آموزش یادگیری ماشین: اصول اولیه را بیاموزید - آخرین آپدیت

دانلود Machine Learning: Master the Fundamentals

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

دوره جامع پایتون، پردازش زبان طبیعی (NLP) و یادگیری عمیق | ساخت و استقرار اپلیکیشن NLP با Streamlit

با این دوره، درک عمیقی از مفاهیم کلیدی هوش مصنوعی و یادگیری ماشین به دست آورید.

  • یادگیری مبانی هوش مصنوعی (AI)
  • آشنایی با یادگیری ماشین (ML)
  • کاوش در دنیای یادگیری عمیق (Deep Learning)
  • تسلط بر پردازش زبان طبیعی (NLP)
  • ساخت و انتشار اپلیکیشن NLP با استفاده از Streamlit
  • آموزش برنامه‌نویسی پایتون برای AI و ML

در این دوره چه می‌آموزید؟

  • کسب بینش‌های ارزشمند در مورد مفاهیم یادگیری ماشین و هوش مصنوعی
  • درک ریاضیات پشت راهکارهای هوش مصنوعی
  • یادگیری تحلیل سری‌های زمانی و رگرسیون خطی ساده
  • تسلط بر رگرسیون چندگانه و لجستیک
  • آشنایی با درخت تصمیم و سایر الگوریتم‌های پیشرفته
  • اجرای یک پروژه هوش مصنوعی با استفاده از مفاهیم آموخته شده
  • درک تئوری‌های هوش مصنوعی
  • شناخت کاربردهای الگوریتم‌های هوش مصنوعی و یادگیری ماشین در دنیای امروز

تجربه‌ی یادگیری سفارشی

این دوره برای فراگیران مبتدی و پیشرفته طراحی شده است. می‌توانید تمام ماژول‌ها را برای درک جامع مطالعه کنید یا مستقیماً به مباحث مورد نظر خود بپردازید.

ساخت و استقرار اپلیکیشن‌های ML

نحوه ساخت و استقرار مدل‌های خود را به عنوان اپلیکیشن بیاموزید. این یک مهارت کلیدی در صنعت است. ما از Streamlit، یک چارچوب قدرتمند و کاربرپسند برای توسعه اپلیکیشن‌های ML استفاده خواهیم کرد.

رویکرد عملی

فایل‌های کد و مجموعه داده‌های لازم به عنوان منابع قابل دانلود ارائه می‌شوند تا بتوانید همراه با مدرس تمرین کنید.

پیش‌نیازها:

  • اشتیاق به یادگیری هوش مصنوعی و یادگیری ماشین
  • صبر و حوصله (این دوره ۱۰ ساعته است و ویدئوی آموزشی صرف نیست)

نکات مهم دوره:

این دوره از مبانی شروع شده و به تدریج مفاهیم پیشرفته را پوشش می‌دهد. صبوری برای بهینه‌سازی یادگیری ضروری است. با خیال راحت می‌توانید به موضوعات خاص بپرید.

نظرات دانشجویان:

تجربه یادگیری خوب. ~ Kacham Mahesh

یک مجموعه دانش‌بخش بود. ~ Mohit Kumawat

بله، دوره بسیار خوبی است.. ممنون که از پایه آموزش دادید. ~ Achut Hublikar

در حال یادگیری زیادی هستم. همه چیز در ذهن می‌ماند و درسم را بیشتر از آنچه انتظار داشتم می‌فهمم، ممنون.

نقطه شروع خوب برای مبتدیان و آشنایی با حوزه هوش مصنوعی/یادگیری ماشین. ~ Pritish Udgata


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • مقدمه ای بر هوش مصنوعی Introduction to AI

روز اول: مقدمه Day 1: Introduction

  • مقدمه Introduction

  • مقدمه‌ای بر هوش مصنوعی (AI) Introduction to AI

  • انواع یادگیری ماشین (Machine Learning) Types of Machine Learning

  • یادگیری نظارت شده و بدون نظارت Supervised and Unsupervised Learning

درک محیط هوش مصنوعی ML Understanding the AI ML Environment

  • مقدمه ای بر داده های بزرگ Introduction to Big Data

  • مقدمه ای بر ابر Introduction to cloud

  • اینترنت اشیا IoT

  • انقلاب صنعتی 4.0 Industrial Revolution 4.0

روز دوم: مبانی پایتون Day 2: Python Basics

  • مقدمه‌ای بر Google Colab Introduction to google colab

  • مبانی پایتون Python basics

  • آرایه‌ها (Arrays) Arrays

  • آزمایش درک مطلب Test your understanding

ریاضی و آمار پشت ML Math & Stats Behind ML

  • گرایش مرکزی در مقابل پراکندگی Central Tendency Vs Dispersion

  • متغیر وابسته در مقابل متغیر مستقل Dependent Vs Independent Variable

  • انواع داده ها Types of Data

  • نمونه برداری Sampling

  • آزمایش فرضیه Hypothesis Testing

  • موارد پرت Outliers

  • مفاهیم یادگیری ماشینی Machine Learning Concepts

  • اندازه گیری دقت در الگوریتم ها Measuring Accuracy in Algorithms

  • ریاضی پشت رگرسیون Math behind regression

  • ریاضی پشت درخت تصمیم Math behind decision tree

  • ریاضی پشت kNN Math behind kNN

  • گرادیان نزول Gradient Descent

روز سوم: پایتون نام‌پای و پنیاس Day 3: Python Numpy and Pandas

  • نام‌پای (Numpy) Numpy

  • پنیاس (Pandas) Pandas

  • آزمایش درک مطلب Test your understanding

برنامه نویسی پایتون Python Programming

  • مقدمه ای بر پایتون Introduction to Python

  • آرایه ها Arrays

  • حلقه ها و شرایط Loops & Conditions

  • ناپخته Numpy

  • پانداها Pandas

  • Matplotlib Matplotlib

روز چهارم: درک محیط هوش مصنوعی و یادگیری ماشین Day 4: Understanding the AI ML Environment

  • تشخیص الگو (Pattern Recognition) Pattern Recognition

  • انقلاب سخت‌افزاری پیشران ظهور هوش مصنوعی Hardware revolution driving the rise of AI

  • مقدمه‌ای بر کلان داده (Big Data) Introduction to Big Data

  • مقدمه‌ای بر رایانش ابری (Cloud) Introduction to cloud

  • اینترنت اشیا (IoT) IoT

  • انقلاب صنعتی چهارم (Industrial Revolution 4.0) Industrial Revolution 4.0

برنامه نویسی ML ML Programming

  • رگرسیون خطی Linear regression

  • رگرسیون لجستیک Logistic Regression

  • یادگیری بدون نظارت Unsupervised Learning

روز پنجم: مبانی ریاضی و آمار پشت یادگیری ماشین Day 5: Math & Stats Behind ML (Basics)

  • مقایسه گرایش مرکزی با پراکندگی Central Tendency Vs Dispersion

  • متغیر وابسته در مقابل متغیر مستقل Dependent Vs Independent Variable

  • انواع داده‌ها Types of Data

  • نمونه‌گیری (Sampling) Sampling

  • آزمون فرضیه (Hypothesis Testing) Hypothesis Testing

  • داده‌های پرت (Outliers) Outliers

پردازش زبان طبیعی Natural Language Processing

  • مفاهیم کلیدی در NLP Key Concepts in NLP

  • ابهامات در NLP Ambiguities in NLP

  • NLTK NLTK

  • حذف نویز Noise Removal

  • فضایی Spacy

  • متن فلش Flash Text

  • به نام Entity Recognition Named Entity Recognition

روز ششم: ریاضی و آمار پیشرفته پشت یادگیری ماشین Day 6: Math & Stats Behind ML (Advanced)

  • مفاهیم یادگیری ماشین Machine Learning Concepts

  • اندازه‌گیری دقت در الگوریتم‌ها Measuring Accuracy in Algorithms

  • ریاضیات پشت رگرسیون Math behind regression

  • ریاضیات پشت درخت تصمیم Math behind decision tree

  • ریاضیات پشت kNN Math behind kNN

ساخت و میزبانی برنامه های ML در وب Build and Host ML Applications on the web

  • زیرساخت برای Streamli Infrastructure for Streamli

  • ایجاد یک برنامه وب بسیار ساده و شروع به کار با streamlit Creating a very simple web app and Getting started with streamlit

  • هدر و زیر سربرگ Header and Sub Header

  • خواندن و نمایش محتویات یک فایل Reading and displaying contents of a file

  • در حال آپلود یک فایل Uploading a file

روز هفتم: برنامه‌نویسی یادگیری ماشین | با مفاهیم و تحلیل داده‌های اکتشافی Day 7: ML Programming | With Concepts & Exploratory Data Analysis

  • نحوه پیشبرد پروژه یادگیری ماشین How to go about a ML project

  • رگرسیون خطی Linear regression

  • آزمایش درک مطلب Test your understanding

ساخت و استقرار NLP Wordcloud به عنوان یک برنامه وب Building & Deploying an NLP Wordcloud as a web application

  • برنامه NLP Wordcloud NLP Wordcloud App

  • استقرار برنامه در Heroku Deploying the app in Heroku

  • استقرار برنامه در استریم لیت Deploying the app in streamlit

روز هشتم: برنامه‌نویسی یادگیری ماشین (طبقه‌بندی) Day 8: ML Programming (Classification)

  • رگرسیون لجستیک Logistic Regression

  • درک معیارهای مختلف دقت برای مدل طبقه‌بندی Understanding the different metrics in accuracy for classification model

  • نزول گرادیان (Gradient Descent) Gradient Descent

یادگیری ماشین - مقدمه ML Machine Learning - ML Introduction

  • یادگیری تحت نظارت و بدون نظارت Supervised and Unsupervised Learning

روز نهم: برنامه‌نویسی یادگیری ماشین (نایوز بیز و درخت‌های تصمیم) Day 9: ML Programming (Naive Bayes & Decision Trees)

  • نایوز بیز (Naive Bayes) Naive Bayes

  • درخت تصمیم، جنگل تصادفی و XGBoost Decision Tree, Random Forest & XGBoost

سخنرانی پاداش Bonus Lecture

  • سخنرانی پاداش Bonus Lecture

روز دهم: برنامه‌نویسی یادگیری ماشین (یادگیری بدون نظارت) Day 10: ML Programming (Unsupervised Learning)

  • یادگیری بدون نظارت Unsupervised Learning

روز یازدهم: پردازش زبان طبیعی (NLP) Day 11: Natural Language Processing

  • مفاهیم کلیدی در پردازش زبان طبیعی Key Concepts in NLP

  • ابهامات در پردازش زبان طبیعی Ambiguities in NLP

روز دوازدهم: یادگیری عمیق در پردازش زبان طبیعی – بخش اول Day 12: Deep Learning in NLP Part 1

  • چرا به RNN نیاز داریم Why we need RNN

  • ریاضیات پشت RNN Math Behind RNN

روز سیزدهم: یادگیری عمیق در پردازش زبان طبیعی – بخش دوم Day 13: Deep Learning in NLP Part 2

  • LSTM LSTM

  • ساخت مدل تشخیص اسپم با استفاده از RNN و LSTM Build a spam detection model using RNN and LSTM

  • ترنسفورمرها (Transformers) Transformers

  • ساخت اپلیکیشن وب LLM Build LLM Web App

روز چهاردهم: ساخت و میزبانی برنامه‌های یادگیری ماشین روی وب Day 14: Build and Host ML Applications on the web

  • زیرساخت برای Streamlit Infrastructure for Streamlit

  • ایجاد یک اپلیکیشن وب بسیار ساده و شروع کار با Streamlit Creating a very simple web app and Getting started with streamlit

  • سرصفحه و زیرصفحه Header and Sub Header

  • خواندن و نمایش محتوای یک فایل Reading and displaying contents of a file

  • بارگذاری یک فایل Uploading a file

روز پانزدهم: ساخت و استقرار یک Wordcloud پردازش زبان طبیعی به عنوان یک برنامه وب Day 15: Building & Deploying an NLP Wordcloud as a web application

  • اپلیکیشن Wordcloud پردازش زبان طبیعی NLP Wordcloud App

  • استقرار اپلیکیشن در Heroku Deploying the app in Heroku

  • استقرار اپلیکیشن در Streamlit Deploying the app in streamlit

درس جایزه Bonus Lecture

  • درس جایزه Bonus Lecture

نمایش نظرات

آموزش یادگیری ماشین: اصول اولیه را بیاموزید
جزییات دوره
9 hours
50
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
11,003
4 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

Sai Acuity Institute of Learning Pvt Ltd Enabling Learning Through Insight! Sai Acuity Institute of Learning Pvt Ltd Enabling Learning Through Insight!

کارشناسان موضوع امنیت سایبری و علوم داده! ما در آموزش امنیت سایبری ، علوم داده و مدیریت استعدادها / مدیریت سرمایه انسانی تخصص داریم. USP تمام آموزش های ما عملی است که ما ارائه می دهیم ، تمرکز ما بر روی به اشتراک گذاری دانش عملی واقعی است ، و نه اسلایدهای PPT مبتنی بر ابزار. تمام آموزش های ما توسط پزشکان باتجربه ای که آزمایش کننده نفوذ پشم هستند ، انجام می شود. این مطالب در حال پیشرفت و حتی با جدیدترین تحولات به روز هستند. ما یک دوره استاندارد داریم که در حوزه های مختلف امنیت اطلاعات ، دامنه های تجزیه و تحلیل داده ها و حوزه مدیریت استعدادها شرح داده شده است. با این حال ، ما همچنین آموزش را با توجه به نیاز مشتری سفارشی می کنیم.

Govind Kumar Govind Kumar

کارشناس هوش مصنوعی و تحول تجاری خلاصه: بیش از 2 دهه تجربه در MNC ها و استارت آپ های برتر. ایفای نقش رهبری و مدیریت مشاغل در سراسر آسیا و اقیانوسیه و منطقه ژاپن تخصص: هوش مصنوعی ، شش سیگما و نوآوری تجربیات کلیدی: با موفقیت در مراکز تعالی برای جلوگیری از کلاهبرداری و تجزیه و تحلیل خدمات انکوبه شد. تجربه قابل توجهی در توسعه و مدیریت محصول مبتنی بر تفکر طراحی. نقشی اساسی در توسعه محصولات برای بازارهای نوظهور ایفا کرد. آموزش و گواهینامه: B. فنی و MBA تمام وقت از موسسات برتر هند گواهینامه ها در شش سیگما و مدیریت پروژه.