دوره جامع ماشین لرنینگ و AI | با پروژه‌های واقعی

  • مدت: ۹۰ ساعت

پیش‌نیاز

بعد از این دوره چه کاری می‌توانم انجام دهم؟

در پایان این دوره می‌تونی:

  • یک پروژه‌ی یادگیری ماشین رو از مرحله‌ی ایده تا اجرای کامل طراحی کنی.
  • داده‌ها رو از منابع مختلف جمع‌آوری و تحلیل اکتشافی (EDA) انجام بدی.
  • داده‌های خام رو پاک‌سازی، نرمال‌سازی و برای مدل‌سازی آماده کنی.
  • ویژگی‌های مهم رو شناسایی و با مهندسی ویژگی، کیفیت ورودی‌های مدل رو افزایش بدی.
  • الگوریتم‌های رگرسیون، طبقه‌بندی و خوشه‌بندی رو به‌صورت عملی پیاده‌سازی و ارزیابی کنی.
  • مفاهیم کاهش ابعاد و انتخاب مدل رو برای بهینه‌سازی عملکرد مدل به‌کار ببری.
  • با استفاده از روش‌های Ensemble Learning، مدل‌های قدرتمند‌تر و پایدارتر بسازی.
  • نتایج مدل رو تحلیل کنی، خطای آن رو بسنجی و برای داده‌های واقعی تصمیم‌گیری کنی.
  • مهارت‌های لازم برای ورود به پروژه‌های واقعی داده‌محور و موقعیت‌های شغلی در حوزه‌ی هوش مصنوعی رو به دست بیاری.

درباره دوره

دوره Mastering Machine Learning & AI یک مسیر کامل و مرحله‌به‌مرحله برای تسلط بر ماشین لرنینگه؛ مسیری که از مبانی ضروری ریاضیات و روش‌های جمع‌آوری داده شروع می‌شه، با تحلیل اکتشافی داده‌ها (EDA)، پیش‌پردازش و مهندسی ویژگی ادامه پیدا می‌کنه و سپس وارد هسته اصلی مدل‌سازی می‌شه. در این دوره با الگوریتم‌های رگرسیون، طبقه‌بندی و خوشه‌بندی کار می‌کنی، مفاهیم کاهش ابعاد رو برای مدیریت داده‌های پیچیده یاد می‌گیری و در نهایت با انتخاب مدل و تکنیک‌های یادگیری جمعی (Ensemble Learning) آشنا می‌شی تا بتونی مدل‌هایی دقیق، پایدار و قابل استفاده در پروژه‌های واقعی بسازی. این دوره طوری طراحی شده که هم درک عمیقی از مفاهیم بهت بده و هم بتونی در پروژه‌های واقعی آن‌ها رو به کار ببری.

سرفصل‌ها

Math
  • Linear Algebra
    • Vectors
    • Matrices
    • Eigenvalues
    • Eigenvectors
  • Statistics
    • Mean
    • Median
    • Mode
    • Variance
    • Standard Deviation
  • Probability
    • Conditional Probability
    • Bayes Theorem
    • Distributions
Data Collection
  • API
    • Requests
  • SQL
    • MySQL
  • Scraping
    • Beautiful Soup
    • Selenium
    • Scrapy
  • File Based
    • Pandas
      1. CSV
      2. Excel
      3. JSON
      4. Parquet
Exploratory Data Analysis (EDA)
  • Pandas
    • Describe
    • Info
    • Value Counts
  • Matplotlib
    • Histogram
    • Box Plot
    • Scatter Plot
    • Heatmap
  • Correlation Analysis
    • Pearson
    • Spearman
  • Outlier Detection
    • IQR Method
    • Z-Score

Preprocessing
  • Handling Missing Data
    • fillna
    • dropna
    • KNN Imputer
  • Encoding Categorical Data
    • Label Encoding
    • One Hot Encoding
    • Ordinal Encoding
  • Feature Scaling
    • Standardization
    • Normalization
    • RobustScaler
  • Train Test Split
    • Train Test Split
    • Cross Validation
    • Stratified Split
Feature Engineering
  • Feature Selection
    • Filter Methods
    • Wrapper Methods
    • RFE
  • Feature Extraction
    • PCA
    • Text Features
      1. TF-IDF
      2. Bag of Words
  • Feature Construction
    • Polynomial Features
    • Interaction Terms
    • Date/Time Features
Regression
  • Simple Linear
  • Multiple Linear
  • Polynomial Linear
  • Support Vector
  • Decision Tree
  • Random Forest
  • Lasso
  • Ridge
  • Elastic Net
  • XGBoost
  • AdaBoost
  • Gradient Boosting
  • Evaluation Metrics
    • MAE
    • MSE
    • RMSE
    • R2 Score
    • MAPE

Classification
  • Logistic Regression
  • KNN
  • SVM
  • Kernel SVM
  • Decision Tree
  • Random Forest
  • Naive Bayes
  • Gradient Boosting
  • AdaBoost
  • XGBoost
  • Extra Trees
  • LightGBM
  • CatBoost
  • Evaluation Metrics
    • Accuracy
    • Precision
    • Recall
    • F1-Score
    • Confusion Matrix
    • ROC Curve
    • AUC
Clustering
  • K-Means
  • Hierarchical
  • DBScan
  • Mean Shift
  • Gaussian Mixture Model (GMM)
  • OPTICS
  • Evaluation Metrics
    • Silhouette Score
    • Davies-Bouldin
    • Inertia (Elbow)
Dimensionality Reduction
  • Principal Component Analysis (PCA)
  • Kernel PCA
  • T-SNE
  • UMAP
  • Independent Component Analysis (ICA)
  • Non-Negative Matrix Factorization (NMF)
Model Selection
  • Cross Validation
  • Hyperparameter Tuning
  • Learning Curves
  • Grid Search CV
Ensemble Learning
  • Bootstrap Aggregating (Bagging)
    • Random Forest
    • Extra Trees
  • Boosting
    • AdaBoost
    • Gradient Boosting
    • XGBoost
    • LightGBM
    • CatBoost
  • Stacking
    • Base Models
    • Meta-Learner
  • Voting
    • Hard Voting
    • Soft Voting

انتخاب دوره و ثبت‌نام

در حال حاضر گزینه‌ای برای ثبت‌نام در دسترس نیست.

از کلاس بعدی این دوره باخبر شوید

اطلاعات خود را بگذارید تا کارشناسان کندو برای کلاس بعدی با شما تماس بگیرند.

فیلد های "(اجباری)" اجباری هستند

نظر کاربران

۱ نظر

نظرت درباره این دوره چیه؟

برای ثبت نظر و امتیاز، وارد حساب کاربری‌ات شو.

ورود با شماره موبایل و کد پیامکی، کمتر از یک دقیقه.

ورود و ثبت نظر
  1. ایرانی

    ما پنج شنبه ها سرکاریم تا ساعت ۱۳

آنلاینحضوری

دوره Prompt Engineering

جزئیات و محتوای آموزشی را بررسی کنید.

شایان آقابراری
۲۰ ساعت آموزش
از۴٬۶۴۰٬۰۰۰تومان