آموزش یادگیری ماشین کاربردی

poster
پیش‌نمایش 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 ... ادامه

برگزارکننده:  مکتب‌خونه  مکتب‌خونه

برگزارکننده:

مکتب‌خونه
4.6 (22 رای)
سطح: پیشرفته
 پلاس

آنچه در این دوره می‌آموزیم:

 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

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.

سرفصل‌های دوره آموزش یادگیری ماشین کاربردی

فصل دوم - 30 نکته کاربردی کتابخانه Pandas
  در این فصل، چه چیزهایی خواهیم آموخت؟
مشاهده
"01:21  
  نکته اول - نحوه بررسی مصرف حافظه (Memory Usage) در Pandas
مشاهده
"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
"15:30  
  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
مشاهده
"01:15  
  نکته اول - کاربرد Random State در Scikit-Learn
مشاهده
"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؟
مشاهده
"12:32  
  فایل‌های جلسه با Missing Values چه کنیم؟
"00:03  
  کوییز با Missing Values چه کنیم؟
 25%    
"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
 25%    
"03:00  
  نحوه مقیاس بندی داده‌ها (Scaling)
"19:31  
  فایل جلسه Scaling
"00:03  
  کوییز Scaling
 25%    
"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
 25%    
"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
 100%    
"02:00  
فصل ششم - ابزارهای مهم و جانبی یادگیری ماشین
  آموزش Shap
مشاهده
"19:54  
  آموزش Mito
"13:01  
  فایل جلسه Mito
"00:03  
  کوییز Mito
 6.7%    
"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)
 66.7%    
"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
 6.7%    
"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
 6.7%    
"01:00  
  آموزش LazyPredict
"10:34  
  فایل جلسه LazyPredict
"00:03  
  کوییز جلسه LazyPredict
 6.7%    
"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
 6.7%    
"02:00  
فصل هفتم - ساخت Web App برای دیتاساینتیست‌ها
  ساخت Web APP با Streamlit - بخش اول
مشاهده
"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)
 50%    
"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)
 50%    
"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
مشاهده
"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)
 100%    
"120:00  
  فایل پروژه اول
"00:03  
پروژه دوم - پیش بینی Churn
  پیش بینی Churn - بخش اول
مشاهده
"21:07  
  پیش بینی Churn - بخش دوم
"13:15  
  پیش بینی Churn - بخش سوم
"08:49  
  پروژه دوم (الزامی)
 100%    
"120:00  
  فایل پروژه دوم
"00:03  
پروژه سوم - پیش بینی حقوق برنامه نویسان بر اساس داده‌های Stackoverflow
  پیش بینی حقوق Developer‌ها - بخش اول
مشاهده
"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)
 100%    
"120:00  
  فایل پروژه سوم
"00:03  
پروژه چهارم - پیش بینی Fraud Detection در تراکنش های اتریوم
  تشخیص تقلب در تراکنش های اتریوم - بخش اول
مشاهده
"13:24  
  تشخیص تقلب در تراکنش های اتریوم - بخش دوم
"16:01  
  تشخیص تقلب در تراکنش های اتریوم - بخش سوم
"15:03  
  تشخیص تقلب در تراکنش های اتریوم - بخش چهارم
"07:35  
  پروژه چهارم (الزامی)
 100%    
"120:00  
  فایل پروژه چهارم
"00:03  
پروژه پنجم - پیش بینی وضعیت توییت‌ها بر قیمت سهام شرکت Nvidia
  پیش بینی تاثیر توییت‌ها بر قیمت سهام Nvidia - بخش اول
مشاهده
"16:25  
  پیش بینی تاثیر توییت‌ها بر قیمت سهام Nvidia - بخش دوم
"10:16  
  پروژه پنجم (اختیاری)
"120:00  
  فایل پروژه پنجم
"00:03  
پروژه ششم - ساخت یک Recommender System با استفاده از Word2Vec
  آموزش مدل سیستم پیشنهاد دهنده با Word2Vec - بخش اول
مشاهده
"12:55  
  آموزش مدل سیستم پیشنهاد دهنده با Word2Vec - بخش دوم
"12:16  
  آموزش مدل سیستم پیشنهاد دهنده با Word2Vec - بخش سوم
"11:24  
  پروژه ششم (اختیاری)
"120:00  
  فایل پروژه ششم
"00:03  
پروژه هفتم - تشخیص علایم راهنمایی و رانندگی با استفاده از Transfer Learning
  تشخیص علایم راهنمایی و رانندگی (GTSRB) - بخش اول
مشاهده
"16:54  
  تشخیص علایم راهنمایی و رانندگی (GTSRB) - بخش دوم
"16:56  
  پروژه هفتم (اختیاری)
"120:00  
  فایل پروژه هفتم
"00:03  
پروژه هشتم - پیش بینی قیمت سهام شرکت Apple بر اساس داده های واقعی
  پروژه پیش بینی قیمت سهام Apple - مقدمه
"17:44  
  پروژه پیش بینی قیمت سهام Apple - ایده پیش بینی داده‌های سری زمانی
"11:27  
  پروژه پیش بینی قیمت سهام Apple - پیاده سازی ایده جهت ساخت داده آموزشی
"09:31  
  پروژه پیش بینی قیمت سهام Apple - آموزش مدل نهایی جهت پیش بینی
"16:01  
  پروژه پیش بینی قیمت سهام Apple - ارزیابی مدل نهایی
"12:43  
  پروژه هشتم (الزامی)
 100%    
"120:00  
  فایل پروژه هشتم
"00:03  
پروژه نهم - پیش بینی کلاس داده صوتی (UrbanSound 8k)

برای مطالعات بیشتر در حوزه speech به این لینک مراجعه کنید‌.

  مقدمات پردازش صوت - آشنایی با کتابخانه Librosa
"18:16  
  طبقه بندی داده‌های صوتی - بخش اول
"11:54  
  طبقه بندی داده‌های صوتی - بخش دوم
"08:13  
  پروژه نهم (الزامی)
 100%    
"120:00  
  فایل پروژه نهم
"00:05  
پروژه دهم - پیش بینی میزان مصرف انرژی
  پیش بینی میزان مصرف انرژی - بخش اول
"13:25  
  پیش بینی میزان مصرف انرژی - بخش دوم
"10:13  
  پیش بینی میزان مصرف انرژی - بخش سوم
"13:46  
  پروژه دهم ( اختیاری)
"120:00  
  فایل پروژه دهم
"00:03  

گواهینامه

آموزش یادگیری ماشین کاربردی

در صورتی‌ که حد نصاب قبولی در دوره را کسب و تمرین‌ها و پروژه‌های الزامی را ارسال کنید، گواهی‌نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

قابل به اشتراک گذاشتن در

linkdin

ویژگی‌های دوره

گواهی‌نامه مکتب‌خونه
گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

مشاهده نمونه گواهینامه

ویژگی‌های دوره

خدمات منتورینگ
خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

ویژگی‌های دوره

پروژه محور
پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

ویژگی‌های دوره

تمرین و آزمون
تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

ویژگی‌های دوره

تالار گفتگو
تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

ویژگی‌های دوره

تسهیل استخدام
تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد.

بررسی فرصت‌های شغلی

درباره 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.
 

درباره استاد

maktabkhooneh-teacher سهیل تهرانی‌پور

سهیل تهرانی‌پور، دانش آموخته رشته کامپیوتر ورودی سال ۱۳۸۶ دانشگاه خواجه نصیر الدین طوسی است. وی دوره کارشناسی ارشد خود را در رشته هوش مصنوعی و رباتیک طی نموده و هم اکنون دارای مدرک دکتری (PhD) رشته هوش مصنوعی است.

ایشان بیش از 5 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 هیئت مدیره شرکت ساعیان ارتباط است که در حوزه مخابرات نسل جدید و ارائه راهکارهای هوش‌مصنوعی در صنعت مخابرات فعال است.

همچنین وی هم‌بنیان‌گذار آکادمی یادگیری ماشین ایران (Iran Machine learning) است که با هدف ارائه راهکارهای هوش‌مصنوعی و آموزش آن در ایران فعالیت می‌کند.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.
سیدرضا پیشوا 1403-03-12
با تشکر از استاد محترم. دوره خیلی خوبی بود.اگه برای آقای دکتر تهرانی پور مقدور هست دوره دیگری که تمرکزش روی دیپ لرنینگ باشه بهمین صورت پروژه محور ارائه کنند.
احمد اسدی امجد 1403-02-25
دوره بسیار عالی و کاربردی. تشکر میکنم از زحمات جناب آقای دکتر تهرانی پور و تیم مکتبخونه. به دیگران هم توصیه می کنم این دوره را تهیه کنند.
امیر محمد ارغوانی 1403-01-07
سلام خیلی ممنون از دوره خوبتون ابزار های خیلی جالبی تدریس شد و با انجام تمرین ها مطالب و مسیر حل به خوبی آموزش داده شد در ادامه دوره قبلی دیدن این دوره به نظرم الزامی بود 🙏🙏🙏
پروانه شعبان زاده 1402-09-13
دوره بسیار عالی , جامع , کاربردی ومفیدی است شما رو برای بازار کار اماده میکنه با وجود اینکه خودم دکتری این رشته را دارم ولی از نحوه تدریس, فن بیان و الگوریتم چیدمان مطالب و تسلط کار جناب تهرانی نهایت لذت را بردم. ازشون بینهایت تشکر و قدردانی میکنم, امیدوارم دوره های پیشرفته خوب دیگری در این راستا بگذارند.
امید گروئی 1402-06-25
سلام من به عنوان شخصی که فارغ التحصیل دکتری در این رشته هستم و چه در دانشگاه و بعد از اون دوره ها و تمرین ها و پروژه های زیادی رو در این حوزه باهاش سروکار داشتم فقط میخوام بگم که واژه " عالی " به هیچ وجه نمیتونه محتوای سطح بالای این دوره رو پوشش بده. استاد تهرانی پور عزیز دستتون رو میبوسم و همیشه قدردان این آموزش unique و زیباتون هستم.کیف کردم از این دوره تون... ممنون بابت همه چیز
حسین سیم چی 1402-04-13
اگر دنبال این هستید که بدونید دقیقا چطوری میشه در عمل از یادگیری ماشین استفاده کنید، شک نکید این بهترین دوره ی فارسی زبان هست. + حتما دوره ی یادگیری ماشین ایشون که به همراه دکتر منتوری هست را نیز نگاه کنید تا با تئوری یادگیری ماشین هم بهطور کامل اشنا بشید
1402-03-31
بسیار عالی و کاربردی به خصوص بخش پروژه ها. من خیلی دنبال دوره ای بودم که عملی پروژه حل کنه. ممنونم واقعا.
حسام اسکندرزاده 1402-03-31
من به عنوان یک پزشک که از ماشین لرنینگ در پروژه های پزشکی دارم استفاده میکنم، واقعاً منتظر این دوره با این سطح از محتوای کاربردی بودم. پروژه های عملی که واقعاً جذاب توضیح داده شده و توی اینترنت پیدا نمیشن. دوره قبلی دکتر تهرانی پور رو هم دیدم (یادگیری ماشین) که واقعاً برای من مفید بود.
مهدی گل کار آملی 1402-03-19
سلام. تا اینجا دوره جالبی بود. مشتاق هستم ادامه دوره را هم ببینم. فقط ای کاش در زمینه های پردازش تصویر و بینایی کامپیوتر هم دوره های عملی و کاربردی مثل این دوره را مکتب خونه برگزار کنه، به نظرم نیاز هست
میرباقر حسینی 1402-11-08
ویژگی مثبت این دوره اینکه دانشجو رو با پروژه های و نکات عملی آشنا میکنه. من بعضا احساس میکنم، تو بعضی از بخش ها میتونست بهتر عمل بشه. با این حال واقعا دوره ی بسیار خوبیه. اما باید در نظر گرفته بشه که این دوره، دوره پیشرفته ایه. به نظرم برا اینکه دوره مفیدتر باشه، حتما دوره های زیر باید به عنوان پیش نیاز برداشته بشه: 1- آموزش یادگیری ماشین (دکتر محمد منثوری و سهیل تهرانی پور) 2- یادگیری عمیق با تنسورفلو و کراس (پژمان اقبالی)
علی منصوری 1402-05-13
با سلام جسارتا به نظرم مدرس محترم به اصول آموزش اصلا مسلط نبودند و هر جا که کار سخت می شد به راحتی موضوع را رها میکردند. بهتر است مسئولین سامانه قبل از آپلود هر دوره آموزشی کیفیت آن را نیز بررسی نمایند. در بخش سایکت لرن و پروژه ها فقط مدرس محترم از روی کدها می خواندند و عملا من یادگیرنده شخصا چیزی متوجه نشدم. بااحترام

دوره‌های پیشنهادی

سوالات پرتکرار

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟
خیر؛ شما با خرید دوره می توانید در آن دوره شرکت کنید و به محتوای آن دسترسی خواهید داشت. در صورتی که در زمان تعیین شده دوره را با نمره قبولی بگذرانید، گواهی نامه دوره به نام شما صادر خواهد شد.

سوالات پرتکرار

حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟
برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان خرید دوره توسط شما تنها در آن مدت شما از ویژگی های تصحیح پروژه ها توسط پشتیبان و دریافت گواهی نامه بهره مند خواهید بود.

سوالات پرتکرار

در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟
خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد

سوالات پرتکرار

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.

یادگیری ماشین چیست؟

یکی از زیرمجموعه‌های مهم هوش مصنوعی، یادگیری ماشین است. این دانش باعث می‌شود سیستم‌های کامپیوتری از داده‌ها و اطلاعات یاد بگیرند و بتوانند تصمیمات هوشمندانه‌ی بدون نیاز به برنامه نویسی صریح بگیرند. در ماشین لرنینگ(machine learning) برای شناسایی الگوها، پیش‌بینی و بهبود عملکرد از طریق داده‌ها از الگوريتم‌ها و مدل‌های آماری استفاده می‌شود.

به بیان دیگر می‌توان گفت یادگیری ماشین با استفاده از علوم داده و یادگیري عميق، اطلاعات گذشته را تحلیل کرده و توسط آنها یاد می‌گیرند اطلاعات جدید را بهتر مدیریت و تحلیل کند. به همین علت آموزش یادگیری ماشین کاربردی در دنیای پیشرفته امروز اهمیت ویژه‌ای دارد.

Machine learning چگونه کار می‌کند؟

فرایند یادگیری ماشین را می‌توان به چند مرحله‌ی کلیدی تقسیم کرد که عبارت‌اند از:

1.    گردآوری داده: اولین قدم، جمع‌آوری حجم عظیمی از داده‌های مرتبط با مسئله‌ای که برای حل کردن آن از یادگیری ماشین استفاده می‌شود. این داده‌ها می‌توانند شامل متن، تصویر، صدا و هر نوع داده‌ی دیگری باشند.

2.    آماده‌سازی داده: داده‌های خام به آماده‌سازی نیاز دارند. این مرحله شامل پاکسازی داده‌ها از اطلاعات اضافه، برطرف کردن نواقص و تبدیل داده‌ها به فرمت قابل ‌استفاده برای الگوریتم‌های یادگیری ماشین است.

3.    انتخاب مدل: با توجه به نوع مسئله، در یادگیری ماشین مدل مناسب انتخاب می‌شود. مدل‌های مختلفی مانند شبکه‌های عصبی مصنوعی، درخت‌های تصمیم‌گیری و ماشین‌های بردار پشتیبان وجود دارند که هر کدام برای حل مسئله‌ای خاص، کاربرد دارند.

4.    آموزش مدل: در این مرحله داده‌های آماده شده در اختیار مدل یادگیری ماشین قرار می‌گیرند. مدل‌ها با تحلیل داده‌ها و الگوها روابط پنهان میان داده‌ها را پیدا می‌کنند. به بیان دیگر، مدل در این مرحله یاد می‌گیرد که چگونه داده‌های ورودی را به خروجی مطلوب تبدیل کند.

5.    ارزیابی مدل: پس از آموزش، عملکرد مدل روی داده‌های جدیدی که از قبل ندیده است، ارزیابی می‌شود. سپس مطابق با نتایج بدست آمده در صورت نیاز، مدل با تنظیم پارامترها و یا با استفاده از داده‌های آموزشی بیشتر، بهینه‌سازی خواهد شد.

6.    پیش‌بینی یا تصمیم‌گیری: در نهایت با اتمام مراحل فوق، از مدل یادگیری ماشین برای پیش‌بینی نتایج بر اساس داده‌های جدید یا اتخاذ تصمیمات هوشمندانه استفاده می‌شود.

ماشین لرنینگ در چه حوزه‌هایی کاربرد دارد؟

machine learning در صنایع مختلفی کاربرد دارد و شیوه عملکرد مشاغل را متحول کرده است. برخی از کاربردهای مهم یادگیری ماشین عبارت‌اند از:

1.    پیش‌بینی و تحلیل داده‌ها: پیش‌بینی تقاضای بازار، ریسک‌های بازار و شرایط آب‌وهوایی از جمله مهم‌ترین مواردی است که با استفاده از یادگیری عميق به خوبی انجام می‌شوند.

2.    رباتیک: هوش مصنوعي به ربات‌ها امکان حرکات هوشمندانه داده است. این فناوری در حوزه رباتیک به ربات‌ها این امکان را می‌دهد تا با محیط اطرافشان تعامل برقرار کنند و وظایف پیچیده را به صورت مستقل انجام دهند. 

3.    تولید محتوا: حضور یادگیری ماشین در حوزه تولید محتوا به افراد کمک می‌کند تا متن‌های باکیفیت‌تر بنویسند، موسیقی‌های متنوع بسازند و نقاشی‌های واقع‌گرایانه ترسیم کنند.

4.    پزشکی و درمان: یادگیری ماشین در حال دگرگونی دنیای پزشکی است و به نجات جان انسان‌ها و ارتقای سطح سلامت جامعه کمک می‌کند. یعنی در زمینه تشخیص بیماری، تجویز دارو و توسعه درمان‌های جدید بسیار مؤثر است.

5.    شخصی‌سازی بازاریابی: بدیهی است که هر چه اطلاعات بیشتری از مشتری وجود داشته باشد، کمپین‌ها و خدمات متناسب با آنها برنامه‌ریزی می‌شوند. جمع‌آوری داده‌های بزرگ یکی از کاربردهای یادگیری ماشین است که به کسب‌وکارها کمک می‌کند تا در بخش بازاریابی، خدمات و تبلیغات را شخصی‌سازی کنند.

بازار کار و درآمد برنامه نویسان یادگیری ماشین

این روزها هوش مصنوعی در همه جا دیده می‌شود و همه درمورد آن صحبت می‌کنند. این دانش نوظهور بسیار پرطرفدار است و کسب‌وکارهای بزرگ و کوچک قصد استفاده از آن در محصولات و خدمات خود را دارند. به همین علت می‌توان گفت ماشین لرنینگ آینده‌ی شغلی خوبی دارد. شما هر چه زودتر آموزش یادگیری ماشین کاربردی را شروع کنید می‌توانید جایگاه بهتری برای خود پیدا کنید.

آمار و ارقام نشان می‌دهند میزان درآمد متخصصان این حوزه با توجه به میزان دانش و تجربه‌ی آنها از 18 میلیون شروع شده و تا بیش از 50 میلیون در داخل ایران است. توجه کنید که یادگیری ماشین در خارج از کشور نیز خواهان زیادی دارد که شما با یادگیری پایتون (Python ) و تسلط به این دانش می‌توانید با شرکت‌های خارجی کار کنید و درآمد بیشتری بدست آورید. مطمئن باشید با شرکت در دوره ماشین لرنینگ این بازار کار را از دست نخواهید داد.

معرفی دوره آموزش یادگیری ماشین کاربردی

دوره یادگیری ماشین مکتب خونه توسط سهیل تهرانی‌پور مدیرعامل شرکت ساعیان تدریس می‌شود. آموزش یادگیری ماشین با پایتون در مکتب خونه 47 ساعت است که 21 ساعت آموزش تئوری و 26 ساعت دیگر به تمرین و انجام پروژه اختصاص داده شده است. با شرکت در این دوره، طی هفت هفته به‌طور کامل بر مباحثی که آموزش داده می‌شود تسلط کامل پیدا می‌کنید.

گفتنی است که در انتهای دوره یادگیری ماشین آزمونی برگزار می‌شود و دانشجویانی که تمرین‌ها و پروژه‌ها را به‌صورت منظم ارسال کرده باشند می‌توانند شرکت کنند. افرادی که در این آزمون نمره بیشتر از 70 بگیرند، مدرک معتبری دریافت کرده که با استفاده از آن می‌توانند به‌راحتی در شرکت‌های داخلی و خارجی شروع به کار کنند.

پیش نیاز لازم برای شرکت در دوره آموزش یادگیری ماشین کاربردی

برای شرکت در آموزش ماشینلرنینگ کاربردی بهتر است دوره آموزش رایگان یادگیری ماشین با پایتون شرکت را بگذرانید. زیرا برای شرکت در این دوره باید تسلط کافی بر الگوها و اگوریتم‌های یادگیری ماشین داشته باشید.

سر فصل‌های آموزش یادگیری ماشین کاربردی در مکتب خونه

در دوره آموزش ماشین لرنینگ با پایتون که توسط مکتب خونه برگزار می‌شود، سر فصل‌های زیر وجود دارند:

  •   فصل اول: مقدمه (هدف از دوره یادگیری ماشین کاربردی)
  •   فصل دوم: 30 نکته کاربردی درباره‌ی کتابخانه Pandas
  •   فصل سوم: 20 نکته کاربردی درباره‌ی کتابخانه Scikit-Learn
  •   فصل چهارم: اقدامات لازم قبل از آموزش مدل‌ها
  •   فصل پنجم: بصری سازی (Visualization)
  •   فصل ششم: ابزارهای مهم و جانبی یادگیری ماشین
  •   فصل هفتم: ساخت Web App برای دیتاساینتیست‌ها
  •   پروژه اول: پیش بینی قیمت خانه‌ها در تهران با استفاده از داده‌های سایت  Divar
  •   پروژه دوم: پیش بینی  Churn
  •   پروژه سوم: پیش بینی حقوق برنامه نویسان بر اساس داده‌های Stackoverflow
  •   پروژه چهارم: پیش بینی Fraud Detection در تراکنش‌های اتریوم
  •   پروژه پنجم: پیش‌بینی وضعیت توییت‌ها بر قیمت سهام شرکت Nvidia
  •   پروژه ششم: ساخت یک Recommender System با استفاده از Word2Vec
  •   پروژه هفتم: تشخیص علائم راهنمایی و رانندگی با استفاده از Transfer Learning
  •   پروژه هشتم: پیش‌بینی قیمت سهام شرکت Apple بر اساس داده‌های واقعی
  •   پروژه نهم: پیش‌بینی کلاس داده صوتی (UrbanSound 8k)
  •   پروژه دهم: پیش‌بینی میزان مصرف انرژی

با مکتب خونه، متخصص ماشین لرنینگ شو!

با توجه به میزان اهمیت هوش مصنوعي در دنیای امروزی، ما در مکتب خونه تصمیم گرفته‌ایم دوره‌ای مفید و کاربردی برگزار کنیم. در آموزش یادگیری ماشین کاربردی، تمامی مباحث قدم به قدم همراه با مثال‌ها تمرین‌های مختلف توضیح داده شده‌اند. در انتهای دوره نیر پروژه‌های متعددی برای آن‌ها در نظر گرفته شده است. به همین علت شما با شرکت در این دوره، به‌صورت تئوری و عملی با مباحث مختلف آشنا می‌شوید و آن‌ها را یاد می‌گیرید.

می‌خواهید یکی از دانشجویان این دوره بی‌نظیر باشید؟ همین حالا برای تهیه‌ی آن اقدام کنید. همچنین می‌توانید از انواع دوره‌های آموزش یادگیری ماشین و آموزش هوش مصنوعی مکتب خونه نیز دیدن کنید.