• آموزش تنسورفلو پیشرفته:
    1,059,000 ت 423,600 ت
  • آموزش یادگیری عمیق پیشرفته: مدل‌سازي توالي:
    1,199,000 ت 479,600 ت
  • آموزش یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین:
    679,000 ت 271,600 ت
  • آموزش یادگیری ماشین:
    3,659,000 ت 1,463,600 ت
  • آموزش یادگیری ماشین با پایتون:
    3,459,000 ت 1,383,600 ت
  • یادگیری عمیق با تنسورفلو و کراس:
    1,999,000 ت 799,600 ت
  • مجموع:
    12,054,000 ت 4,821,600 ت
  • مجموع تخفیف: 7,232,400 ت
خرید تخصص
قیمت: 4,821,600 تومان
  • دسترسی نامحدود به محتوای تمامی دوره‌ها
  • دریافت گواهینامه معتبر مکتب‌خونه
  • دسترسی به پروژه و تصحیح پروژه‌ها توسط راهنمای متخصص
  • مشارکت در تالار گفتگو
قیمت: 4,821,600 تومان
ورود به حساب کاربری
یادگیری عمیق

یادگیری عمیق

یادگیری عمیق

دوره‌ها

این تخصص برای تمام علاقه‌مندان به حوزه یادگیری عمیق مناسب است. در این تخصص مهارت‌های مورد نیاز برای تسلط بر یادگیری عمیق مرحله به مرحله طراحی شده است. در مرحله اول شما یادگیری ماشین با استفاده از زبان پایتون را آموزش می‌بینید. این دوره در دو بخش تدوین شده است؛ در بخش اول شما با هدف یادگیری ماشین و کاربرد آن در دنیای واقعی آشنا خواهید شد. در بخش دوم این دوره، یک نمای کلی از مباحث یادگیری ماشین مانند یادگیری تحت نظارت و بدون نظارت، ارزیابی مدل­‌ها و الگوریتم­‌های ماشین لرنینگ به شرکت‌کنندگان ارائه خواهد شد. در مرحله بعد شما با تنسورفلو و کراس آشنا خواهید شد. دوره آموزش یادگیری عمیق با تنسورفلو و کراس به آموزش کاربردی یادگیری عمیق و تمام مباحث مربوط به کتابخانه‌­های تنسورفلو و کراس می‌­پردازد. در این دوره شما با مباحثی مانند پیاده‌­سازی شبکه‌­های عصبی (یادگیری عمیق) در پایتون، پیاده‌­سازی شبکه­‌های Multi-layer perceptron (MLP) و Convolutional، بحث و بررسی در رابطه با موضوعات گوناگون یادگیری عمیق مانند: Transfer learning، Overfitting و Regularization و بررسی دقیق و عمیق تنسورفلو و کراس آشنا خواهید شد. این دوره به صورت مقدماتی و پیشرفته ارائه خواهد شد. در مرحله بعد به مدل‌سازی سطح پایین پرداخته می‌شود در این دوره شرکت‌کنندگان با موضوعات مختلفی با تمرکز بر مدل‌سازی سطح پایین در تنسورفلو آشنا خواهند شد. «تنسورفلو» (TensorFlow)، یک کتابخانه رایگان و اوپن سورس است و به دلیل ویژگی‌های جذابی که در اختیار کاربران قرار می‌دهد، کاربردهای زیادی در یادگیری ماشین دارد. یکی از اصلی‌ترین کاربردهای تنسورفلو در پیاده‌سازی شبکه‌های عصبی است؛ به همین دلیل این کتابخانه، به عنوان پراستفاده‌ترین کتابخانه در یادگیری عمیق شناخته می‌شود. در انتها نیز به بحث مدل‌سازی توالی پرداخته می‌شود که در انتهای آن شما به موضوعاتی مانند پیاده‌سازی شبکه‌های شامل RNN ساده، پیاده‌سازی شبکه‌های شامل LSTM و انواع مختلف آن، پیاده‌سازی پیش‌بینی‌های احتمالاتی برای کار با توالی‌ها با مدل deepAR، پیاده‌سازی مدل‌های Transformer برای پیش‌بینی توالی، پیاده‌سازی مدل‌های Convolutional برای پیش‌بینی توالی، آشنایی با کتابخانه GluonTSو آشنایی با کتابخانه Darts تسلط لازم را خواهید داشت.

سوالات پرتکرار

اگر قبلا در یک یا چند دوره از دوره‌های این تخصص قبلا ثبت‌نام کرده باشم، چگونه می‌توانم در این تخصص ثبت‌نام کنم؟
شما می‌توانید با پرداخت هزینه‌ی دوره‌هایی که تا کنون ثبت‌نام نکرده‌اید، در تخصص ثبت‌نام کنید و به تمامی دوره‌ها دسترسی داشته باشید.
آیا می‌توانم به تنهایی در یک دوره ثبت‌نام کنم؟
بله. با انتخاب دوره مورد علاقه خود میتوانید در آن دوره به تنهایی ثبت‌نام کنید.
آیا این تخصص 100% آنلاین است؟
اگر دوره‌ای شامل بخش حضوری نیز باشد در توضیحات همان دوره آمده است.
در صورت اتمام تخصص گواهی‌نامه‌ای جداگانه از گواهی‌نامه دوره ها به من تعلق می گیرد؟
بله. در صورتی که تمام دوره‌های یک تخصص را در زمان تعیین‌شده با نمره قبولی به اتمام برسانید، گواهی‌نامه تخصص برای شما صادر می گردد. گواهی‌نامه تخصص گواهی‌نامه ای جدا از گواهی‌نامه تک‌تک دوره‌ها است که برای شما صادر می شود.
آیا باید دوره‌ها را به ترتیب بگذرانم؟
نه. برای اتمام تخصص شما باید همه دوره‌های آن تخصص را بگذرانید ولی الزامی به رعایت ترتیب نیست. برای دوره‌هایی که پیش‌نیاز دارند پیش‌نیازی را توصیه می کنیم که رعایت کنید. توصیه می‌شود که ترتیب دوره‌های تخصص را رعایت کنید ولی الزامی به آن نیست.
زمان دسترسی من به دوره‌ها پس از خرید تخصص چگونه است؟
شما پس از خرید تخصص برای مدت زمان تعیین‌شده به همه دوره‌ها دسترسی خواهید داشت. پس از پایان زمان تخصص، با تمدید تخصص می توانید برای مدت تمدید به همه دوره‌ها دسترسی داشته باشید.
پس از سپری شدن زمان تخصص آیا به دوره‌ها دسترسی خواهم داشت؟
بله، پس از اتمام زمان تخصص شما به محتوای همه دوره‌ها دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژ‌ه‌ها و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی‌نامه برای شما وجود نخواهد داشت مگر با تمدید دوره.

آموزش یادگیری ماشین با پایتون

بدون شك یادگیری ماشین (Machine Learning) یکی از هیجان‌انگیزترین و ضروری‌ترین مهارت‌ها در دنیای امروز است. این تکنولوژی به شما این قدرت را می‌دهد که از داده‌ها استفاده کنید تا مدل‌هایی بسازید که به‌صورت خودکار و هوشمندانه تصمیم‌گیری کنند، الگوها را شناسایی کرده و نتایج شگفت‌انگیزی به دست آورند.  از …
مشاهده‌ی دوره
مشاهده‌ی سرفصل‌های دوره  

فصل اول: مقدمه یادگیری ماشین با پایتون

00:34

فصل دوم: رگرسیون Regression

09:00

فصل سوم: دسته بندی Classification

08:53

فصل چهارم: خوشه‌بندی Clustering

07:57

فصل پنجم: سیستم‌های توصیه‌گر Recommender Systems

06:38

آموزش یادگیری ماشین

در دنیای امروز، یادگیری ماشین (Machine Learning) به یکی از اصلی‌ترین نیروهای محرک در صنعت فناوری تبدیل شده است. از توصیه‌های محصول در فروشگاه‌های آنلاین تا تشخیص بیماری‌های پزشکی و از خودروهای خودران تا دستیارهای هوشمند، یادگیری ماشین در قلب تمام این نوآوری‌ها قرار دارد. تقاضای روزافزون برای متخصصان این …
مشاهده‌ی دوره
مشاهده‌ی سرفصل‌های دوره  

فصل اول: مقدمه

00:42

فصل دوم: کتابخانه‌های پیش نیاز پایتون

01:24

فصل سوم: نحوه بصری‌سازی در پایتون

05:36

فصل چهارم: رگرسیون خطی (Linear Regression)

01:32

فصل پنجم: رگرسیون خطی چندمتغیره (Multivariable Linear Regression)

01:00

فصل ششم: رگرسیون لجستیک (Logistic Regression)

07:16

فصل هفتم : پیش‌‎پردازش داده‌ها

01:12

فصل هشتم : مفاهیم مهم در درک یادگیری‌ماشین

02:21

فصل نهم : نزدیکترین همسایه (KNN)

00:33

فصل دهم : تئوری بیز ساده (Naïve Bayes)

00:40

فصل یازدهم : شبکه‌های عصبی مصنوعی (Artificial Neural Network)

01:14

فصل دوازدهم : ماشین بردار پشتیبان (SVM)

02:06

فصل سیزدهم : درخت تصمیم (Decision Tree)

01:50

فصل چهاردهم : یادگیری جمعی (Ensemble Learning)

01:04

فصل پانزدهم : XGBoost

05:40

فصل شانزدهم : خوشه‌بندی (Clustering)

06:42

فصل هفدهم : کاهش ابعاد (Dimensionality Reduction)

01:32

فصل هجدهم: ساخت WebApp مبتنی بر یادگیری ماشین

00:50

فصل نوزدهم : آموزش Pycaret

00:36

فصل بیستم : جمع‌بندی و پروژه نهایی

16:03

یادگیری عمیق با تنسورفلو و کراس

دوره آموزش یادگیری عمیق با تنسورفلو و کراس به آموزش کاربردی یادگیری عمیق و تمام مباحث مربوط به کتابخانه‌­های تنسورفلو و کراس می‌­پردازد. به طور مشخص­‌تر موضوعاتی که در این دوره دنبال می‌­شود شامل موارد زیر است: پیاده‌­سازی شبکه‌­های عصبی (یادگیری عمیق) در پایتون پیاده‌­سازی شبکه­‌های Multi-layer perceptron (MLP) و …
مشاهده‌ی دوره
مشاهده‌ی سرفصل‌های دوره  

مقدمه‌ای بر یادگیری ماشین

07:40

مبانی یادگیری عمیق

21:34

شبکه عصبی عمیق

26:14

شبکه کانولوشنال عمیق

16:17

آموزش تنسورفلو پیشرفته

Tensorflow یک کتابخانه نرم‌افزاری برای برنامه‌ریزی داده‌ها و برنامه‌نویسی متفاوت در طیف گسترده‌ای از کارها به حساب می‌آید. این کتابخانه، از کتابخانه‌‌های عملیات ریاضی است و جزء برنامه‌های یادگیری ماشین مانند شبکه‌های عصبی نیز به شمار می‌رود. دوره آموزش Tensorflow پیشرفته با هدف آموزش این کتابخانه ارزشمند پایتون تهیه و …
مشاهده‌ی دوره
مشاهده‌ی سرفصل‌های دوره  

فصل اول: پیشگفتار

00:22

فصل دوم: چند نکته درباره معماری تنسورفلو

04:27

فصل سوم: پایپلاین‌های سریع و بهینه داده در تنسورفلو

06:22

فصل چهارم: پیاده‌سازی لایه‌ها و مدل‌ها در تنسورفلو

05:56

فصل پنجم: افزودن قابلیت‌های دلخواه به آموزش با استفاده از Callback‌ها

04:21

فصل ششم: توابع هزینه در تنسورفلو

04:05

فصل هفتم: Training Loop سفارشی در تنسورفلو

17:05

آموزش یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین

یکی از انواع روش‌های یادگیری ماشین (Machine Learning) و هوش مصنوعی، یادگیری عمیق (Deep learning) است. طی این روش، تلاش بر این است که قابلیتی به ماشین (سیستم کامپیوتری) اضافه شود تا ماشین در تصمیم‌گیری‌ها روشی مشابه فرایند ذهن انسان را داشته باشد و به نوعی فعالیت‌های ذهن انسان را …
مشاهده‌ی دوره
مشاهده‌ی سرفصل‌های دوره  

مدل‌سازی سطح پایین

32:31

آموزش یادگیری عمیق پیشرفته: مدل‌سازي توالي

یادگیری عمیق یکی از روش‌های یادگیری ماشین و هوش مصنوعی است و در این روش سعی می‌شود سیستم مغز انسان و شبکه‌های عصبی انسان را برای ماشین‌ها به کار گرفت. در این دوره یادگیری عمیق پیشرفته با ساختن مدل‌های یادگیری عمیق برای پیش‌بینی توالی آشنا خواهید شد. داده‌های مختلفی در …
مشاهده‌ی دوره
مشاهده‌ی سرفصل‌های دوره  

فصل اول: Recurrent Neural Network

08:54

فصل دوم: Deep Autoregressive

21:24

فصل سوم: Transformer

16:05

فصل چهارم: Temporal Convolutional Neural Network

14:32

فصل پنجم: Timeseries Classifications

06:24