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 مثالهای 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.
1- بررسی رویکردهای مختلف دسته بندی اطلاعات
۲. بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی
۱. پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
۲. بیان مفهوم گرادیان و تابع خطا
۳. معرفی انواع توابع خطا مرسوم در رگرسیون خطی
۴. بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
۵. بررسی Polynomial Regression
۶. بررسی مفهوم underfitting و overfitting
۷. بررسی مفهوم Early Stopping و پیاده سازی آن
۸. بررسی انواع مختلف Regularization
۹. بررسی و پیاده سازی Logistic Regression
۱۰. بیان مفهوم Softmax
۱. 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
۲. معرفی رویکرد Decision Tree در رگرسیون خطی
۳. بیان مزایا و معایب این رویکرد
۱. معرفی رویکردهای مبتنی بر یادگیری بدون ناظر
۲. 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
۳- معرفی رویکرد DBSCAN
– نحوه عملکرد آن
– نحوه ارزیابی آن
۱. بررسی لزوم کاهش بعد در آموزش یک مدل
۲. بررسی کاهش بعد با دیدگاه Projection
– بررسی رویکرد PCA
۳. بررسی کاهش بعد با دیدگاه Manifold
– بررسی رویکرد LLE
۱. بررسی رویکرد Random Forest
۲. بررسی رویکرد Adaptive Boost
۳. بررسی مزایا و معایب آن
۱. 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
۲. 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
۱. معرفی KERAS
۲. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
۳. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
۴. نمایش گرافیکی یک مدل طراحی شده در KERAS
۵. ذخیره و بازیابی یک مدل در KERAS
۶. نحوه ی ارزیابی عملکرد یک مدل در KERAS
مدارک صادره از مجتمع فنی تهران مورد قبول ارگانها و سازمانهای دولتی و خصوصی بوده و این سازمان افتخار برگزاری دورههای برون سازمانی برای بانکها و موسسات خصوصی و دولتی را در محل نمایندگی و یا در سازمان طرف قرارداد داشته است.
افزون بر این، این مدرک به دو زبان فارسی و انگلیسی بوده و شما پس از تکمیل دوره آموزشی و کسب حد نصاب دریافت مدرک (یعنی حداقل نمره 60 از 100) میتوانید مدرک خود را دریافت نمائید..
چون دوره های کاربردی مورد نیاز بازار کار را به بهترین و کاربردی ترین شکل و با اساتیدی که از بهترین های حوزه خود می باشند خواهید آموخت و در پایان فراگیران محترم به 2 زبان انگلیسی و فارسی (با قابلیت ترجمه رسمی با مهر وزارت خارجه و دادگستری) گواهی دریافت خواهند کرد، و توضیح آنکه مدرک تحویلی مورد تائید سازمان امور استخدامی کشور نیز می باشد، علاوه بر این در صورت تمایل در واحد کاریابی مجتمع فنی تهران جهت ورود به بازار کار تشکیل پرونده خواهند داد.
پیش نیاز این دوره، دوره ی Data Analysis with Python است.
این دوره به 3 شیوه برگزار میگردد.
مدرس دوره، گروه تلگرامی تشکیل داده و به سوالات دانشپذیران پاسخ خواهد داد.
پلتفرم ارائه کلاس های آنلاین مجتمع فنی تهران این امکان را برای دانشپذیران فراهم می کند تا به ویدئو کلاس دسترسی داشته باشند.
بله قطعا، دانشپذیران هم در کلاس و هم پس از آن در زمانهای خارج از کلاس، تمرین خواهند کرد و سوالات خود را از مدرس دوره خواهند پرسید.
قطعا میتوانید. بهشرطی که تمرینهای کلاس را انجام داده و پس از اتمام کلاس نیز تلاش کنید تا چند نمونه کار خلق کنید.
بدیهی است که کارفرمایان با دیدن مهارتها و نمونهکارهای ما، تصمیم میگیرند تا ما را استخدام کنند.
خیر. این دوره یک گروه تلگرامی دارد که همیشه برقرار است و در صورت تمایل، میتوانید در آن عضو باشید.
دپارتمان ICT مجتمع فنی تهران مجری برگزاری دورههای تخصصی در گروههای مهارت پایه، وب و برنامهنویسی، امنیت، شبکه و زیرساخت، رباتیک، مجازی سازی، مخابرات، مرکز داده و تجارت الکترونیک است. تمام تلاش ما، اشتغال و آموزش همزمان است.
با عضویت در خبرنامه ایمیلی دپارتمان ICT مجتمع فنی تهران، از آخرین دوره ها، تخفیفها و اطلاعرسانیها، با خبر شوید.