×
ribbon

تا پایان تخفیف

آموزش یادگیری ماشین کاربردی

مدرس:

سهیل تهرانی‌پور

قطعاً یکی از بزرگترین چالش های موجود برای افرادی که دوره های یادگیری ماشین (Machine Learning) را گذرانده... بیشتر
پرطرفدار
گواهی‌نامه
دسترسی: کامل
اطلاعات بیشتر
4.6 (76)
32 دیدگاه
5,963دانشجو
47ساعت
سرفصل‌ها
پیشرفته سطح دوره

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

آموزش نکات کاربردی یادگیری ماشین

آشنایی با بیش از 10 مساله واقعی در حوزه‌های مختلف

تسلط بیشتر بر روی مراحل مختلف ساخت مدل مبتنی بر یادگیری ماشین

آموزش کدهای مربوط به الگوریتم‌های یادگیری ماشین

این دوره شامل:

21 ساعت ویدئو

49 جلسه متنی

32 تمرین و پروژه

19 سؤال سنجش و یادگیری

2 فایل ضمیمه قابل دانلود

دسترسی به تالار گفتگو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

7 هفته مهلت ارسال تمرین و پروژه

سرفصل‌های دوره

17 فصل127 جلسه21 ساعت ویدیو
فصل اول - مقدمه
  هدف از دوره یادگیری ماشین کاربردی
09:20
  آنچه خواهیم آموخت – بخش اول
03:42
  آنچه خواهیم آموخت – بخش دوم
02:41
  آنچه خواهیم آموخت – بخش سوم
07:01
  Kaggle چیست؟
17:25
فصل دوم - 30 نکته کاربردی کتابخانه Pandas
  در این فصل، چه چیزهایی خواهیم آموخت؟
01:21
  نکته اول - نحوه بررسی مصرف حافظه (Memory Usage) در Pandas
04:28
  نکته دوم - نحوه تبدیل داده های گسسته (Convert) در Pandas
05:40
  نکته سوم - نحوه تبدیل داده های پیوسته (Convert) در Pandas
04:06
  نکته چهارم - نحوه تغییر نمایش (Display Option) در Pandas
03:26
  نکته پنجم - نحوه تغییر استایل (Styling) در Pandas
07:55
  نکته ششم - آشنایی با Pandas Profiling در Pandas
07:52
  نکته هفتم - نحوه تغییر نام ستون ها در Pandas
05:05
  نکته هشتم - نحوه تشخیص برابر بودن ستون ها در Pandas
02:51
  نکته نهم - نحوه استفاده از تابع Query در Pandas
03:55
  نکته دهم - نحوه جداسازی داده های یک دیتافریم به ستون های مختلف در Pandas
04:17
  نکته یازدهم - نحوه انتخاب ستون های بر اساس تایپ داده ها در Pandas
03:21
  نکته دوازدهم - نحوه تبدیل داده‌ها به عدد در Pandas
05:18
  نکته سیزدهم - ساخت یک دیتافریم از چندین فایل CSV در Pandas
04:04
  نکته چهاردهم - نحوه فیلتر نمودن دیتافریم بر اساس محتوا در Pandas
04:21
  نکته پانزدهم - کار با Date Range برای تولید داده‌های زمانی در Pandas
06:10
  نکته شانزدهم - کار با داده‌های زمانی (Datetime) در Pandas
14:59
  نکته هفدهم - کار با داده های زمانی شمسی ( Jalali Datetime) در Pandas
04:34
  نکته هجدهم - کاربرد دستور Explode در Pandas
02:58
  نکته نوزدهم - نحوه کار با CategoricalDtype در Pandas
04:35
  نکته بیستم - کاربرد Diff در Pandas
05:06
  نکته بیست‌ویکم - شناسایی منبع اصلی داده ها در دیتافریم در Pandas
06:35
  نکته بیست‌و‌دوم - نحوه جابجایی ستون‌ها در Pandas
05:55
  نکته بیست‌و‌سوم - نحوه Save نمودن دیتافریم در قالب یک فایل csv در Pandas
09:45
  نکته بیست‌و‌چهارم - کاربرد Groupby در Pandas
09:09
  نکته بیست‌و‌پنجم - کاربرد Pivot در Pandas
04:18
  نکته بیست‌و‌ششم - کاربرد Crosstab در Pandas
04:14
  نکته بیست‌و‌هفتم - کاربرد Melt در Pandas
05:47
  نکته بیست‌و‌هشتم - کاربرد Stack & UnStack در Pandas
09:01
  نکته بیست‌ونهم - کاربرد Apply, Map, Applymap , ZIP در Pandas
11:57
  نکته سی‌ام - نحوه اعمال Style در Pandas
09:37
فصل سوم - 20 نکته کاربردی کتابخانه Scikit-Learn
  مقدمه
01:15
  نکته اول - کاربرد Random State در Scikit-Learn
05:06
  فایل‌ نکته اول
00:03
  نکته دوم - کاربرد Stratify در Scikit-Learn
04:16
  فایل‌ نکته دوم
00:03
  نکته سوم - کاربرد Missing Indicator در Scikit-Learn
04:36
  فایل‌ نکته سوم
00:03
  نکته چهارم - کاربرد Pipeline در Scikit-Learn
07:16
  فایل‌ نکته چهارم
00:03
  نکته پنجم - کاربرد Column Transformers در Scikit-Learn
03:53
  فایل‌‌های نکته پنجم
00:20
  نکته ششم - نحوه انتخاب ستون ها با استفاده از Column Transformers
06:12
  فایل‌‌های نکته ششم
00:08
  نکته هفتم - نحوه دریافت Confusion Matrix در Scikit-Learn
04:16
  فایل‌ نکته هفتم
00:13
  نکته هشتم - نحوه ترسیم نمودار ROC Curve در Scikit-Learn
04:48
  فایل‌ نکته هشتم
00:03
  نکته نهم - تفاوت Drop و Passthrough در Column Transformers
04:16
  فایل‌ نکته نهم
00:03
  نکته دهم - نحوه Encode نمودن داده های Categorical در Scikit-Learn
05:49
  فایل‌ نکته دهم
00:03
  نکته یازدهم - نحوه Save و Load نمودن مدل نهایی در Scikit-Learn
06:12
  فایل‌ نکته یازدهم
00:03
  نکته دوازدهم - کاربرد Grid-Search و Cross Validation در Scikit-Learn
14:36
  فایل‌ نکته دوازدهم
00:03
  نکته سیزدهم - نکات تکمیلی کار با درخت تصمیم (Decision Tree) در Scikit-Learn
08:15
  فایل‌‌های نکته سیزدهم
00:03
  نکته چهاردهم - ادامه نکات تکمیلی کار با درخت تصمیم (Decision Tree) در Scikit-Learn
06:52
  فایل نکته چهاردهم
00:03
  نکته پانزدهم - نکته نحوه Drop کردن داده‌ها پس از Encoding در Scikit-Learn
04:11
  فایل نکته پانزدهم
00:03
  نکته شانزدهم - ساخت Transformer شخصی سازی شده در Scikit-Learn
10:55
  فایل نکته شانزدهم
00:03
  نکته هفدهم - ایجاد دیاگرام Pipeline در Scikit-Learn
04:31
  فایل نکته هفدهم
00:03
  نکته هجدهم - تفاوت make_pipeline و Pipeline
03:46
  فایل نکته هجدهم
00:03
  نکته نوزدهم - دیتاهای ساختگی - بخش اول
07:42
  فایل نکته نوزدهم
00:03
  نکته بیستم - دیتاهای ساختگی - بخش دوم
05:43
  فایل نکته بیستم
00:03
فصل چهارم - اقدامات لازم قبل از آموزش مدل
  با Missing Values چه کنیم؟
12:32
  فایل‌های جلسه با Missing Values چه کنیم؟
00:03
  کوییز با Missing Values چه کنیم؟
01:00
  با Outlierها چه کنیم؟ - بخش اول
13:00
  فایل جلسه با Outlierها چه کنیم؟ - بخش اول
00:03
  با Outlierها چه کنیم؟ - بخش دوم
16:39
  فایل جلسه با Outlierها چه کنیم؟ - بخش دوم
00:03
  با Outlierها چه کنیم؟ - معرفی PyOD
10:52
  کوییز Outiler
03:00
  نحوه مقیاس بندی داده‌ها (Scaling)
19:31
  فایل جلسه Scaling
00:03
  کوییز Scaling
02:00
  با dataset Imbalanced چه کنیم؟ - بخش اول
07:30
  با dataset Imbalanced چه کنیم؟ - بخش دوم
12:16
  فایل جلسات با dataset Imbalanced چه کنیم؟
00:03
  کوییز Imbalanced Dataset
04:00
فصل پنجم - بصری سازی (Visualization)
  آموزش پنج کتابخانه اصلی برای Visualization
20:42
  فایل جلسه آموزش پنج کتابخانه اصلی برای Visualization
00:03
  کوییز فصل بصری سازی
02:00
فصل ششم - ابزارهای مهم و جانبی یادگیری ماشین
  آموزش Shap
19:54
  آموزش Mito
13:01
  فایل جلسه Mito
00:03
  کوییز Mito
02:00
  آموزش Huggingface - بخش اول
18:35
  آموزش Huggingface - تحلیل کامنت (Sentiment Analysis) با استفاده از Huggingface
10:15
  آموزش Huggingface - ساخت اپلیکیشن ترجمه متون با استفاده از Huggingface و Gradio
07:09
  آموزش Huggingface - ساخت اپلیکیشن خلاصه سازی متون با استفاده از Huggingface و Gradio
07:43
  آموزش Huggingface - معرفی ParsBert برای کار در زبان فارسی
09:27
  فایل جلسه Huggingface
00:03
  پروژه Huggingface (الزامی)
120:00
  آموزش ابزار WandB (W&B) - بخش اول
10:25
  آموزش ابزار WandB (W&B) - بخش دوم
15:16
  فایل جلسه WandB
00:03
  کوییز WandB
01:00
  آموزش TQDM
10:40
  فایل جلسه TQDM
00:03
  Pycaret - آموزش Regression
13:52
  Pycaret - آموزش Regression - بخش دوم
14:20
  Pycaret - آموزش Classification
12:01
  Pycaret - آموزش Clustering
08:16
  فایل جلسات pycaret
00:03
  آموزش Pycaret - حل مسایل TimeSeries
16:26
  فایل جلسه Pycaret - Timeseries
00:03
  کوییز جلسه pycaret
01:00
  آموزش LazyPredict
10:34
  فایل جلسه LazyPredict
00:03
  کوییز جلسه LazyPredict
01:00
  آموزش Vaex
09:47
  فایل جلسه Vaex
00:03
  آموزش Pyspark - بخش اول
06:32
  آموزش Pyspark - بخش دوم
13:18
  فایل جلسه آموزش Pyspark - بخش دوم
00:03
  آموزش Pyspark - بخش سوم
12:16
  فایل جلسه آموزش Pyspark - بخش سوم
00:03
  آموزش Pyspark - بخش چهارم
08:51
  فایل جلسه آموزش Pyspark - بخش چهارم
00:03
  کوییز Pyspark
02:00
فصل هفتم - ساخت Web App برای دیتاساینتیست‌ها
  ساخت Web APP با Streamlit - بخش اول
16:47
  ساخت Web APP با Streamlit - بخش دوم
11:37
  ساخت Web APP با Streamlit - بخش سوم
14:57
  Deploy نمودن اپلیکیشن (مسافرین کشتی تایتانیک) با Streamlit - بخش چهارم
11:35
  فایل جلسات Streamlit-Titanic
00:03
  پروژه Streamlit (الزامی)
120:00
  ساخت Web APP با Gradio - بخش اول
17:47
  ساخت Web APP با Gradio - بخش دوم
14:25
  فایل جلسات Gradio
00:03
  پروژه Gradio (الزامی)
120:00
پروژه اول - پیش بینی قیمت خانه‌ها در تهران با استفاده از داده‌های سایت Divar
  پروژه پیش بینی قیمت خانه‌ها در تهران - بخش اول
14:58
  پروژه پیش بینی قیمت خانه‌ها در تهران - بخش دوم
14:57
  پروژه پیش بینی قیمت خانه‌ها در تهران - بخش سوم
13:52
  پروژه پیش بینی قیمت خانه‌ها در تهران - بخش چهارم
17:40
  پروژه پیش بینی قیمت خانه‌ها در تهران - بخش پنجم
06:07
  پروژه اول (الزامی)
120:00
  فایل پروژه اول
00:03
پروژه دوم - پیش بینی Churn
  پیش بینی Churn - بخش اول
21:07
  پیش بینی Churn - بخش دوم
13:15
  پیش بینی Churn - بخش سوم
08:49
  پروژه دوم (الزامی)
120:00
  فایل پروژه دوم
00:03
پروژه سوم - پیش بینی حقوق برنامه نویسان بر اساس داده‌های Stackoverflow
  پیش بینی حقوق Developer‌ها - بخش اول
11:04
  پیش بینی حقوق Developer‌ها - بخش دوم
13:33
  پیش بینی حقوق Developer‌ها - بخش سوم
13:23
  پیش بینی حقوق Developer‌ها - بخش چهارم
10:34
  پیش بینی حقوق Developer‌ها - ساخت Web App
08:27
  پروژه سوم (الزامی)
120:00
  فایل پروژه سوم
00:03

پیش‌نیاز‌ها

برای بهره‌بردن از مزایای آموزشی این دوره، باید ابتدا تسلط کافی به زبان برنامه‌نویسی پایتون داشته باشید و بر مفاهیم اصلی و نحوه کارکرد الگوریتم‌های یادگیری ماشین تسلط داشته باشید.

در دوره یادگیری ماشین آموزش مفاهیم اصلی و نحوه کارکرد الگوریتم‌های یادگیری ماشین به شما آموزش داده‌می‌شود و 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 تمرکز می‌شود و این دانش‌ها برای بهره‌مندی کامل از دوره یادگیری ماشین کاربردی کفایت می‌کند.

توضیحات دوره

قطعاً یکی از بزرگترین چالش‌های موجود برای افرادی که دوره‌های یادگیری ماشین (Machine Learning) را گذرانده‌اند، اجرای الگوریتم‌‎های موجود برروی داده‌های واقعی است؛ به گونه‌ای که بتوان با مسایل واقعی و نزدیک به صنعت کار کرد. بدین ترتیب شرایط دانش‌آموخته خیلی نزدیک‌تر به نیازهای بازارکار خواهد بود، نه تنها بازارکار داخل کشور بلکه شرکت‌های روز دنیا در خارج از کشور.

ما در این دوره، بر روی نحوه حل مسایل گوناگون با استفاده از الگوریتم‌‎های یادگیری ماشین (Machine Learning) تاکید داریم و با این هدف پیش خواهیم رفت که از ابتدا تا انتهای حل مسایل مختلف را با هم تجربه کنیم؛ به گونه‌ای که بتوانید در نهایت محصول خود را توسعه داده و در بستر وب سرویس‌دهی کنید. این هدف شاید مهم‌ترین مزیت شما نسبت به رقبای خودتان در مصاحبه‌های شغلی محسوب می‌شود.

بنابراین این دوره مسیری برای شما فراهم می‌کند که دانش و مهارت لازم را برای استفاده از یادگیری ماشین (Machine Learning) در حوزه مورد نظرتان کسب کنید، سطح فنی خود را ارتقا داده و گام نهایی را برای ورود به دنیای هوش مصنوعی به صورت کاملاً عملی و پروژه محور بردارید.

هدف از دوره یادگیری ماشین کاربردی (Practical Machine Learning) چیست؟

یادگیری ماشین، بدون شک به عنوان یکی از جذاب‌ترین فناوری‌های برتر به ویژه در سال‌های اخیر به‌شمار می‌رود. در عصر کلان‌داده‌ها (Big Data) نیاز به اتوماتیک کردن کارهای تکراری با استفاده از هوش مصنوعی و نیز استخراج دانش از این حجم عظیم از دیتا، بیش از پیش مورد نیاز است. به همین دلیل، این روزها شاهد رشد نمایی شغل‌های مربوط به تحلیل داده (Data Science) و یادگیری ماشین (Machine Learning) هستیم و این فرصتی مغتنم جهت رشد و بهبود شرایط در هر کشوری به شمار می‌رود. 

هدف ما از این دوره، کمک به شما جهت آمادگی هر چه بیشتر جهت ورود به بازار کار است؛ برای این کار، بیش از 10 مساله واقعی در حوزه‌های مختلف را تعریف می‌کنیم، تمامی مراحل مورد نیاز جهت حل مساله را از ابتدا تا انتها با هم پیش می‌رویم و یاد خواهیم گرفت که چگونه از آموخته‌هایمان بهتر و کارآمدتر بهره بگیریم. این مسایل از پیش‌بینی حقوق دولوپرها در سال 2023 خواهد بود تا تاثیر توییت‌های اخیر بر روی قیمت سهام شرکت Nvidia.

 

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

اگر الگوریتم‌های یادگیری ماشین (Machine Learning) را یاد گرفته‌اید و نیاز دارید تا بر روی داده‌های واقعی اجرا کنید.
اگر نیاز به تسلط بیشتر بر روی مراحل مختلف ساخت مدل مبتنی بر یادگیری ماشین (Machine Learning) دارید.
اگر جهت اجرای ایده خود نیاز به استفاده از الگوریتم های یادگیری ماشین (Machine Learning) دارید.
اگر بنیان‌گذار یا هم‌بنیان گذار استارتاپ هستید و نیاز به استفاده از یادگیری ماشین (Machine Learning) در بهبود ایده استارتاپی خود دارید.
اگر قصد دارید تا با انجام پروژه‌ها متنوع، پروفایل جذابی از خود بسازید تا در پروسه استخدام و جلسات مصاحبه پیشتاز باشید.
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 (Machine Learning) اخذ نمایید.
 

ویژگی‌های متمایز دوره یادگیری ماشین کاربردی (Practical Machine Learning)چیست؟

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.

از طرف دیگر، همراهی با شما از ابتدا تا انتهای دوره توسط تیم مجرب و خبره در حوزه یادگیری ماشین (Machine Learning) می‌تواند مهر تاییدی بر کیفیت و ارزشمندی این دوره نیز باشد.

 

بعد از فراگیری دوره یادگیری ماشین کاربردی (Practical 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. 

تسلط کامل بر کتابخانه (Pandas)
تسلط کامل بر کتابخانه (Scikit-Learn)
آموزش مراحل پیش از آموزش مدل (PreProcessing)
آشنایی با جدیدترین و جذاب‌ترین ابزارهای یادگیری ماشین مانند HuggingFace و WandB
نحوه Deploy نمودن مدل نهایی و ساخت Web APP با استفاده از  Streamlitو Gradio
حل بیش از 10 مساله واقعی جهت آمادگی بیشتر برای ورود به بازار کار
ویژگی های متمایز دوره یادگیری ماشین کاربردی (Practical Machine Learning)، مکتب‌پلاس چیست؟

روش‌های آموزشی استفاده شده در دوره آموزش یادگیری ماشین کاربردی(Practical 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 ساخته می‌شود.
 

دیدگاه کاربران

4.6

بر اساس امتیاز 76 دانشجو

1
2
3
4
5

محمد مبینی ساری

19 روز پیش

5

عالی

محمد حسین سلیمانیان

20 روز پیش

5

نکات خیلی خوبی توش گفته میشه و همینطور پروژه ها که توی همه مباحث سعی شده بود توضیح داده بشه

محمدسپهر شفیعی جاه

22 روز پیش

5

عالی.

محمد گودرزی

1 ماه پیش

5

دوره شامل نکات کلیدی و پروژه‌های کاربردی هست که با توضیح روان آموزش داده شده.

حسین حیدری

1 ماه پیش

5

با این دوره، دیدم نسبت به دنیای ماشین لرنینگ باز تر شد

پگاه فاطمی زاده

3 ماه پیش

5

دکتر تهرانی‌پور زحمت زیادی کشیدن که این دوره رو اینقدر کامل و حرفه‌ای طراحی کنن. هر فصل دقیقاً بر اساس فصل قبلی بنا شده و آدم احساس پیشرفت واقعی داره. ممنون از این دوره ارزشمند

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
سهیل تهرانی‌پورمتخصص هوش مصنوعی
3دوره
39,669دانشجو
937نظر و امتیاز

سهیل تهرانی‌پور، متخصص در حوزه هوش مصنوعی، با بیش از ۱۵ سال سابقه فعالیت در طراحی و پیاده‌سازی سیستم‌های مرکز تماس هوشمند، به عنوان یکی از چهره‌های تاثیرگذار این حوزه در کشور شناخته می‌شود.
 وی مدیرعامل و رئیس هیئت‌مدیره شرکت دانش‌بنیان ساعیان ارتباط آینده پیشرو است؛ شرکتی که اجرای پروژه‌های شاخصی نظیر مرکز تماس هوشمند گروه صنعتی انتخاب، فرودگاه مهرآباد و بانک ملت را در کارنامه دارد.
ایشان هم‌اکنون به عنوان مدیر LLM پروژه هسته سکوی ملی هوش مصنوعی،‌دانشگاه صنعتی شریف،  مشاور تیم هوش مصنوعی (AI Team Lead) در هلدینگ فاخر، شرکت دارویی آدوراطب و عبیدی و نیز شرکت کانادایی Albertasoft، را بر عهده دارد.

تهرانی‌پور دارای مدرک دکتری در رشته هوش مصنوعی و رباتیکز بوده و سابقه تدریس، مشاوره و رهبری فنی در پروژه‌های ملی و صنعتی متعددی از جمله هسته فنی پروژه سکوی ملی هوش مصنوعی، مخابرات مترو تهران، هلدینگ خلیج فارس و پتروشیمی مارون را داراست.

علاوه بر نقش‌های اجرایی، وی هم‌بنیان‌گذار  آکادمی یادگیری ماشین ایران (iran-machinelearning) نیز هست؛ پلتفرمی آموزشی با هدف توسعه دانش یادگیری ماشین و هوش مصنوعی در کشور، که نقش مهمی در پرورش نسل جدید متخصصان این حوزه ایفا کرده است.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

سوالات پرتکرار

حداقل و حداکثر زمانی که می‌توانم یک دوره را بگذرانم چقدر است؟

برای گذراندن دوره، حداقل زمان مشخصی وجود ندارد و شما می‌توانید در هر زمان که مایل هستید، ویدیوهای آموزشی دوره را ببینید و تمارین را انجام دهید؛ اما برای هر دوره یک حداکثر زمان تعیین شده که در صفحه معرفی دوره قابل مشاهده است که تنها در این بازه زمانی امکان تصحیح پروژه‌ها توسط پشتیبان و دریافت گواهی‌نامه را خواهید داشت.

آیا پس از به اتمام رساندن و قبولی در دوره، می‌توانم نسخه فیزیکی گواهی‌نامه را دریافت کنم؟

خیر. به‌دلیل ملاحظات محیط‌زیستی و کاهش مصرف کاغذ، گواهی‌نامه فقط به‌صورت الکترونیکی ارائه می‌شود.

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.

آیا در صورت خرید دوره، گواهی‌نامه آن به من تعلق می‌گیرد؟

خیر. با خرید دوره، امکان شرکت در دوره و دسترسی به محتوای آن را خواهید داشت؛ اما تنها در صورتی که در بازه زمانی تعیین‌شده دوره را با موفقیت و نمره قبولی به اتمام برسانید، گواهی‌نامه به نام شما صادر می‌شود.