آموزش پروژه های یادگیری ماشین برای صنعت 4.0 - آخرین آپدیت

دانلود Machine Learning Projects for Industry 4.0

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

پروژه‌های عملی یادگیری ماشین برای صنعت 4.0

با مفاهیم و فناوری‌های اساسی صنعت 4.0 از جمله اینترنت اشیا (IoT)، اینترنت اشیا صنعتی (IIoT)، نگهداری و تعمیرات پیش‌بینانه و پردازش داده در لحظه آشنا شوید.

الگوریتم‌های یادگیری ماشین و یادگیری عمیق را برای نگهداری و تعمیرات پیش‌بینانه، شناسایی ناهنجاری‌ها و بهینه‌سازی فرآیندهای تولید پیاده‌سازی کنید.

با استفاده از تحلیل کلان‌داده و الگوریتم‌های پیشرفته، مصرف انرژی، کنترل کیفیت و پارامترهای فرآیند را در تولید تجزیه و تحلیل و بهینه کنید.

پروژه‌های عملی مانند شبیه‌سازی تخریب موتور و نگهداری و تعمیرات پیش‌بینانه را اجرا کنید.

پیش‌نیازها:

درک پایه‌ای از برنامه‌نویسی: آشنایی با پایتون توصیه می‌شود، زیرا این دوره شامل پیاده‌سازی الگوریتم‌ها و تجزیه و تحلیل داده‌ها در پایتون است.

دانش آمار و ریاضیات پایه: درک مفاهیم آماری اساسی و جبر خطی پایه به درک الگوریتم‌های یادگیری ماشین و یادگیری عمیق کمک می‌کند.

آشنایی با مفاهیم تجزیه و تحلیل داده: دانش پایه در زمینه تجزیه و تحلیل داده و تکنیک‌های پردازش داده مفید است.

به "پروژه‌های یادگیری ماشین برای صنعت 4.0" خوش آمدید، یک دوره جامع که بر پروژه‌های عملی و کاربردی در طیف گسترده‌ای از صنایع و حوزه‌ها متمرکز است. این دوره برای ارائه تجربه دنیای واقعی در استفاده از تکنیک‌های علم داده در زمینه‌های مختلف مانند بازاریابی، مهندسی، امور مالی و پیش‌بینی طراحی شده است.

در این دوره، شما:

  • روی انواع پروژه‌های دنیای واقعی شامل تجزیه و تحلیل داده، مدل‌سازی پیش‌بینی، پیش‌بینی سری‌های زمانی، تشخیص ناهنجاری و موارد دیگر کار خواهید کرد.
  • از الگوریتم‌های محبوب مانند ARIMA، LSTM، Random Forest، Gradient Boosting و روش‌های خوشه‌بندی برای بکارگیری تکنیک‌های یادگیری ماشین و علم داده استفاده خواهید کرد.
  • انتخاب ویژگی و مهندسی ویژگی را با استفاده از ابزارهایی مانند SHAP و Boruta تمرین می‌کنید و یاد می‌گیرید که چگونه خطوط لوله داده‌ای موثر بسازید.
  • با سناریوهای عملی، از پیش‌بینی ریزش مشتری و تشخیص تقلب کارت اعتباری گرفته تا پیش‌بینی فروش، تجزیه و تحلیل گردش مالی کارکنان و مدل‌سازی داده‌های حسگر مقابله خواهید کرد.

هر پروژه با رویکردی گام به گام ارائه می‌شود تا به شما در درک روش‌شناسی پشت حل مسائل تجاری با استفاده از علم داده کمک کند. هدف این دوره ایجاد مهارت‌های عملی شما با تمرکز بر مجموعه داده‌های واقعی و پوشش طیف گسترده‌ای از موضوعات برای برآورده کردن علایق و مسیرهای شغلی مختلف است.

این دوره برای زبان‌آموزانی که درک اولیه‌ای از برنامه‌نویسی و علم داده دارند و می‌خواهند با کار بر روی مجموعه متنوعی از پروژه‌ها، مهارت‌های خود را افزایش دهند، ایده‌آل است. چه به دنبال انتقال به علم داده باشید و چه به دنبال تعمیق تجربه خود از طریق برنامه‌های کاربردی عملی، این دوره به شما کمک می‌کند یک پورتفولیوی قوی از پروژه‌ها بسازید.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

مفاهیم Concepts

  • یادگیری ماشین Machine Learning

  • یادگیری عمیق Deep Learning

  • مبانی یادگیری نظارت شده Supervised Learning Basics

  • شبکه‌های عصبی Neural Networks

  • اینترنت اشیا (IoT) IoT

  • صنعت 4.0 Industry 4.0

  • اینترنت اشیا صنعتی (IIoT) IIoT

  • نگهداری و تعمیرات پیش‌بینی‌کننده Predictive Maintenance

  • طول عمر مفید باقیمانده (RUL) Remaining Useful Life (RUL)

پایگاه داده و سخت‌افزار و حسگرها و جریان داده Database & Hardware & Sensors & Streaming

  • سخت‌افزار و دستگاه‌های جمع‌آوری داده Data Acquisition Hardware and Devices

  • فناوری حسگر و یکپارچه‌سازی Sensor Technology and Integration

  • ارتباطات و ذخیره‌سازی داده Data Communication and Storage

  • پردازش داده بلادرنگ و محاسبات لبه Real-Time Data Processing and Edge Computing

  • فناوری‌های ابری و یکپارچه‌سازی داده Cloud Technologies and Data Integration

  • پارامترهای اندازه‌گیری Measurement Parameters

  • حسگرها Sensors

برنامه‌نویسی پایتون (اختیاری) Python Programming (Optional)

  • پایتون چیست؟ What is Python?

  • آناکوندا و ژوپیتر و ویژوال استودیو کد Anaconda & Jupyter & Visual Studio Code

  • گوگل کولب Google Colab

  • راه‌اندازی محیط Environment Setup

  • سینتکس پایتون و عملیات اصلی Python Syntax & Basic Operations

  • ساختارهای داده: لیست‌ها، تاپل‌ها، مجموعه‌ها Data Structures: Lists, Tuples, Sets

  • ساختارهای کنترلی و حلقه‌ها Control Structures & Looping

  • توابع و برنامه‌نویسی تابعی پایه Functions & Basic Functional Programming

  • توابع میانی Intermediate Functions

  • دیکشنری‌ها و ساختارهای داده پیشرفته Dictionaries and Advanced Data Structures

  • ماژول‌ها، بسته‌ها و وارد کردن کتابخانه‌ها Modules, Packages & Importing Libraries

  • مدیریت فایل File Handling

  • مدیریت خطا و کد مقاوم Exception Handling & Robust Code

  • مفاهیم اولیه برنامه‌نویسی شیءگرا (OOP) Basic Object-Oriented Programming (OOP) Concepts

  • مبانی مصورسازی داده Data Visualization Basics

  • عملیات لیست پیشرفته و درک مطلب Advanced List Operations & Comprehensions

پیش‌پردازش داده Data Preprocessing

  • کیفیت داده Data Quality

  • تکنیک‌های پاکسازی داده Data Cleaning Techniques

  • مدیریت مقادیر از دست رفته Handling Missing Values

  • مقابله با داده‌های پرت Dealing With Outliers

  • مقیاس‌بندی و نرمال‌سازی ویژگی Feature Scaling and Normalization

  • استانداردسازی Standardization

  • کدگذاری متغیرهای دسته‌ای Encoding Categorical Variables

  • مهندسی ویژگی Feature Engineering

  • کاهش ابعاد Dimensionality Reduction

بهینه‌سازی مصرف انرژی Energy Consumption Optimization

  • مقدمه پروژه Introduction to Project

  • کدنویسی و تحلیل خروجی‌ها Coding & Analysis of Outputs

تشخیص ناهنجاری در داده‌های لرزش ماشین لباسشویی با استفاده از Autoencoders Anomaly Detection in Washing Machine Vibration Data Using Autoencoders

  • مقدمه Intro

  • پروژه Project

تحلیل علت اصلی مسئله هزینه گارانتی موتور Motor Warranty Cost Problem Root Cause Analysis

  • مقدمه Intro

  • پروژه Project

شبیه‌سازی تخریب موتور توربوفن ناسا Nasa Turbofan Engine Degradation Simulation

  • مقدمه پروژه Introduction to Project

  • تحلیل اکتشافی داده (EDA) و رگرسیون خطی EDA & Linear Regression

  • رگرسیون بردار پشتیبان - 1 Support Vector Regression - 1

  • رگرسیون بردار پشتیبان - 2 Support Vector Regression - 2

  • سری‌های زمانی Time Series

  • جنگل تصادفی Random Forest

  • شبکه‌های عصبی - 1 Neural Networks - 1

  • شبکه‌های عصبی - 2 Neural Networks - 2

  • پرسپترون چند لایه (MLP) - 2 Multi-Layer Perceptron (MLP) - 2

  • پرسپترون چند لایه (MLP) - 3 Multi-Layer Perceptron (MLP) - 3

  • پرسپترون چند لایه (MLP) - 1 Multi-Layer Perceptron (MLP) - 1

  • LSTM - 1 LSTM - 1

  • LSTM - 2 LSTM - 2

  • LSTM - 3 LSTM - 3

  • شبکه عصبی کانولوشنال Convolutional Neural Network

یادگیری عمیق برای نگهداری و تعمیرات پیش‌بینی‌کننده Deep Learning for Predictive Maintenance

  • مقدمه Introduction

  • پروژه CNN CNN Project

  • CRNN CRNN

  • ResNet ResNet

  • شبکه سیامی - قسمت 1 Siamese Network - Part 1

  • شبکه سیامی - قسمت 2 Siamese Network - Part 2

یادگیری محدودیت Constraint Learning

  • نواحی امکان‌پذیر تولید Manufacturing Feasible Regions

علل شل شدن پیچ در خودرو Screwing Loose Causes in Automotive

  • مقدمه Intro

  • پروژه Project

داده‌های حسگر پمپ برای نگهداری و تعمیرات پیش‌بینی‌کننده Pump Sensor Data For Predictive Maintenance

  • مقدمه Introduction

  • قسمت - 1 Part - 1

  • قسمت - 2 Part - 2

  • قسمت - 3 Part - 3

پایش سلامت سازه‌ای با یادگیری ماشین Structural Health Monitoring with Machine Learning

  • مقدمه Introduction

  • پروژه Project

نگهداری و تعمیرات پیش‌بینی‌کننده برای ماشین‌آلات انرژی بادی Predictive Maintenance for Wind Energy Machinery

  • مقدمه Intro

  • پروژه Project

XAI برای نیروگاه سیکل ترکیبی XAI For Combined Cycle Power Plant

  • مقدمه Introduction

  • پروژه SHAP - 1 SHAP Project - 1

  • پروژه SHAP - 2 SHAP Project - 2

اختتامیه Closure

  • نتیجه‌گیری Conclusion

نمایش نظرات

آموزش پروژه های یادگیری ماشین برای صنعت 4.0
جزییات دوره
22.5 hours
84
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
154
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Advancedor Academy Advancedor Academy

متخصص OR & MS