دوره آموزش یادگیری ماشین Machine learning

نوشته شده برای at 2021-07-26
770 ۰

دوره یادگیری ماشین (Machine Learning)

جهت تهیه دوره می‌توانید از طریق لینک زیر اقدام کنید:
 

کد تخفیف : Soml01


اگر قصد دارید یک دوره یادگیری ماشین بگذرانید، کافی است کمی در اینترنت جستجو کنید. تعداد دوره‌ها اینقدر زیاد هستند که چندسالی لازم دارید تا از ابتدا تا مقطع قابل قبولی را طی کنید. شاید به ندرت دوره جامعی را پیدا کنید که این سه نکته را در اختیار شما بگذارد:

  • آموزش ریاضیات و تئوری الگوریتم‌ها در کنار پیاده‌سازی و کاربرد هر کدام از آن‌ها
  • توسعه و Deploy اپلیکشین‌های مبتنی بر Machine Learning
  • امکان بهره‌گیری از روش‌های سریعتر یادگیری ماشین مانند Pycaret

ما در این دوره، هم بر آموزش مفاهیم اصلی و نحوه کارکرد الگوریتم‌های یادگیری ماشین تاکید داریم هم بر نحوه استفاده از این الگوریتم‌ها در سطح کد به گونه‌ای که بتوانید در نهایت محصول خود را توسعه داده و به صورت اولیه، در بستر وب سرویس‌دهی کنید. بنابراین این دوره مسیری برای شما فراهم می‌کند که دانش و مهارت لازم را برای استفاده از یادگیری ماشین در کار خود کسب کنید، سطح فنی خود را ارتقا داده و گام نهایی را برای ورود به دنیای هوش مصنوعی بردارید.

هدف از یادگیری دوره آموزش یادگیری ماشین (Machine Learning) چیست؟

یادگیری ماشین، بدون شک به عنوان یکی از برترین فناوری‌های برتر به ویژه در دنیای امروز به‌شمار می‌رود. در دنیایی که روزبه‌روز با تولید انواع مختلف داده روبرو هستیم نیاز به اتوماتیک کردن کارهای تکراری با استفاده از سیستم‌های کامپیوتری، بیش از پیش احساس می‌گردد و در روزگاری نه چندان دور، به عضوی جدانشدنی بدل خواهد شد. سیستمی که بتواند یاد بگیرد و مانند انسان تحلیل کند، قادر خواهد بود تا ارزش افزوده خارق‌العاده‌ای را برای هر سازمان و فعالیتی، فراهم نماید. به همین دلیل، در این روزها شاهد رشد نمایی شغل‌های مربوط به تحلیل داده و یادگیری ماشین هستیم و این فرصتی مغتنم جهت رشد و بهبود شرایط در هر کشوری به شمار می‌رود. در انتهای این دوره شما قادر خواهید بود تا سامانه خود را با الگوریتم‌های یادگیری ماشین توسعه داده و به اصطلاح Deploy نمایید.

دوره آموزش یادگیری ماشین (Machine Learning) مناسب چه کسانی است؟

  • اگر جهت اجرای ایده خود نیاز به استفاده از الگوریتم های یادگیری ماشین دارید.
  • اگر بنیان‌گذار استارتاپ هستید و نیاز به استفاده از یادگیری ماشین در بهبود ایده استارتاپی خود دارید.
  • اگر قصد دارید تا محصول نهایی خود را Deploy نمایید.
  • اگر دانشجو یا محقق هستید و قصد دارید با تسلط بیشتر، چه از نظر تئوری و کدنویسی از یادگیری ماشین استفاده کنید.
  • اگر تمایل دارید تا در فرصت‌های شغلی با عنوان Machine learning Engineer یا Data Scientist در داخل یا خارج از ایران، امتیاز بیشتری را با توجه به تسلط در یادگیری ماشین اخد نمایید.

ویژگی‌های متمایز دوره آموزش یادگیری ماشین (Machine Learning) چیست؟

این دوره توسط افرادی تدریس شده است که علاوه بر سابقه ممتاز در بخش آکادمیک، سابقه فعالیتی درخشانی در صنعت داشته که در نهایت، این دوره به شما کمک خواهد کرد تا بتوانید علاوه بر دانش تئوری، نحوه پیاده‌سازی و اجرا را هم فرابگیرید تا در ادامه این دوره، به صورت کاملاً عملی و تجاری وارد صنعت شوید.

این دوره آموزشی حاصل سال ها تجربه تدریس در دانشگاه‌ها و آموزشگاه‌های معتبر داخلی و نیز فعالیت در صنعت هوش‌مصنوعی در کشور بوده و با هدف کاربردی‌بودن در سناریوهای دنیای واقعی مطرح شده است. این دوره آموزشی، کاملاً پروژه محور بوده و مباحث تئوری یادگیری ماشین با ظرافت هرچه تمام تدریس شده است. در پایان هر فصل با انجام پروژه‌‎ با داده‌های واقعی و نیز داده‌های مسابقات Kaggle، آموخته‌های خود را در دنیای واقعی محک خواهید زد.

بعد از فراگیری دوره آموزش یادگیری ماشین (Machine Learning)، چه مهارت‌هایی کسب خواهید کرد؟

بعد از گذراندن این دوره، قادر خواهید بود تا الگوریتم‌های یادگیری ماشین را بر روی داده‌های واقعی پیاده‌سازی و اجرا نمایید. یکی از نقاط قوت این دوره این است که در نهایت شما را به سمت تولید محصول مبتنی بر یادگیری ماشین راهنمایی می‌کند.

  • آشنایی کامل با ابزارهای یادگیری ماشین در پایتون
  • آشنایی کامل با کتابخانه (NumPy)
  • آشنایی کامل با کتابخانه (Pandas)
  • آموزش نحوه بصری‌سازی داده‌ها (Matplotlib & Seaborn)
  • پیاده‌سازی الگوریتم‌های یادگیری ماشین با استفاده از کتابخانه (Scikit-learn)
  • نحوه استفاده از Kaggle Kernel و Google Colab
  • نحوه Deploy نمودن مدل نهایی با استفاده از Streamlit
  • استفاده از روش‌های Automl و آموزش Pycaret
دوره آموزشی یادگیری ماشین
دوره آموزشی یادگیری ماشین – مکتبخونه

ویژگی های متمایز دوره آموزش یادگیری ماشین (Machine Learning)، چیست؟

روش‌های آموزشی استفاده شده در دوره آموزش یادگیری ماشین (Machine Learning)، ویژگی‌های منحصر به فردی دارد که شما را نسبت به نتیجه‌ی نهایی حاصل از فراگیری دوره مطمئن خواهد کرد. این ویژگی‌ها به شرح ذیل است:

  • کدهای مربوط به الگوریتم‌های یادگیری ماشین، قدم به قدم با استفاده از کتابخانه‌های مربوطه توضیح داده می‌شود.
  • راه‌حل‌های استفاده از الگوریتم‌های یادگیری ماشین در مسایل تجاری بررسی شده و یک سیستم عملیاتی کامل جهت اجرا در وبسایت و اپلیکیشن شما ساخته می‌شود.
  • مراحل Deploy نمودن و توسعه محصول مبتنی بر یادگیری ماشین آموزش داده خواهد شد.

فصل اول: مقدمه یادگیری ماشین (Machine learning)

در این فصل با مقدمات یادگیری ماشین (Machine learning) آشنا خواهیم شد. در ابتدا به انواع مختلف یادگیری ماشین بر اساس داده‌ها می‌پردازیم. داده‌ها با توجه به این‌که برچسب داشته باشند یا بدون برچسب باشند روال آموزش مدل ما و سناریوهای یادگیری ماشین را مشخص می‌کنند. یادگیری باناظر (Supervised Learning) و یادگیری بدون ناظر (Unsupervised Learning) از این روش‌ها به شمار می‌روند که در این دوره به صورت کامل در مورد آن‌ها صحبت خواهیم کرد. سپس به نحوه دانلود و نصب Anaconda Navigator و چگونگی کار با Jupyter Notebook می‌پردازیم.
لازم به ذکر است، اگر با زبان برنامه‌نویسی پایتون آشنا نیستید لطفاً زمانی را جهت آموزش آن اختصاص دهید تا این دوره را با سرعت و تسلط بیشتری ادامه بدهیم.

فصل دوم: کتابخانه‌های پیش‌نیاز پایتون (Python)

یکی از دلایل اصلی جهت انتخاب پایتون برای پیاده‌سازی الگوریتم‌های یادگیری ماشین، وجود طیف گسترده‌ای از کتابخانه‌ها و پکیج‌های مختلف می‌باشد که قبل از شروع به یادگیری یادگیری ماشین، بهتر است با این کتابخانه‌ها آشنا شویم.
ابتدا به سراغ کتابخانه Numpy خواهیم رفت که جهت کار با آرایه‌ها و ماتریس‌ها خواهد بود.
سپس کتابخانه Pandas را مورد کنکاش قرار می‌دهیم که ابزار اصلی ما در EDA و تحلیل اولیه دیتاست می‌باشد. به سراغ اولین دیتاست خواهیم رفت و لیست مسافرین کشتی تایتانیک را تحلیل می‌کنیم.

فصل سوم: بصری‌سازی در پایتون (Python)

بصری‌سازی (Visualization) یکی از مهم‌ترین مراحل تحلیل داده می‌باشد. بدون این مرحله گویا با چشمان بسته دل به جاده یادگیری ماشین زده‌اید و داستان‌سرایی (Storytelling) که از زیباترین گام‌های تحلیل داده می‌باشد را کنار گذاشته‌اید. ما در این فصل به بررسی و آموزش کتابخانه‌های Matplotlib و Seaborn می‌پردازیم و دیتاست (Tips) که مربوط به انعام‌های یک رستوران می‌باشد را تحلیل می‌کنیم.

فصل چهارم: رگرسیون خطی (Linear Regression)

در رگرسیون، هدف نهایی پیش‌بینی مقادیر یک متغیر وابسته بر اساس مقادیر یک یا چند متغیر مستقل است که برای این منظور باید رابطه بین این متغیرها مشخص باشد، اما چون از ماهیت رابطه واقعی بین این متغیرها اطلاعی نداریم، تلاش بر این خواهد بود که رابطه واقعی را با یک رابطه خطی تقریب بزنیم و از این رابطه خطی برای اهداف پیش‌بینی استفاده کنیم. رگرسیون خطی بهترین گزینه برای شروع یادگیری ماشین و فهم نحوه کارکرد آن خواهد بود. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند، از آن در پیش‌بینی قیمت خانه از آن استفاده می‌کنیم.

فصل پنجم: رگرسیون خطی چند متغیره (Multivariable Linear Regression)

اگر رابطه خطی بین یک متغیر پاسخ و یک متغیر مستقل برقرار شود، تکنیک رگرسیون را رگرسیون خطی ساده یا Simple Linear Regression می‌نامند ولی در صورت به کارگیری چندین متغیر مستقل، آن را رگرسیون چندگانه یا Multiple Linear Regression می‌گویند. هم‌چنین روش دیگری براساس چند متغیر پاسخ و مستقل نیز به کار گرفته می‌شود که به آن رگرسیون چند متغیره یا Multivariable Regression گفته شده و بیش از یک متغیر پاسخ مورد تحلیل و مدل‌سازی قرار می‌گیرد. در این فصل نیز با استفاده از کتابخانه محبوب Scikit-learn به پیاده‌سازی و آموزش مدل خواهیم پرداخت.

فصل ششم: رگرسیون لجستیک (Logistic Regression)

در این فصل به بررسی یکی از معروف‌ترین روش‌های Classification خواهیم پرداخت. رگرسیون لجستیک برخلاف نامش یکی از روش‌های طبقه‌بندی به شمار می‌رود که برای تحلیل رابطه بین متغیرها، بررسی و ایجاد مدل رابطه از تابعی به نام Logistic Function استفاده می‌شود. به همین علت این روش را رگرسیون لجستیک می‌نامند. در اکثر پروژه‌های یادگیری ماشین از این روش به عنوان روشی سریع و ساده و البته پایه و پرکاربرد یاد می‌شود. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.

فصل هفتم: پیش پردازش داده‌ها (Feature Scaling)

در این فصل، یکی از اصلی‌ترین گام‌های ساخت مدل برای یادگیری ماشین را یاد خواهیم گرفت. ابتدا می‌آموزیم که چگونه و چرا باید داده‌ها پیش‌پردازش شوند و با داده‌های گم‌شده یا Missing Value چطور برخورد کنیم. مقیاس‌بندی داده‌ها و روش‌های مختلف آن، نکته دیگری است که در این فصل به آن خواهیم پرداخت.

فصل هشتم: مفاهیم اساسی در یادگیری ماشین (ماشین لرنینگ)

در این فصل قصد داریم تا مفاهیم پایه‌ای و اصلی که هر مهندس یادگیری ماشین می‌بایست به آن‌ها مسلط باشد را با هم فرابگیریم. قطعاً آموخته‌های شما از این فصل تا مدت‌ها به کار شما خواهد آمد.

فصل نهم: نزدیک‌ترین K همسایه (KNN)

یک جمله معروفی هست که احتمالاً شنیده‌اید. بسیار محتمل است که شما شبیه به ۵ نفر از نزدیکترین دوستان خود باشید. شاید این جمله، به صورت خیلی ساده مفهوم کلی الگوریتم KNN را توضیح دهد. ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.

فصل دهم: تئوری بیز ساده (Naive Bayes)

در این فصل با یکی از قدیمی‌ترین روش‌های یادگیری ماشین روبرو خواهیم شد. در Machine Learning، بسیاری از روش‌های به کار گرفته شده در یادگیری ماشین، از تکنیک‌های آماری بهره می‌برند که تکنیک دسته‌ بند بیز ساده با بکارگیری قضیه بیز و فرض استقلال بین متغیرها، عضوی از همین روش‌های احتمالاتی در نظر گرفته می‌شود. این الگوریتم از قضیه بیز به منظور تفکیک احتمالات استفاده می‌کند و ما در این فصل می‌آموزیم که چگونه این الگوریتم کار می‌کند و به صورت عملی و با کتابخانه Scikit-learn مدلی مبتنی بر این الگوریتم آموزش می‌دهیم.

فصل یازدهم: شبکه‌های عصبی مصنوعی (Artificial Neural Networks)

شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANN) یا به زبان ساده‌تر شبکه‌های عصبی، سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشین جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایده اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوه کارکرد سیستم عصبی مغز انسان، برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش می‌باشد. ما در این فصل چگونگی کارکرد شبکه‌های عصبی و نحوه آموزش و ساخت آن‌ها را یاد می‌گیریم. علاوه بر آن گریزی کوتاه به کتابخانه محبوب Keras و تنسورفلو می‌زنیم که یکی از محبوب‌ترین ابزارهای شما در یادگیری عمیق (Deep Learning) می‌باشد. در نهایت با استفاده از این ایده شبکه‌های عصبی، پیش‌بینی می‌کنیم که آیا یک مشتری از چرخه مشتریان بانک خارج می‌شود یا خیر؟

فصل دوازدهم: ماشین بردار پشتیبانی (SVM)

ماشین بردار پشتیبان یا (SVM) یک الگوریتم نظارت‌شده یادگیری ماشین است که هم برای مسائل طبقه‌بندی و هم مسائل رگرسیون قابل استفاده است؛ گرچه از آن بیشتر در مسائل طبقه‌بندی استفاده می‌شود. این روش معمولاً با توجه به ریاضیات پشت صحنه‌اش، به عنوان روش‌های جذاب به شمار می‌رود که مبنای کاری آن دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی بر آن است که خطی انتخاب شود که حاشیه اطمینان بیشتری داشته باشد. ما در این فصل به صورت کامل چگونگی کارکرد آن را می‌آموزیم و به صورت عملی با استفاده از کتابخانه Scikit-learn از آن استفاده می‌کنیم. بدون شک یکی از برترین و کامل‌ترین آموزش‌های SVM را در این فصل از دوره جاری می‌توانید مشاهده کنید.

فصل سیزدهم: درخت تصمیم (Decision Tree)

در میان متخصصین و مدیران در صنایع مختلف، درخت‌ تصمیم یکی از روش‌های محبوب جهت تفکیک حالات مختلف به شمار می‌رود. خودمان نیز روزانه از ابتدای صبح در حال استفاده از درخت تصمیم و بررسی حالات مختلف و نتایج حاصل از این تصمیم‌ها هستیم.‌ زیرا درک آن آسان بوده و می‌توان به تعداد دلخواه گزینه‌های جدیدی را به آن‌ها اضافه کرد، در انتخاب و پیدا کردن بهترین گزینه از میان گزینه‌های مختلف کارآمد بوده و همچنین با ابزار‌های تصمیم‌گیری دیگر به خوبی سازگاری دارد. ما در این فصل به صورت کامل چگونگی کارکرد آن را می‌آموزیم، با معیارهای آنتروپی و Gini Index آشنا خواهیم شد و به صورت عملی جهت ساخت مدل نهایی، از کتابخانه Scikit-learn استفاده می‌کنیم.

فصل چهاردهم: یادگیری جمعی (Ensemble Learning)

یادگیری جمعی حوزه‌ای در یادگیری ماشین است که به کمک آن‌ از چندین مدل به صورت ترکیبی و هم‌زمان استفاده می‌گردد تا قدرت مدل در آموزش و ارایه خروجی نهایی را بهبود بخشند. در این فصل تکنیک‌های یادگیری جمعی از قبلی Bagging و Boosting را به منظور ترکیب مدل‌ها در مسائل رگرسیون و طبقه‌بندی آموزش داده و پیاده‌سازی می‌کنیم. این فصل، شما را جهت ورود به فصل بعد و فهم بهتر الگوریتم‌های مبتنی بر Ensemble Learning آماده می‌نماید.

فصل پانزدهم: XGBoost

XGBoost به عنوان یکی از برترین روش های جدید و روش پیشنهادی جهت شرکت در مسابقات برنامه نویسی مانند مسابقات سایت Kaggle معرفی شده است. این الگوریتم با توجه به مدل پیاده‌سازی از سرعت اجرای به مراتب بالاتری نسبت به الگوریتم‌های هم‌رده‌اش برخوردار است. ما از XGBoost هم در مسایل Classification و هم در Regression استفاده خواهیم کرد و به سراغ پیش‌بینی میزان دی اکسید کربن تولید شده در سال‌های آتی خواهیم رفت.

فصل شانزدهم: خوشه‌بندی (Clustering)

همان‌طور که می‌دانید حجم داده‌های بدون برچسب بسیار بیشتر از داده‌های برچسب‌گذاری شده است. بنابراین این دسته از روش‌های یادگیری ماشین که مختص داده‌های بدون برچسب هستند، طرفداران زیادی دارد. در این بخش به بررسی روش‌های K-means و DBSCAN خواهیم پرداخت و مثال‌های جالبی از ایستگاه‌های هواشناسی و اطلاعات مشتریان فروشگاهی را حل خواهیم کرد.

فصل هفدهم: کاهش ابعاد (Dimensionality Reduction)

وقتی با مسائل واقعی و داده های واقعی سروکار داریم، اغلب با داده های با ابعاد بالا روبرو هستیم. همان‌طور که می‌دانید در یادگیری ماشین، ویژگی‌های زیادی داریم که آموزش نهایی بر آن اساس انجام می شود. این عوامل اساساً به عنوان متغیر شناخته می شوند و هرچه تعداد ویژگی ها بیشتر باشد، تجسم و کار بر روی آن دشوارتر می‌شود. حتی در برخی شرایط این ویژگی‌ها مشابه بوده و انتخاب یکی از آن‌ها کفایت می‌کند. در این مرحله است که الگوریتم‌های کاهش ابعاد به کمک ما خواهند آمد. چه برای امکان ترسیم داده‌ها و Visualization و چه برای سرعت در آموزش مدل نهایی. در این فصل با روش PCA آشنا خواهیم شد و نحوه استفاده از آن را یاد خواهیم گرفت. همچنین در مورد LDA و t-SNE نیز صحبت خواهیم کرد.

فصل هجدهم: ساخت Web App با استفاده از Streamlit

این روزها یکی از بزرگترین چالش‌‌های مهندسین و فعالان حوزه یادگیری ماشین، عدم توانمندی در تولید محصول اولیه (MVP) است. ما با هدف تولید یک Web Application با استفاده از کتابخانه Streamlit این چالش را حل خواهیم کرد. بدین ترتیب شما یک نرم‌افزار تحت وب خواهید داشت که در پشت صحنه آن، مدل‌های مبتنی بر یادگیری ماشین مشغول پاسخ‌دهی به شما خواهند بود.

فصل نوزدهم: کتابخانه Pycaret

حال که تا این مرحله جلو آمدیم، زمان یادگیری و آشنایی با روش‌هایی فرارسیده که سرعت پیاده‌سازی و اجرا را چندین برابر، حتی سریعتر از قبل، فراهم نماید. کتابخانه Pycaret یک کتابخانه Low Code و جذاب به منظور ساخت مدل نهایی در کمترین زمان ممکن است. با استفاده از Pycaret، سرعت رسیدن به خروجی اولیه خیلی بیشتر خواهد بود و با تنها چند کلیک و به سادگی هر چه تمام، می‌توانید از اکثر الگوریتم‌های Classification، Regression و … بهره‌مند شوید.

فصل بیستم: پروژه نهایی

خسته نباشید. دوستان گرامی، در این بخش به معرفی پروژه نهایی خواهیم پرداخت. این بخش شاید آخرین گام این دوره و اولین گام شما جهت ورود به دنیای جذاب یادگیری ماشین به صورت عملی خواهد بود. تحلیل داده‌های روال واکسیناسیون کرونا (Covid-19) می‌تواند حتی از نظر شهودی به شما کمک شایانی در یادگیری و جمع‌بندی نهایی نماید. همچنین Churn Prediction یکی دیگر از مسایل جذاب صنعت می‌باشد که در این بخش به عنوان پروژه‌‌های نهایی در نظر گرفته شده‌اند.

مدرسین دوره یادگیری ماشین:

دکتر محمد منثوری، متولد سال ۱۳۶۲ شهرستان خوی آذربایجان غربی، دانش آموخته مهندسی برق ورودی سال ۱۳۸۰ دانشگاه شیراز می باشد.ایشان پس از گذراندن دوره کارشناسی با درجه عالی، دوره کارشناسی ارشد خود را در دانشگاه خواجه نصیر الدین طوسی و در رشته مهندسی برق گرایش کنترل گذراند و در نهایت مدرک دکتری تخصصی (PhD) خود را در سال ۱۳۹۴ از دانشگاه خواجه نصیر الدین طوسی اخذ نمود. ایشان هم اکنون به عنوان هیئت علمی دانشگاه شاهد در مقام استادیار مشغول به فعالیت می باشد. شایان ذکر است ایشان در دانشگاه های تراز اول کشور از قبیل دانشگاه خواجه نصیرالدین طوسی، دانشگاه آزاد واحد علوم تحقیقات ودانشگاه آزاد واحد تهران شمال به تدریس دوره های یادگیری ماشین، یادگیری عمیق و شبکه های عصبی می پردازد.در زمینه فعالیت های کاری ایشان، می توان به حضور چندین ساله به عنوان مشاور فنی در شرکت های مختلفی از قبیل آسیاتک، صنایع الکترونیک شیراز، پژوهشکده دریایی دانشگاه امام حسین (ع) و شرکت محک توان انرژی اشاره نمود. همچنین راه اندازی اولین روبات در رستوران روباتیکی از جمله فعالیت های ایشان در حوزه صنعت می باشد. همچنین وی هم‌بنیان‌گذار آکادمی یادگیری ماشین ایران (Iran Machine learning)است که با هدف ارایه راهکارهای هوش‌مصنوعی و آموزش آن در ایران فعالیت می‌کند.

سهیل تهرانی‌پور، دانش آموخته رشته کامپیوتر ورودی سال ۱۳۸۶ دانشگاه خواجه نصیر الدین طوسی می باشد. وی دوره کارشناسی ارشد خود را در رشته هوش مصنوعی و رباتیک طی نموده و هم اکنون دانشجوی سال پایانی دکتری (PhD) رشته هوش مصنوعی می‌باشد. ایشان بیش از ۵ سال، سابقه برگزاری دوره‌های آموزشی یادگیری ماشین، یادگیری عمیق و دیتاساینس را در سازمان‌های بزرگی مانند وزارت نفت، همراه اول و شرکت مخابرات ایران در کارنامه خود دارد. همکاری با جهاد دانشگاهی شریف، یوتک و نیز برگزاری دوره‌های مختلف در دانشگاه تهران و بهشتی از زمره فعالیت‌های آموزشی ایشان به شمار می‌رود. ایشان هم اکنون مدیرعامل و عضو هیات مدیره شرکت ساعیان ارتباط است که در حوزه مخابرات نسل جدید و ارایه راهکارهای هوش‌مصنوعی در صنعت مخابرات فعال می‌باشد. همچنین وی هم‌بنیان‌گذارآکادمی یادگیری ماشین ایران (Iran Machine learning) است که با هدف ارایه راهکارهای هوش‌مصنوعی و آموزش آن در ایران فعالیت می‌کند.

پیش‌نیاز دوره یادگیری ماشین (Machine Learning):

برای بهره‌بردن از مزایای آموزشی این دوره، باید ابتدا تسلط کافی به زبان برنامه‌نویسی پایتون داشته باشید. اگر با زبان برنامه‌نویسی پایتون آشنا نیستید لطفاً زمانی را جهت آموزش آن اختصاص دهید تا این دوره را با سرعت و تسلط بیشتری ادامه بدهیم. یکی از دلایل اصلی جهت انتخاب پایتون برای پیاده‌سازی الگوریتم‌های یادگیری ماشین، وجود طیف گسترده‌ای از کتابخانه‌ها و پکیج‌های مختلف می‌باشد. لازم به ذکر است ما تمامی کدهای این دوره را در Jupyter Notebook اجرا و آموزش خواهیم داد. البته در بخش مقدمه نحوه نصب و راه اندازی آموزش داده شده است.

جهت تهیه دوره می‌توانید از طریق لینک زیر اقدام کنید:

نوشته مرتبط

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *