دوره جامع ماشین لرنینگ و AI | با پروژه‌های واقعی

  • مدت: ۹۰ ساعت

پیش‌نیاز

Python

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.

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

 

 

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.

انتخاب دوره و ثبت‌نام

کلاس و شیوه برگزاری را انتخاب کنید. نوع پرداخت در ادامه ثبت‌نام مشخص می‌شود.

از ۷ آبان ۱۴۰۵ تا ۱۳ اسفند ۱۴۰۵

پنجشنبه‌ها · ۹:۰۰ تا ۱۴:۰۰

شیوه برگزاری

نظر کاربران

۱ نظر

  1. ما پنج شنبه ها سرکاریم تا ساعت ۱۳

    ایرانی
آنلاینحضوری

Prompt Engineering

جزئیات و محتوای آموزشی را بررسی کنید.

شایان آقابراری
۲۰ ساعت آموزش
از۴٬۶۴۰٬۰۰۰تومان
آنلاینحضوری

ماشین لرنینگ و دوره یادگیری عمیق

در این مرحله از مسیر دوره دیتا ساینس، وارد یکی از مهم‌ترین و کاربردی‌ترین بخش‌ها می‌شید:…

(۲ دانشجو)
از۱۹٬۶۰۰٬۰۰۰تومان