکاربردترین شاخه‌های هوش مصنوعی است که به سیستم‌ها امکان می‌دهد از داده‌ها بیاموزند و بدون نیاز به برنامه‌ریزی صریح، تصمیم‌گیری کنند. در دنیای امروز، از تشخیص چهره و تحلیل تصاویر گرفته تا پیش‌بینی بازار و تحلیل رفتاری کاربران، همه و همه به نوعی با Machine Learning در ارتباط هستند.
زبان پایتون (Python) به دلیل سادگی و قدرت فوق‌العاده در پردازش داده‌ها و پشتیبانی از کتابخانه‌های پیشرفته‌ای مانند Scikit-Learn، Pandas، NumPy و TensorFlow، یکی از اصلی‌ترین ابزارهای یادگیری ماشین در جهان است. به همین دلیل، تسلط بر Machine Learning با پایتون، دروازه‌ای به دنیای مشاغل حرفه‌ای و پردرآمد باز می‌کند.
دوره Machine Learning with Python در مجتمع فنی تهران نمایندگی زعفرانیه به گونه‌ای طراحی شده که شرکت‌کنندگان بتوانند مفاهیم یادگیری ماشین را نه فقط از نظر تئوری، بلکه به‌صورت کاملاً عملی و پروژه محور یاد بگیرند. در این دوره، شرکت‌کنندگان به شکل قدم‌به‌قدم با فرآیند تحلیل داده، ساخت مدلهای یادگیری و استفاده از آن‌ها در دنیای واقعی آشنا می‌شوند.
یکی از مزایای بزرگ این دوره، فضای آموزشی حرفه‌ای و پویا در مجتمع فنی تهران زعفرانیه است. این مرکز با بهره‌مندی از اساتید با تجربه، زیرساخت آموزشی به‌روز و محیطی متفاوت، شرایطی فراهم کرده تا فرآیند یادگیری تبدیل به تجربه‌ای واقعی، جذاب و اثرگذار شود.
با رشد سریع فناوری و افزایش تقاضا برای متخصصان هوش مصنوعی و تحلیل داده، فرصت‌های شغلی فراوانی در زمینه Machine Learning ایجاد شده است. شرکت‌های بزرگ، استارتاپ‌ها و حتی سازمان‌های دولتی به دنبال نیروهایی هستند که بتوانند از داده‌ها برای تصمیم‌سازی‌های هوشمند استفاده کنند. یادگیری این مهارت، شانس ورود به یکی از داغ‌ترین بازارهای کار را برای شما فراهم می‌کند.
در این دوره، هنرجویان با فضای واقعی کار آشنا می‌شوند و یاد می‌گیرند چطور داده‌ها را جمع‌آوری و تحلیل کنند، مدلهای مناسب را انتخاب و پیاده‌سازی کنند و نتایج را در پروژه‌های واقعی به کار گیرند. همین ویژگی باعث می‌شود فارغ‌التحصیلان این دوره اعتمادبه‌نفس و مهارت لازم برای ورود به بازار کار را داشته باشند.
در نهایت، دوره Machine Learning with Python در مجتمع فنی تهران نمایندگی زعفرانیه فرصتی استثنایی برای علاقه‌مندان به هوش مصنوعی، علم داده و برنامه‌نویسی است. این دوره به شما کمک می‌کند تا با مهارتی ارزشمند وارد دنیای فناوری شوید و آینده شغلی درخشانی برای خود بسازید.
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