Machine Learning

دوره Machine Learning with Python

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.

 

مشاوره رایگان:
50 ساعت دوره آموزشی با کیفیت و مهارتی

سرفصل دوره Machine Learning with Python

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

  • Binary Class Classification
  • Multi Class Classification
  • Multi Label Classification
  • Multi Class Multi Label Classification 

۲. 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

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

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

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

بررسی رویکردهای گوناگون خوشه بندی اطلاعات

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

بررسی رویکردهای مختلف کاهش بعد


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

بررسی رویکردهای ترکیبی Ensemble Methods

۱. بررسی رویکرد Random Forest

۲. بررسی رویکرد Adaptive Boost

۳. بررسی مزایا و معایب آن

بررسی ساختارهای گوناگون شبکه های عصبی - مقدماتی

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

بررسی ساختارهای گوناگون شبکه های عصبی - پیشرفته

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

این دوره برای چه کسانی مناسب است؟
این دوره برای چه کسانی مناسب نیست؟
اعتبار و سابقه

مدرک مجتمع فنی تهران به دو زبان فارسی و انگلیسی

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..

چرا در کلاس‌های مجتمع فنی تهران شرکت کنیم؟

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.

44 سال سابقه

ارائه مدرک دو زبانه

آموزش‌های مهارت محور

رفع اشکال و پشتیبان فنی

به سوالات احتمالی دانشپذیران پاسخ داده‌ایم

سوالات متداول درباره دوره‌های آموزشی

پیش‌نیاز این دوره چیست؟

پیش نیاز این دوره، دوره ی Data Analysis with Python است.

دوره حضوری است یا آنلاین؟

این دوره به 3 شیوه برگزار می‌گردد.

  1. حضوری
  2. آنلاین
  3. ترکیبی
پشتیبانی دوره به چه صورتی است؟

مدرس دوره، گروه تلگرامی تشکیل داده و به سوالات دانش‌پذیران پاسخ خواهد داد.

فیلم آموزشی و محتوای دوره چگونه ارائه می شود؟

پلتفرم ارائه کلاس های آنلاین مجتمع فنی تهران این امکان را برای دانشپذیران فراهم می کند تا به ویدئو کلاس دسترسی داشته باشند.

دانشپذیر پس از پایان دوره چه توانایی هایی به دست می آورد؟
  • ساخت مدل های هوشمند برای استخراج الگو و ویژگی در داده ها
  • ساخت مدل های هوشمند مبتنی بر ناظر برای دسته بندی داده ها
  • ساخت مدل های هوشمند بدون ناظر برای خوشه بندی داده ها
  • بهبود عملکرد مدل های هوشمند با اصلاح ابعاد داده ای
  • معرفی مدل یادگیری مغز انسان با بررسی عملکرد نورون ها
  • شبیه سازی عملکرد نورونهای مغز انسان در شبکه عصبی در کنار نحوه تکثیر دانش در آن
  • پیاده سازی روال های Forward propagation و Backpropagationدر شبکه های عصبی به صورت پایه ای و بررسی کتابخانه های مرتبط با آن در پایتون
  • پیاده سازی شبکه های نیمه عمیق عصبی برای دسته بندی و پیش بینی داده
آیا این دوره پروژه محور است؟

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.

با گذراندن دوره و دریافت مدرک، می‌توانم وارد بازار کار شوم؟

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.

آیا ارتباط با مدرس بعد از دوره قطع می‌شود؟

خیر. این دوره یک گروه تلگرامی دارد که همیشه برقرار است و در صورت تمایل، می‌توانید در آن عضو باشید.

توضیحات بیشتر در خصوص این دوره

  • vویکردهای موجود در یادگیری ماشین به دلیل عدم نیاز به منابع سخت افزاری قوی بسیار مورد توجه قرار میگیرد و در صنایعی که به تازگی با این حوزه آشنا شده اند بسیار کاربردی خواهد بود.
  • بسیاری از کسب و کارهای نوپا برای ورود به حوزه‌ی هوش مصنوعی رویکردهای یادگیری ماشین را برمی گزینند. از این رو جذب متخصص یادگیری ماشین برای آنان می تواند بسیار ارزنده باشد.
  • گذراندن این دوره به عنوان یکی از دوره های اصلی هوش مصنوعی می تواند تجربه استفاده از الگوریتم های مطرح این حوزه را در بخش صنعت برای شما فراهم کند.
  • این دوره به عنوان دوره میانی هوش مصنوعی پیش نیاز شما برای ورود به دنیای یادگیری عمیق بوده و شما را برای استفاده از قابلیت های هوشمند در لبه تکنولوژی آماده می کند.
  • امکان استخدام به عنوان یک مهندس یادگیری ماشین در شرکت های بزرگ برنامه نویسی پس از گذراندن این دوره میسر است.

مجتمع فنی تهران

دپارتمان ICT