×
ribbon
مکتب خونه هوش مصنوعیمفاهیم هوش مصنوعیماشین لرنینگ

یادگیری ماشین از صفر تا صد: هوش مصنوعی، پایتون و R

مدرس:Udemy

آکادمی گرولیKirill EremenkoHadelin de PontevesSuperDataScience TeamLigency Team

به یادگیری یادگیری ماشین علاقه مند هستید؟ پس این دوره دقیقاً برای شماست! این دوره توسط یک دانشمند... بیشتر
محبوب کاربران
زیرنویس
4.7 (36)
13 دیدگاه
6,349دانشجو
46ساعت
سرفصل‌ها
مقدماتی تا پیشرفته سطح دوره
بروزرسانیمهر ۱۴۰۴

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
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

تسلط کامل بر یادگیری ماشین با استفاده از زبان‌های برنامه‌نویسی Python و R

داشتن درک شهودی عمیق از بسیاری از مدل‌های یادگیری ماشین

توانایی انجام پیش‌بینی‌های دقیق

انجام تحلیل‌های قدرتمند و مؤثر

این دوره شامل:

42 ساعت ویدئو

40 جلسه متنی

1 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

45 فصل346 جلسه46 ساعت ویدیو
به دوره خوش آمدید!
  هیجان‌زده شوید درباره یادگیری ماشین: پیش‌بینی خرید خودرو با استفاده از Python و Scikit-learn در 5 دقیقه
04:45
  تمام داده‌ها، کدها و اسلایدها را از اینجا دریافت کنید
00:12
  کارگاه‌های پیشنهادی قبل از شروع یادگیری!
01:35
  چگونه از Google Colab و پوشه دوره یادگیری ماشین استفاده کنیم؟
05:43
  فایل دوره
00:03
پیش‌پردازش داده‌ها
  به بخش 1 خوش آمدید: پیش‌پردازش داده‌ها
00:26
  روند کاری یادگیری ماشین: وارد کردن داده‌ها، مدل‌سازی و ارزیابی مدل یادگیری ماشین شما
01:31
  پیش‌پردازش داده‌ها: اهمیت تقسیم داده‌ها به مجموعه آموزش و تست در ارزیابی مدل یادگیری ماشین
02:02
  مقیاس‌بندی ویژگی‌ها در یادگیری ماشین: توضیح نرمال‌سازی در مقابل استانداردسازی
06:27
پیش‌پردازش داده‌ها در پایتون
  گام اول – پیش‌پردازش داده‌ها در پایتون: آماده‌سازی مجموعه داده برای مدل‌های یادگیری ماشین
05:21
  گام دوم – تکنیک‌های پیش‌پردازش داده‌ها: از داده‌های خام تا مجموعه داده‌های آماده برای یادگیری ماشین
05:20
  جعبه‌ابزار یادگیری ماشین: وارد کردن کتابخانه‌های NumPy، Matplotlib و Pandas
03:33
  گام اول – اصول پایه یادگیری ماشین: وارد کردن مجموعه داده‌ها با استفاده از تابع read_csv در Pandas
05:13
  گام دوم – استفاده از iloc در Pandas برای انتخاب ویژگی‌ها در پیش‌پردازش داده‌های یادگیری ماشین
04:42
  گام سوم – پیش‌پردازش داده‌ها: ساخت بردارهای X و Y برای آموزش مدل یادگیری ماشین
05:45
  برای زبان‌آموزان پایتون: خلاصه‌ای از برنامه‌نویسی شیءگرا، شامل کلاس‌ها و اشیاء
00:54
  تمرین برنامه‌نویسی شماره یک: وارد کردن و پیش‌پردازش یک مجموعه داده برای یادگیری ماشین
06:07
  گام اول – استفاده از Scikit-Learn برای جایگزینی مقادیر گمشده در یادگیری ماشین
05:55
  گام دوم – جایگزینی داده‌های گمشده در پایتون با استفاده از SimpleImputer و ستون‌های عددی
05:58
  تمرین برنامه‌نویسی شماره دو: مدیریت داده‌های گمشده در یک مجموعه داده برای یادگیری ماشین
30:27
  گام اول – کدگذاری یک‌به‌یک (One-Hot Encoding) تبدیل ویژگی‌های دسته‌ای برای الگوریتم‌های یادگیری ماشین
04:24
  گام دوم – مدیریت داده‌های دسته‌ای با استفاده از One-Hot Encoding و ColumnTransformer
05:53
  گام سوم – پیش‌پردازش داده‌های دسته‌ای: تکنیک‌های کدگذاری یک‌به‌یک (One-Hot) و برچسب‌گذاری (Label Encoding)
04:39
  تمرین برنامه‌نویسی شماره سه: کدگذاری داده‌های دسته‌ای برای یادگیری ماشین
13:27
  گام اول – چگونه داده‌ها را برای یادگیری ماشین آماده کنیم: مجموعه‌های آموزش و تست
03:54
  گام دوم – آماده‌سازی داده‌ها: ایجاد مجموعه‌های آموزش و تست در پایتون برای مدل‌های یادگیری ماشین
05:58
  گام سوم – تقسیم داده‌ها به مجموعه‌های آموزش و تست: بهترین روش‌ها در پایتون
03:51
  تمرین برنامه‌نویسی شماره چهار: تقسیم مجموعه داده و مقیاس‌بندی ویژگی‌ها
06:01
  گام اول – مقیاس‌بندی ویژگی‌ها در یادگیری ماشین: چرا این مرحله در پیش‌پردازش داده‌ها حیاتی است؟
05:56
  گام دوم – چگونه ویژگی‌های عددی را در پایتون برای پیش‌پردازش یادگیری ماشین مقیاس‌بندی کنیم؟
04:44
  گام سوم – پیاده‌سازی مقیاس‌بندی ویژگی‌ها: توضیح متدهای Fit و Transform
03:47
  گام چهارم – اعمال همان مقیاس‌ساز (Scaler) بر روی مجموعه‌های آموزش و تست در پایتون
05:58
  تمرین برنامه‌نویسی شماره پنج: مقیاس‌بندی ویژگی‌ها برای یادگیری ماشین
119:35
پیش‌پردازش داده‌ها در زبان R
  شروع کار با برنامه‌نویسی R: نصب R و RStudio روی ویندوز و مک
05:21
  پیش‌پردازش داده‌ها برای مبتدیان: آماده‌سازی مجموعه داده برای یادگیری ماشین
01:35
  آموزش پیش‌پردازش داده‌ها: درک متغیرهای مستقل در مقابل متغیرهای وابسته
01:57
  آموزش R: وارد کردن و مشاهده مجموعه داده‌ها برای پیش‌پردازش داده‌
02:44
  چگونه مقادیر گمشده را در پیش‌پردازش داده‌ها در R برای یادگیری ماشین مدیریت کنیم؟
05:54
  استفاده از تابع Factor در R برای مدیریت متغیرهای دسته‌ای در تحلیل داده‌ها
05:55
  گام اول - چگونه داده‌ها را برای یادگیری ماشین آماده کنیم: مجموعه‌های آموزش و تست
04:38
  گام دوم - آماده‌سازی داده‌ها: ساخت مجموعه‌های آموزش و تست در R برای مدل‌های یادگیری ماشین
04:53
  مقیاس‌بندی ویژگی‌ها در یادگیری ماشین (گام اول): چرا این مرحله برای پیش‌پردازش داده‌ها حیاتی است؟
04:24
  چگونه ویژگی‌های عددی را در R برای پیش‌پردازش یادگیری ماشین مقیاس‌بندی کنیم ؟(گام دوم)
04:48
  مراحل ضروری در پیش‌پردازش داده‌ها: آماده‌سازی مجموعه داده برای مدل‌های یادگیری ماشین
05:14
به بخش دوم خوش آمدید; رگرسیون!
  به بخش دوم خوش آمدید; رگرسیون!
00:27
رگرسیون خطی ساده
  رگرسیون خطی ساده: درک معادله و پیش‌بینی عملکرد سیب‌زمینی
02:22
  نحوه پیدا کردن خط بهترین تطابق: درک رگرسیون حداقل مربعات عادی (Ordinary Least Squares)
03:17
  گام 1 - الف - تسلط بر مفاهیم کلیدی و پیاده‌سازی رگرسیون خطی ساده
05:48
  گام 1 -ب - پیش‌پردازش داده‌ها: برای رگرسیون خطی وارد کردن و تقسیم داده‌ها در پایتون
05:57
  گام 2 -الف - ساخت مدل رگرسیون خطی ساده با استفاده از Scikit-learn در پایتون
03:53
  گام 2 -ب - مبانی یادگیری ماشین: آموزش یک مدل رگرسیون خطی در پایتون
03:57
  گام 3 - استفاده از متد Predict کتابخانه Scikit-Learn برای رگرسیون خطی در پایتون
04:34
  گام 4 -الف - رگرسیون خطی: ترسیم حقوق واقعی در برابر حقوق پیش‌بینی‌شده (بصری‌سازی نتایج)
05:49
  گام 4 -ب - ارزیابی عملکرد مدل رگرسیون خطی روی داده‌های تست
05:57
  رگرسیون خطی ساده در پایتون – جلسه تکمیلی
00:35
  گام 1 - پیش‌پردازش داده‌ها در R: آماده‌سازی برای مدل‌سازی رگرسیون خطی
04:40
  گام 2 - برازش رگرسیون خطی ساده در R: تابع LM و خلاصه مدل
05:58
  گام 3 - نحوه استفاده از تابع predict در R: برای تحلیل رگرسیون خطی
03:38
  گام 4 -الف - ترسیم داده‌های رگرسیون خطی در R: راهنمای گام‌به‌گام با استفاده از ggplot2
05:44
  گام 4 -ب - ایجاد نمودار پراکندگی همراه با خط رگرسیون در R با استفاده از ggplot2
05:32
  گام 4 -ج - مقایسه پیش‌بینی‌های مجموعه آموزش و مجموعه تست در رگرسیون خطی
04:37
رگرسیون خطی چندگانه
  مدل رگرسیون پیش‌بینی موفقیت استارتاپ برای تصمیم‌گیری صندوق سرمایه‌گذاری مخاطره‌آمیز (VC)
03:44
  متغیرهای مستقل رگرسیون خطی چندگانه و مدل‌های پیش‌بینی
02:26
  درک فرض‌ های رگرسیون خطی: خطی بودن، هم‌واری و موارد دیگر
04:23
  نحوه‌ی مدیریت متغیرهای دسته‌ای در مدل‌های رگرسیون خطی
07:21
  هم‌خطی چندگانه در رگرسیون: درک تله متغیرهای ساختگی (دامی)
02:10
  درک مقدار P و اهمیت آماری در آزمون فرضیه
11:44
  حذف معکوس: ساخت مدل‌های مقاوم رگرسیون خطی چندگانه
15:41
  گام 1 الف - پیش‌پردازش داده‌ها به‌صورت عملی برای رگرسیون خطی چندگانه در پایتون
05:54
  گام 1 ب - راهنمای عملی پیاده‌سازی رگرسیون خطی چندگانه در پایتون
02:35
  گام2 الف - آماده‌سازی داده‌ها برای رگرسیون خطی چندگانه به‌صورت عملی در پایتون
04:28
  گام2 ب - رگرسیون خطی چندگانه در پایتون: آماده‌سازی مجموعه داده‌های شما
04:42
  گام3 الف - استفاده از Scikit-learn برای رگرسیون خطی چندگانه: ساخت مدل به‌صورت بهینه
05:51
  گام3 ب - ساخت و آموزش مدل‌های رگرسیون خطی چندگانه با Scikit-Learn
04:31
  گام4 الف - مقایسه سود واقعی و پیش‌بینی‌شده در رگرسیون خطی (راهنمای عملی)
05:38
  گام4 ب - یادگیری ماشین در پایتون: ارزیابی دقت رگرسیون خطی چندگانه
05:34
  رگرسیون خطی چندگانه در پایتون - حذف برگشتی
01:58
  رگرسیون خطی چندگانه در پایتون — محتوای اضافی
00:41
  گام1 الف - پیش‌پردازش داده‌ها برای رگرسیون خطی چندگانه (MLR) و مدیریت داده‌های دسته‌ای
03:53
  گام1 ب - آماده‌سازی دیتاست‌ها برای رگرسیون خطی چندگانه در زبان R
03:56
  گام2 الف- رگرسیون خطی چندگانه در زبان R: ساخت مدل و تفسیر رگرسور
05:22
  گام2 ب - معنی‌داری آماری: مقدار p و ستاره‌ها در رگرسیون
04:20
  گام3 – چگونه از تابع predict در R برای رگرسیون خطی چندگانه استفاده کنیم؟
04:26
  بهینه‌سازی مدل‌های رگرسیون چندگانه با تکنیک حذف به صورت گام‌به‌گام (Backward Elimination) در R
17:50
  تسلط بر انتخاب ویژگی‌ها با تکنیک حذف به صورت گام‌به‌گام (Backward Elimination) در R برای رگرسیون خطی
07:33
  رگرسیون خطی چندگانه در R — حذف خودکار به صورت گام‌به‌گام (Automatic Backward Elimination)
00:22
رگرسیون چندجمله‌ای (Polynomial Regression)
  آشنایی با رگرسیون خطی چندجمله‌ای: کاربردها و مثال‌ها
05:08
  مرحله1 الف– ساخت مدل رگرسیون چندجمله‌ای برای پیش‌بینی حقوق در پایتون
04:35
  مرحله1 ب– آماده‌سازی داده‌ها برای مقایسه رگرسیون خطی و چندجمله‌ای
05:54
  مرحله2 الف– از رگرسیون خطی به چندجمله‌ای: آماده‌سازی داده‌ها برای مدل‌های پیشرفته
05:54
  مرحله2 ب– تبدیل رگرسیون خطی به چندجمله‌ای: راهنمای گام به گام
05:43
  مرحله3 الف– رسم نمودار حقوق واقعی در مقابل پیش‌بینی‌شده: تصویری از رگرسیون خطی
05:56
  مرحله3 ب– رگرسیون چندجمله‌ای در مقابل رگرسیون خطی: تطابق بهتر با درجات بالاتر
05:38
  مرحله4 الف– پیش‌بینی حقوق‌ها: رگرسیون خطی در پایتون (راهنمای ورودی آرایه)
03:58
  مرحله4 ب– رگرسیون چندجمله‌ای در پایتون: پیش‌بینی دقیق حقوق‌ها
03:58
  مرحله1 الف– پیاده‌سازی رگرسیون چندجمله‌ای در R: مطالعه موردی تحلیل حقوق منابع انسانی (HR)
03:44
  مرحله1 ب– مبانی یادگیری ماشین: آماده‌سازی داده‌ها برای رگرسیون چندجمله‌ای
03:38
  مرحله2 الف – ساخت مدل‌های رگرسیون خطی و چندجمله‌ای در R: یک مقایسه
04:39
  مرحله2 ب– ساخت مدل رگرسیون چندجمله‌ای: افزودن جملات به توان دو و توان سه
04:54
  مرحله3 الف– تجسم نتایج رگرسیون: ایجاد نمودارهای پراکندگی با ggplot2 در R
04:58
  مرحله3 ب– تجسم رگرسیون خطی: رسم نمودار پیش‌بینی‌ها در مقابل مشاهدات
05:31
  مرحله3 ج– پردازش منحنی رگرسیون چندجمله‌ای برای پیش‌بینی‌های بهتر
05:41
  مرحله4 الف– چطور با استفاده از رگرسیون چندجمله‌ای در R پیش‌بینی‌های تک‌موردی انجام دهیم
03:58
  مرحله4 ب– پیش‌بینی حقوق با رگرسیون چندجمله‌ای: یک مثال عملی
03:47
  مرحله1 – ساخت چارچوب قابل استفاده مجدد برای تحلیل رگرسیون غیرخطی در R
05:57
  مرحله2 – تسلط بر تجسم مدل رگرسیون: افزایش وضوح داده‌ها
05:24
رگرسیون بردار پشتیبان (Support Vector Regression - SVR)
  رگرسیون بردار پشتیبان (SVR) چه تفاوتی با رگرسیون خطی دارد؟
08:09
  رگرسیون بردار پشتیبان با کرنل RBF: از رگرسیون خطی به رگرسیون بردار پشتیبان غیرخطی
03:57
  مرحله1 الف– آموزش مدل SVR، مقیاس‌بندی ویژگی‌ها و آماده‌سازی دیتاست در پایتون
05:46
  مرحله1 ب– رگرسیون بردار پشتیبان در پایتون: وارد کردن کتابخانه‌ها و دیتاست برای یادگیری ماشین
03:28
  مرحله2 الف– تسلط بر مقیاس‌بندی ویژگی‌ها برای رگرسیون بردار پشتیبان در پایتون
05:34
  مرحله2 ب– تغییر شکل داده‌ها برای SVR: آماده‌سازی بردار Y برای مقیاس‌بندی ویژگی‌ها (پایتون)
04:56
  مرحله2 ج– آماده‌سازی داده‌های SVR: مقیاس‌بندی مستقل X و Y با استفاده از StandardScaler
03:30
  مرحله 3 – رگرسیون SVM: ایجاد و آموزش مدل SVR با کرنل RBF در پایتون
05:57
  مرحله 4 – پیش‌بینی مدل SVR: مدیریت داده‌های مقیاس‌بندی شده و تبدیل معکوس
03:46
  مرحله5 الف– چطور مدل‌های رگرسیون بردار پشتیبان (SVR) را رسم کنیم: راهنمای گام به گام
03:42
  مرحله5 ب– مقیاس‌بندی و تبدیل معکوس SVR در پایتون
03:39
  مرحله1 – آموزش SVR: ساخت یک رگرسور ماشین بردار پشتیبان در زبان R
05:57
  مرحله2 – رگرسیون بردار پشتیبان: ساخت مدل پیش‌بینی در پایتون
04:57
رگرسیون درخت تصمیم (Decision Tree Regression)
  چگونه یک درخت رگرسیون بسازیم – راهنمای گام به گام برای یادگیری ماشین
11:06
  مرحله1 الف– رگرسیون درخت تصمیم: ساخت مدل بدون مقیاس‌بندی ویژگی‌ها
04:40
  مرحله1 ب– بارگذاری و پیش‌پردازش داده‌ها برای رگرسیون درخت تصمیم در پایتون
03:57
  مرحله2 – پیاده‌سازی DecisionTreeRegressor: راهنمای گام به گام در پایتون
04:58
  مرحله3 – پیاده‌سازی رگرسیون درخت تصمیم در پایتون: انجام پیش‌بینی‌ها
03:15
  مرحله4 – تجسم رگرسیون درخت تصمیم: نتایج با وضوح بالا
04:58
  مرحله 1 – ساخت رگرسور درخت تصمیم با استفاده از تابع rpart در زبان R
04:55
  مرحله 2 – رگرسیون درخت تصمیم: تنظیم تقسیم‌ها با پارامتر کنترل rpart
05:48
  مرحله 3 – رگرسیون غیرپیوسته: چالش‌های تجسم درخت تصمیم
04:55
  مرحله 4 – تجسم درخت تصمیم: درک بازه‌ها و پیش‌بینی‌ها
03:49

توضیحات دوره

به یادگیری یادگیری ماشین علاقه‌مند هستید؟ پس این دوره دقیقاً برای شماست!

این دوره توسط یک دانشمند داده (Data Scientist) و یک متخصص یادگیری ماشین طراحی شده است تا دانش و تجربه خود را به ساده‌ترین شکل ممکن با شما به اشتراک بگذاریم و مفاهیم پیچیده نظری، الگوریتم‌ها و کتابخانه‌های برنامه‌نویسی را به‌سادگی به شما آموزش دهیم.

بیش از یک میلیون دانشجو در سراسر جهان به این دوره اعتماد کرده‌اند.

ما شما را گام‌به‌گام به دنیای یادگیری ماشین هدایت می‌کنیم. با هر آموزش، مهارت‌های جدیدی کسب می‌کنید و درک عمیق‌تری از این حوزه چالش‌برانگیز اما پردرآمد از علم داده خواهید یافت.

شما می‌توانید این دوره را با آموزش‌های پایتون یا R یا هر دو به پایان برسانید. زبان برنامه‌نویسی‌ای را انتخاب کنید که برای مسیر شغلی‌تان مناسب‌تر است.

این دوره در عین جذاب و سرگرم‌کننده بودن، عمیقاً به مفاهیم یادگیری ماشین می‌پردازد و به صورت زیر ساختاربندی شده است:

ساختار دوره:
بخش ۱ - پیش‌پردازش داده‌ها
بخش ۲ - رگرسیون:
رگرسیون خطی ساده، رگرسیون خطی چندگانه، رگرسیون چندجمله‌ای، SVR، رگرسیون درخت تصمیم، رگرسیون جنگل تصادفی
بخش ۳ - طبقه‌بندی:
رگرسیون لجستیک، K-NN، ماشین بردار پشتیبان (SVM)، SVM هسته‌ای، بیز ساده (Naive Bayes)، درخت تصمیم، جنگل تصادفی
بخش ۴ - خوشه‌بندی:
K-Means، خوشه‌بندی سلسله‌مراتبی
بخش ۵ - یادگیری قوانین وابستگی:
الگوریتم Apriori، الگوریتم Eclat
بخش ۶ - یادگیری تقویتی:
مرز اطمینان بالا (UCB)، نمونه‌برداری تامپسون
بخش ۷ - پردازش زبان طبیعی (NLP):
مدل Bag-of-Words و الگوریتم‌های NLP
بخش ۸ - یادگیری عمیق:
شبکه‌های عصبی مصنوعی (ANN)، شبکه‌های عصبی پیچشی (CNN)
بخش ۹ - کاهش ابعاد:
تحلیل مؤلفه‌های اصلی (PCA)، تحلیل تفکیک خطی (LDA)، Kernel PCA
بخش ۱۰ - انتخاب مدل و Boosting:
اعتبارسنجی متقاطع (k-fold)، تنظیم پارامترها، جست‌وجوی شبکه‌ای (Grid Search)، XGBoost

هر بخش از دوره به‌صورت مستقل ارائه شده است؛ بنابراین می‌توانید دوره را به‌طور کامل از ابتدا تا انتها طی کنید، یا تنها به بخشی که هم‌اکنون برای شغل یا پروژه‌تان نیاز دارید مراجعه کنید.

علاوه بر این، دوره با تمرین‌های عملی بر اساس مطالعات موردی واقعی پر شده است. بنابراین نه تنها تئوری را یاد می‌گیرید، بلکه در ساخت مدل‌های واقعی نیز مهارت کسب می‌کنید.

و در نهایت، این دوره شامل قالب‌های کدنویسی در پایتون و R نیز هست که می‌توانید آن‌ها را دانلود کرده و در پروژه‌های شخصی خود استفاده کنید.

 
این دوره مناسب چه کسانی است؟
هر کسی که به یادگیری ماشین علاقه‌مند است
دانش‌آموزانی که حداقل دانش ریاضی در سطح دبیرستان دارند و می‌خواهند یادگیری ماشین را شروع کنند
افرادی در سطح متوسط که با مفاهیم پایه مانند رگرسیون خطی یا لجستیک آشنا هستند و می‌خواهند عمیق‌تر یاد بگیرند
کسانی که در کدنویسی خیلی راحت نیستند اما می‌خواهند یادگیری ماشین را به‌سادگی بر روی داده‌ها پیاده‌سازی کنند
دانشجویان دانشگاهی که می‌خواهند وارد حرفه علم داده شوند
تحلیلگران داده‌ای که می‌خواهند در یادگیری ماشین پیشرفت کنند
افرادی که از شغل فعلی خود رضایت ندارند و می‌خواهند تبدیل به دانشمند داده شوند
هر کسی که می‌خواهد با استفاده از ابزارهای قدرتمند یادگیری ماشین، ارزش افزوده‌ای به کسب‌وکار خود بیافزاید

دیدگاه کاربران

4.7

بر اساس امتیاز 36 دانشجو

1
2
3
4
5

دانشجوی دوره

2 روز پیش

5

جامع

دانشجوی دوره

6 روز پیش

5

مفید و شهودی

علیرضا ایزدی

13 روز پیش

5

صریح و کاربردی👌

مجتبی بخشی مالدار

25 روز پیش

5

مدرسین این دوره بسیار مسلط هستند و مباحث پیچیده را به شکلی ساده شده منتقل میکنند.

دانشجوی دوره

1 ماه پیش

5

خیلی خوبه، یه جاهایی میتونیم برای عمیق شدن دانش خودمون مطالعات بیشتری داشته باشیم (که الزامی نیست) ولی در کل خیلی انرژی میگیرم ازش و خسته نمیشم

محمدرضا اشرفی

2 ماه پیش

5

این دوره واقعا جامع و فوق العاده بود

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
آکادمی گرولیآموزش مهارت‌های شغلی
100دوره
48,414دانشجو
1,256نظر و امتیاز

• آکادمی گرولی با هدف توانمندسازی و توسعه‌ی حرفه‌ای افراد فعالیت می‌کند.

• دوره‌های این آکادمی در حوزه‌های شغلی متنوعی مانند هوش مصنوعی، برنامه‌نویسی، نرم‌افزارهای کاربردی، مدیریت محصول، بازاریابی دیجیتال، مهارت‌های نرم و توسعه کسب‌وکار دسته‌بندی می‌شوند.

• این دوره‌ها اکثرا از پرفروش‌ترین آموزش‌های برترین پلتفرم‌های یادگیری دنیا مانند یودمی، لینکدین‌لرنینگ، کورسرا و ریفورج هستند که همگی با زیرنویس فارسی منتشر شده‌اند. همچنین چندی از دوره‌های این آکادمی نیز، به صورت اختصاصی توسط مدرسان معتبر ایرانی تهیه گردیده‌اند.

Kirill Eremenko
2دوره
6,808دانشجو
38نظر و امتیاز

از نظر حرفه‌ای، من از حوزه مشاوره علم داده وارد شدم و در صنایع مختلفی مثل امور مالی، خرده‌فروشی، حمل‌ونقل و سایر حوزه‌ها تجربه دارم. در Deloitte استرالیا توسط بهترین مربیان تحلیل داده آموزش دیدم و از زمانی که فعالیتم را در Udemy آغاز کردم، دانشم را به هزاران دانشجوی مشتاق علم داده منتقل کرده‌ام.

در دوره‌های من بلافاصله متوجه خواهید شد که چطور تجربه واقعی‌ام را با پیش‌زمینه آکادمیکم در فیزیک و ریاضیات ترکیب می‌کنم تا آموزش‌هایی گام‌به‌گام و حرفه‌ای در زمینه علم داده ارائه دهم. یکی از نقاط قوت سبک آموزشی من تمرکز بر توضیحات شهودی و قابل درک است؛ بنابراین مطمئن باشید حتی پیچیده‌ترین مفاهیم را هم واقعاً درک خواهید کرد.

در نهایت، باید بگویم که به شکل کامل و عمیقی به علم داده علاقه‌مندم و مشتاقم این علاقه و دانش را با شما به اشتراک بگذارم!

Hadelin de Ponteves
2دوره
6,808دانشجو
38نظر و امتیاز

هادلین یک کارآفرین آنلاین است که بیش از ۳۰ دوره آموزشی برتر در حوزه‌های فناوری نوین مانند هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، بلاک‌چین و رمزارزها به جهان ارائه کرده است. او با اشتیاق به دنبال انتقال این دانش به مردم جهان و کمک به هرچه بیشتر افراد است. تاکنون بیش از ۲ میلیون نفر در دوره‌های آموزشی او ثبت‌نام کرده‌اند.

SuperDataScience Team
2دوره
6,808دانشجو
38نظر و امتیاز

تیم SuperDataScience متشکل از متخصصان و مربیان برجسته در حوزه علم داده و هوش مصنوعی است که با ارائه دوره‌های آموزشی آنلاین، پادکست‌ها، مقالات و منابع کمکی، به کاربران کمک می‌کنند تا مهارت‌های خود را در تکنولوژی‌های پیشرفته بهبود دهند. این تیم با تکیه بر تجربه‌های واقعی در صنعت و رویکردی گام به گام، مفاهیم پیچیده علم داده را به شیوه‌ای ساده و کاربردی به دانشجویان منتقل می‌کند، تا همه بتوانند در دنیای سریع‌التحول علم داده و فناوری پیشرفت کنند.

Ligency Team
1دوره
6,349دانشجو
37نظر و امتیاز

سلام،

ما تیم روابط عمومی و بازاریابی Ligency هستیم. هر زمان که دوره‌ جدیدی منتشر شود، پادکست‌ها، مقالات وبلاگ، تقلب‌نامه‌ها (cheatsheets) و محتوای آموزشی جدیدی منتشر کنیم، از ما خواهید شنید!

هدف ما این است که به شما کمک کنیم همیشه در لبه‌ی علم داده و فناوری باقی بمانید.

تو کلاس می‌بینیمتون!

با احترام،
تیم واقعی Ligency

مهارت‌هایی که می‌آموزید

پایتون
R
ماشین لرنینگ
یادگیری عمیق
GenAI

دیگر دوره‌های آکادمی گرولی