
-
مدت زمان 08:27:01
-
رای دوره (4 رای)
-
رای شما
-
هزینه دوره 72,000 تومان
-
آزمون آنلاین ندارد
-
سطح متوسط
یادگیری ماشین یکی از فیلدهای پرکاربرد هوش مصنوعی است که شامل سه نوع یادگیری، به نام های یادگیری بانظارت، یادگیری بدون نظارت، یادگیری تقویتی است و در کاربردهایی نظیر پردازش تصویر، پردازش ویدئو، پردازش متن، تجزیه و تحلیل داده های حجیم، تشخیص بیماری ها، رباتیک و غیره مورد استفاده قرار می گیرد.
با استفاده از تکنیک های یادگیری ماشین، کامپیوتر، الگوهای موجود در داده ها(اطلاعات پردازش شده) را یادگرفته و میتواند از آن استفاده کند. یادگیری ماشین با فرآیند های داده کاوی، بسیار شبیه(و از نگاه کاربردی تقریباً یکسان) است.
در فرآیند یادگیری ماشین، داده ها، بسیار اهمیت دارند. اصطلاح معروفی در این حوزه وجود دارد که به این صورت ترجمه کرده ایم: اگر داده ی بد، به سیستم تزریق شود، خروجی نیز، خروجی بدی خواهد بود به این معنی که، هر چقدر الگوریتم های مختلف یادگیری ماشین، قوی و جامع طراحی شوند، اگر داده های خوبی به سیستم وارد نشود(مثلا داده های غلط یا داده های ناکافی)، سیستم، پاسخی غیر دقیق و ناصحیح ارائه می دهد.
در بخش اول از این دوره آموزشی، مفاهیم مقدماتی پایتون شامل ساختارهای داده، توابع مهم و کاربردی و... در محیط jupyter notebook آموزش داده شده است و به نوعی آنچه را که مخاطبین برای آشنایی با پایتون به آن نیاز دارند را پوشش می دهد و می تواند برای یادگیری بخش یادگیری ماشین بسیار موثر باشد.
در بخش دوم از این آموزش به بیان مفاهیم اساسی در یادگیری ماشین، همچون شبکه های عصبی، الگوریتم های یادگیری با نظارت و بدون نظارت، tensorflow، مدل های مخلوط گوسی(GMM) و پرداخته شده اسن که این مفاهیم مهم برای یادگیری بهتر توسط پایتون بر روی داده های واقعی پیاده سای شده است و در اختیار کاربران قرار خواهد گرفت، در واقع بیان مفاهیم هم به صورت تئوری و هم به صورت عملی با پایتون آموزش داده شده است.
ویژگی های دوره:
آموزش مقدماتی پایتون همراه با پیاده سازی
آموزش مفاهیم یادگیری ماشین بصورت تئوری
پیاده سازی برخی از الگوریتم های یادگیری ماشین
در اختیار قراردادن کدهای پیاده سازی شده و اسلایدها
*لازم به ذکر است چندین ویدئو از زیر بخش های دوره، جهت مشاهده بصورت رایگان در دسترس می باشد*
در این دوره یاد خواهیم گرفت:
-
آشنایی با فایل ها، رشته ها، اعداد مختلط در پایتون
-
آموزش لیست ها، دیکشنری، تاپل ها و مجموعه در پایتون
-
آموزش عملگرهای مقایسه ای، شرطی و حلقه ها در پایتون
-
آموزش توابع، ماژول ها، پکیج ها و شئی گرایی در پایتون
-
پیاده سازی رگرسیون خطی با Numpy و TensorFlow
-
آموزش مفهوم درخت تصمیم، الگوریتم K-means و KNN
-
پیاده سازی درخت تصمیم و مدل مخلوط گوسی در پایتون
-
پیاده سازی شبکه های عصبی و شبکه عصبی کانولوشن در پایتون
بخش اول- پایتون، ورودی و خروجی
-
ورود و چاپ اطلاعات
-
فایل هاvideo | lock | 04:14
انواع داده
-
رشته هاvideo | lock | 21:30
-
اعداد مختلطvideo | lock | 01:19
ساختارهای داده
-
لیست هاvideo | lock | 08:46
-
روش comprehension در ایجاد لیستvideo | lock | 15:17
-
دیکشنریvideo | lock | 18:57
-
تاپل ها
-
مجموعه هاvideo | lock | 06:30
عملگرها
-
عملگرهای مقایسه ایvideo | lock | 04:43
-
اعداد و عملگرها بر روی اعدادvideo | lock | 05:49
دستورات شرطی و کنترلی
-
عملگرهای شرطیvideo | lock | 04:10
-
حلقه forvideo | lock | 08:23
-
حلقه whilevideo | lock | 05:26
توابع
-
توابع پایه بر روی اعدادvideo | lock | 02:30
-
تابع all and anyvideo | lock | 02:14
-
عبارت lambdavideo | lock | 05:11
-
تابع map
-
تابعReducevideo | lock | 03:17
-
تابع filtervideo | lock | 02:15
-
تابع Rangevideo | lock | 03:23
-
تابع Enumeratevideo | lock | 03:56
ماژول ها
-
ماژول ها و پکیج هاvideo | lock | 02:59
شئی گرایی
-
مفاهیم مهم در شئی گراییvideo | lock | 13:35
مباحث پیشرفته
-
تابع Decoratorsvideo | lock | 08:32
-
iteration and generatorsvideo | lock | 11:33
بخش دوم- یادگیری ماشین
-
مقدمه ای بر یادگیری ماشینvideo | lock | 27:56
-
مقدمه ای بر numpyvideo | lock | 28:19
رگرسیون خطی
-
پیاده سازه رگرسیون خطی با Numpyvideo | lock | 21:36
تنسورفلو (TensorFlow)
-
نصب tensorflowvideo | lock | 03:57
-
مفهوم و مقدمه ای بر tensorflowvideo | lock | 21:41
-
پیاده سازی رگرسیون خطی با tensorflowvideo | lock | 12:45
درخت تصمیم
-
مفهوم درخت تصمیمvideo | lock | 19:42
-
پیاده سازی درخت تصمیم
یادگیری با نظارت
-
مقدمه ای بر یادگیری با نظارتvideo | lock | 12:12
-
مفهوم الگوریتم KNNvideo | lock | 11:54
یادگیری بدون نظارت
-
مفهوم یادگیری بدون نظارت و الگوریتم K-meansvideo | lock | 10:17
الگوریتم مدل مخلوط گوسی GMM
-
مفهوم GMMvideo | lock | 20:42
-
پیاده سازی GMM با numpyvideo | lock | 16:24
-
پیاده سازی GMM در SKlearn
شبکه های عصبی
-
مقدمه ای بر شبکه های عصبی (perceptron)video | lock | 13:52
-
شبکه های عصبی پرسپترون چند لایه و محاسبه خطا
-
پیاده سازی Fully Connected Network در tensorflowvideo | lock | 14:10
شبکه عصبی عمیق
-
مقدمه ای بر شبکه های کانولوشنvideo | lock | 09:07
-
پیاده سازی کانولوشن در تنسورفلوvideo | lock | 10:28


کارشناس ارشد نرم افزار
معرفی: آقای مهندس رامین موسی، کارشناس ارشد نرم افزار
از دانشگاه زنجان می باشد. یکی از علاقه مندی های ایشان حوزه یادگیری ماشین
است و در سال های اخیرتمرکز خود را بر روی این حوزه معطوف کرده است کارهای پژوهشی
و تحقیقاتی در این حوزه پرداخته است و همچینین به نرم افزارهای python و Rتسلط کافی دارد، به گونه ای که تمامی پروژه های تحقیاتی و کاربردی
را در این دو محیط نرم افزاری انجام می دهد.
هر ویدیو را چند مرتبه میتوانیم مشاهده کنیم؟ امکان دریافت فایلهای ویدیویی روی دی وی دی یا دانلود آنها وجود داره؟
دوست عزیز،محدودیتی در مشاهده ویدئوها بصورت آنلاین وجود ندارد و همچنین آیکون دانلود در کنار هر ویدئو، برای دانلود ویدئو مورد نظر وجود دارد
با سلام دوره آموزشی شما در بخش یک به مباحث ZIP,TIME پرداخته نشد.
بخش دو نیز خیلی کوتاه پرداخته شده و اصلا به مطالب
GNERATIVE LEARNING ALGORITMS ,
BACKPROPAGETION,
RNN,
LSTM,
KERAS,
NLP,
EMBEDDINGS,
SENTIMENT ANALYSIS,
MARKOV PROCESSES,
MARKOV DECISION PROCESS,
REINFORCEMENT LEARNING
پرداخته نشده! ممنون میشم آموزش رو کامل کنین یادگیری این مباحث واقعا نیازه
.+ نصب تنسور رو تو لینوکس گفتین فقط! درسته با یه سرچ ساده تو گوگل میشه نصب تو ویندوز رو هم مشاهده کرد ولی این آموزش تهیه کردیم تا دیگه سرچ نکنیم (;
در خواست دیگه که داشتم لطفا اسلایدها و فایل های آموزشی مربوط به :
مقدمه ای بر یادگیری ماشین
مفهوم درخت تصمیم
مقدمه ای بر یادگیری با نظارت
مفهوم یادگیری بدون نظارت و الگوریتم K-means
مفهوم الگوریتم KNN
مفهوم GMM
مقدمه ای بر شبکه های عصبی (perceptron)
شبکه های عصبی پرسپترون چند لایه و محاسبه خطا
مقدمه ای بر شبکه های کانولوشن
به همراه فایل قرار میدادین!!!
البته فکر کنم از کورس دانشگاه STANFORD بود ولی بهتر بود همراه کد ها باشه!
واینکه کد مربوط به قسمت زیر موجود نبود!:
پیاده سازی درخت تصمیم
ممنونم از اموزش تون امیدوارم استارتاپ تون به موفقیت برسه!
تشکر بابت عدم کامنت فیلترینگ!
با سلام و احترام.بابت تهیه دوره و اعمال نظر تشکر می کنیم. یکی از مباحثی که شما فرمودین پرداخته نشده است BACKPROPAGETION می باشد که این مفهوم در قسمت شبکه های عصبی بصورت کامل پرداخته شده است.
البته لازم به ذکر است همانطور که در جریان هستید مباحث مربوط به یادگیری ماشین بسیار گسترده است و نمیتوان تمامی مباحث را در یک دوره آموزشی پوشش داد.برای مثال مبحث NLP (پردازش زبان طبیعی)که شما فرمودین خود به تنهایی می تواند یک دوره آموزشی جداگانه باشد یا مباحث مربوط به یادگیری عمیق مانند اتوانکدر، شبکه باور عمیق و... بسیار گسترده است.
ما در این دوره سعی کردیم به مباحث مهم یادگیری ماشین بصورت خلاصه و مفید بپردازیم.
البته در نظر داریم دوره های پیشرفته تر و اختصاصی تر در حوزه یادگیری ماشین تولید کنیم و حتما اطلاع رسانی لازم انجام خواهد شد.
اسلایدها در قسمت مربوط به فایل های دوره در کنار کدها قرار گرفتند و فایل های دوره بروزرسانی شدند.
با سلام و احترام.بابت تهیه دوره و اعمال نظر تشکر می کنیم. یکی از مباحثی که شما فرمودین پرداخته نشده است مبحث BACKPROPAGETION می باشد که این مفهوم در قسمت شبکه های عصبی بصورت کامل پرداخته شده است.
البته لازم به ذکر است همانطور که در جریان هستید مباحث مربوط به یادگیری ماشین بسیار گسترده است و نمیتوان تمامی مباحث را در یک دوره آموزشی پوشش داد.برای مثال مبحث NLP (پردازش زبان طبیعی)که شما فرمودین خود به تنهایی می تواند یک دوره آموزشی جداگانه باشد یا مباحث مربوط به یادگیری عمیق مانند اتوانکدر، شبکه باور عمیق و... بسیار گسترده است.
ما در این دوره سعی کردیم به مباحث مهم یادگیری ماشین بصورت خلاصه و مفید بپردازیم.
البته در نظر داریم دوره های پیشرفته تر و اختصاصی تر در حوزه یادگیری ماشین تولید کنیم و حتما اطلاع رسانی لازم انجام خواهد شد.
اسلایدها در قسمت مربوط به فایل های دوره در کنار کدها قرار گرفتند و فایل های دوره بروزرسانی شدند.
با سلام و احترام.بابت تهیه دوره و اعمال نظر تشکر می کنیم. یکی از مباحثی که شما فرمودین پرداخته نشده است الگوریتم پس انتشار خطا BACKPROPAGETION می باشد که این الگوریتم در قسمت شبکه های عصبی بصورت کامل پرداخته شده است.
البته لازم به ذکر است همانطور که در جریان هستید مباحث مربوط به یادگیری ماشین بسیار گسترده است و نمیتوان تمامی مباحث را در یک دوره آموزشی پوشش داد.برای مثال مبحث NLP (پردازش زبان طبیعی)که شما فرمودین خود به تنهایی می تواند یک دوره آموزشی جداگانه باشد یا مباحث مربوط به یادگیری عمیق مانند اتوانکدر، شبکه باور عمیق و... بسیار گسترده است.
ما در این دوره سعی کردیم به مباحث مهم یادگیری ماشین بصورت خلاصه و مفید بپردازیم.
البته در نظر داریم دوره های پیشرفته تر و اختصاصی تر در حوزه یادگیری ماشین تولید کنیم و حتما اطلاع رسانی لازم انجام خواهد شد.
اسلایدها در قسمت مربوط به فایل های دوره در کنار کدها قرار گرفتند و فایل های دوره بروزرسانی شدند.
با سلام و احترام.بابت تهیه دوره و اعمال نظر تشکر می کنیم. یکی از مباحثی که شما فرمودین پرداخته نشده است الگوریتم پس انتشار خطا BACKPROPAGETION می باشد که این الگوریتم در قسمت شبکه های عصبی بصورت کامل پرداخته شده است.
البته لازم به ذکر است همانطور که در جریان هستید مباحث مربوط به یادگیری ماشین بسیار گسترده است و نمیتوان تمامی مباحث را در یک دوره آموزشی پوشش داد.برای مثال مبحث NLP (پردازش زبان طبیعی)که شما فرمودین خود به تنهایی می تواند یک دوره آموزشی جداگانه باشد یا مباحث مربوط به یادگیری عمیق مانند اتوانکدر، شبکه باور عمیق و... بسیار گسترده است.
ما در این دوره سعی کردیم به مباحث مهم یادگیری ماشین بصورت خلاصه و مفید بپردازیم.
البته در نظر داریم دوره های پیشرفته تر و اختصاصی تر در حوزه یادگیری ماشین تولید کنیم و حتما اطلاع رسانی لازم انجام خواهد شد.
اسلایدها در قسمت مربوط به فایل های دوره در کنار کدها قرار گرفتند و فایل های دوره بروزرسانی شدند.
با سلام و احترام.بابت تهیه دوره و اعمال نظر تشکر می کنیم. یکی از مباحثی که شما فرمودین پرداخته نشده است الگوریتم پس انتشار خطا BACKPROPAGETION می باشد که این الگوریتم در قسمت شبکه های عصبی بصورت کامل پرداخته شده است.
البته لازم به ذکر است همانطور که در جریان هستید مباحث مربوط به یادگیری ماشین بسیار گسترده است و نمیتوان تمامی مباحث را در یک دوره آموزشی پوشش داد.برای مثال مبحث NLP (پردازش زبان طبیعی)که شما فرمودین خود به تنهایی می تواند یک دوره آموزشی جداگانه باشد یا مباحث مربوط به یادگیری عمیق مانند اتوانکدر، شبکه باور عمیق و... بسیار گسترده است.
ما در این دوره سعی کردیم به مباحث مهم یادگیری ماشین بصورت خلاصه و مفید بپردازیم.
البته در نظر داریم دوره های پیشرفته تر و اختصاصی تر در حوزه یادگیری ماشین تولید کنیم و حتما اطلاع رسانی لازم انجام خواهد شد.
اسلایدها در قسمت مربوط به فایل های دوره در کنار کدها قرار گرفتند و فایل های دوره بروزرسانی شدند.
ممنونم بله گسترده هست اما لطفا حداقل به موارد زیر کاش تو این دوره میپرداختین
MARKOV
RNN,
LSTM,
دوره جدید کی در سایت قرار میگیرد؟(حدودا)
فایل ها بررسی شد منتها کد و اسلایددست نویس مربوط به درخت تصمیم نبود & اسلاید K MENAS و GMM نیز موجود نبود .
بله درست میفرمایید.ولی سرفصلهای دوره کاملا مشخص هست که به چه مباحثی پرداخته می شود و نظر شما این است که اگر به س مبحث فوق پرداخته می شد بهتر بود ولی همانطور که عرض شد نمی توان در یک دوره آموزشی به تمامی مباحث پرداخت.تمام سعیمون این هست که تا انتهای سال دوره جدید در حوزه یاگیری ماشین تولید شود.
بله درست میفرمایید.ولی سرفصلهای دوره کاملا مشخص هست که به چه مباحثی پرداخته می شود و نظر شما این است که اگر به مباحثی که ذکر کردین هم پرداخته می شد بهتر بود، ولی همانطور که عرض شد نمی توان در یک دوره آموزشی به تمامی مباحث پرداخت.تمام سعیمون این هست که تا انتهای سال، دوره جدید در حوزه یاگیری ماشین تولید و انتشار یابد.
سلام. دوره مفید و خوبی بود و اینکه اسلایدها و کدها رو هم در اختیار ما قرار دادین خیلی عالی بود.اما درخواستی که دارم این است که مباحث پایتون و یادگیری ماشین را هم بصورت جداگانه در دوره های مجزا آموزش بدین چون اینطوری سرفصل های بیشتر و کامل تری را میتوان پوشش داد.اگر بتونید مباحث مربوط به یادگیری عمیق را هم در یک دوره جداگانه و بصورت کامل آموزش بدین عالی میشه.منتظر دوره های جدیدتون هستم.تشکر