00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به 15 جلسه نمونه از دوره
  • دسترسی به 15 جلسه نمونه از دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
فقط محتوا
  • دسترسی کامل و نامحدود به محتوای دوره
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی کامل و نامحدود به محتوای دوره
319,000 تومان
امکان پرداخت ارزی ‎
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
439,000 تومان
امکان پرداخت ارزی ‎
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش یادگیری ماشین با پایتون

دوره‌های مکتب‌پلاس
33 ساعت
95٪ (5546 رای)

دوره آموزش یادگیری ماشین با پایتون چیست؟

در این دوره آموزشی به یادگیری ماشین با استفاده از زبان برنامه‌­نویسی شناخته شده و کار­آمد پایتون پرداخته می­‌شود. دوره آموزش یادگیری ماشین با پایتون به این صورت برنامه‌ریزی شده است که از مقدمات شروع می‌­شود و به مباحث پیشرفته و جدید یادگیری ماشین با پایتون می­‌پردازد.

دوره آموزش یادگیری ماشین جادی در دو بخش تدوین شده است؛ در بخش اول شما باهدف 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.

 

هدف از آموزش دوره یادگیری ماشین با پایتون چیست؟

هدف از برگزاری این دوره، آموزش ماشین لرنینگ به‌صورت مرحله‌به‌مرحله از مباحث مقدماتی تا مباحث جدید و پیشرفته است. شرکت در این دوره آموزشی به شما کمک خواهد کرد تا در محیط واقعی و کاربردی از زبان برنامه­‌نویسی پایتون استفاده کنید و مهارت خود را در زمینه برنامه­‌نویسی پایتون افزایش دهید. در کنار این موضوع، آموزش یادگیری ماشین را به‌عنوان هدف اصلی این دوره آموزشی دنبال خواهید کرد.

 

در انتهای این دوره چه مهارت‌­هایی کسب خواهید کرد؟

با شرکت در این دوره علاوه بر آشنایی با کلیات یادگیری ماشین شما با مباحث دیگری از مانند مسائل زیر آشنا شوید:

1. یادگیری تحت نظارت و بدون نظارت

2. ارزیابی مدل­‌ها و الگوریتم‌­های یادگیری ماشین

3. رگرسیون

4. طبقه‌بندی

5. خوشه‌بندی

6. یادگیری کیت علمی

7. SciPy

 

ویژگی متمایز این دوره نسبت به دوره‌­های مشابه چیست؟

مدرس این دوره جادی میرمیرانی است. در کنار مدرس حرفه‌­ای و مسلط این دوره ساختاری که برای آموزش این دوره در نظر گرفته شده است نسبت به دوره‌­های مشابه متمایز است. به این صورت که این دوره آموزشی در دو بخش تدوین شده است و در این دو بخش علاوه بر آموزش مقدمات به مباحث جدید و اساسی در آموزش یادگیری ماشین با پایتون پرداخته شده است.

در کنار این موارد در تمام طول دوره شما می‌­توانید سوالات و ابهامات خود را با استاد دوره در میان بگذارید و پاسخ همه سوالات خود را به دست بیاورید. در پایان دوره یادگیری ماشین با پایتون و پس از انجام آزمون در صورت کسب نمره قبولی مدرک معتبر مکتب‌­خونه مربوط به گذراندن این دوره به شما داده می­‌شود و با استفاده از این مدرک شما می­‌توانید شرایط خود را در آزمون‌­های استخدامی و مصاحبه­‌های مربوط به استخدام بهبود ببخشید.

سرفصل‌های دوره آموزش یادگیری ماشین با پایتون

فصل اول: مقدمه یادگیری ماشین با پایتون
00:34 ساعت
00:31
Combined Shape Created with Sketch. 4 جلسه
بارم:
4%
نمایش جلسات فصل  

در این فصل ابتدا با دوره آشنا خواهید شد و یک مقدمه‌ای از یادگیری ماشین با پایتون را خواهید آموخت.

سپس با مفاهیم یادگیری نظارت شده و یادگیری نظارت نشده آشنا خواهید شد و در پایان ارزیابی کوتاهی از آموخته‌های این فصل انجام خواهد شد.

به دوره یادگیری ماشین با پایتون خوش آمدید
"06:30
مقدمه یادگیری ماشین با پایتون
"19:07
یادگیری ماشین بی‌نظارت و با نظارت
"06:16
کوییز مقدمه یادگیری ماشین با پایتون
100.0%
     
"03:00
فصل دوم: رگرسیون Regression
09:00 ساعت
03:55
Combined Shape Created with Sketch. 16 جلسه
بارم:
22%
نمایش جلسات فصل  

رگرسیون در حقیقت خطی نه لزوماً مستقیم است که فاصله آن از تمام نقاط کمترین مقدار باشد. در این فصل ابتدا با مفهوم رگرسیون و سپس با کتابخانه‌های مهم پایتون شامل numpy، pandas و matplotlib آشنا خواهید شد. سپس پیاده‌سازی ساده‌ای از رگرسیون را خواهید آموخت و سپس سراغ مفاهیم پیشرفته‌تری از رگرسیون مثل رگرسیون غیرخطی و رگرسیون چندجمله‌ای می‌رویم و در انتها به پیاده‌سازی این موارد می‌پردازیم.

مقدمه رگرسیون
"16:04
رگرسیون خطی ساده
"15:44
کوییز رگرسیون ساده
6.7%
     
"03:00
ارزیابی مدل
"17:14
نوت‌بوک
"10:49
Numpy
"15:46
Pandas
"21:11
Matplotlib
"17:37
آزمایشگاه رگرسیون ساده
"41:05
رگرسیون چندگانه
"10:26
کوییز رگرسیون چندگانه
4.4%
     
"02:00
آزمایشگاه رگرسیون چندگانه
"10:49
رگرسیون غیر خطی
"10:12
آزمایشگاه چند جمله‌ای
"19:37
آزمایشگاه رگرسیون غیر خطی
"28:33
پروژه رگرسیون Regression

 (الزامی)

88.9%
     
"300:00
فصل سوم: دسته بندی Classification
08:53 ساعت
03:42
Combined Shape Created with Sketch. 19 جلسه
بارم:
25%
نمایش جلسات فصل  

طبقه‌بندی (Classification) یکی از روش‌های یادگیری ماشین است که برای یادگیری چگونگی تخصیص برچسب کلاس به یک نمونه ورودی، استفاده می‌شود. در این فصل به الگوریتم‌های مختلف دسته‌بندی نظیر KNN، درخت تصمیم، رگرسیون خطی و لجستیک در دسته‌بندی و svm پرداخته می‌شود. در انتهای هر مبحث پیاده‌سازی هرکدام از این موارد در پایتون به تفکیک آموزش خواهید دید و خواهید آموخت هرکدام از این الگوریتم‌ها چه نقاط قوت و ضعفی دارند و موقعیت استفاده هرکدام چیست.

مقدمه دسته‌بندی
"17:39
کوییز مقدمه دسته بندی
3.9%
     
"02:00
مقدمه KNN
"16:08
ارزیابی KNN
"25:00
آزمایشگاه KNN
"28:26
کوییز آزمایشگاه KNN
3.9%
     
"02:00
مقدمه درخت تصمیم
"07:02
ریاضیات درخت تصمیم
"12:48
آزمایشگاه درخت تصمیم
"18:39
کوییز آزمایشگاه درخت تصمیم
3.9%
     
"02:00
مقدمه رگرسیون لجیستیک
"12:57
رگرسیون لجیستیک و خطی
"13:23
آموزش رگرسیون لجیستیک
"22:16
آزمایشگاه رگرسیون لجیستیک
"16:31
کوییز آزمایشگاه لجیستیک
3.9%
     
"02:00
SVM
"16:13
آزمایشگاه SVM
"15:44
کوییز آزمایشگاه SVM
5.9%
     
"03:00
پروژه دسته‌بندی Classification

 (الزامی)

78.4%
     
"300:00
فصل چهارم: خوشه‌بندی Clustering
07:57 ساعت
02:50
Combined Shape Created with Sketch. 15 جلسه
بارم:
23%
نمایش جلسات فصل  

خوشه‌بندی یکی از رایج‌ترین روش‌های یادگیری بدون نظارت است که در آن داده‌ها بر اساس شباهت داده‌ها، دسته‌بندی می‌شوند. در این فصل با جدیدترین و قوی‌ترین الگوریتم‌های این روش نظیر Kmeans، روش سلسله‌مراتبی و روش DBSCAN آشنا شده و مزیت‌ها، نقاط ضعف و قوت و موقعیت‌های استفاده هرکدام را خواهید آموخت. هرکدام از این روش‌ها به تفکیک پیاده‌سازی شده و با نحوه فراخوانی و استفاده آنها آشنا خواهید شد.

مقدمه خوشه‌بندی
"17:00
کوییز مقدمه خوشه‌بندی
4.3%
     
"02:00
روش K-Means
"16:26
نکات K-Means
"08:17
آزمایشگاه K-Means 1
"22:33
آزمایشگاه K-Means 2
"15:39
کوییز آزمایشگاه K-Means
6.4%
     
"03:00
روش سلسله‌مراتبی
"13:21
ادامه روش سلسله‌مراتبی
"09:51
آزمایشگاه روش سلسله‌مراتبی 1
"10:43
آزمایشگاه روش سلسله‌مراتبی 2
"26:33
DBSCAN
"13:44
آزمایشگاه DBSCAN
"16:13
کوییز آزمایشگاه DBSCAN
4.3%
     
"02:00
پروژه خوشه‌بندی Clustering

 (الزامی)

85.1%
     
"300:00
فصل پنجم: سیستم‌های توصیه‌گر Recommender Systems
06:38 ساعت
01:34
Combined Shape Created with Sketch. 8 جلسه
بارم:
24%
نمایش جلسات فصل  

سیستم‌های توصیه دهنده مکانیزم‌هایی‌اند که الگوهای رفتاری هر سیستم را می‌گیرند و از آنها برای پیش‌بینی رفتار سیستم استفاده می‌کنند. در این فصل سراغ این سیستم‌های جذاب رفتیم و کاربرد یادگیری ماشین در این حوزه رو موردمطالعه قرارداده‌ایم. با انواع مختلفی از آن مثل سیستم توصیه گر مبتنی بر محتوا و توصیه گر مبتنی بر همکاری آشنا می‌شوید و پیاده‌سازی هرکدام را آموزش خواهیم داد.

مقدمه سیستم‌های توصیه‌گر
"15:28
سیستم‌های توصیه‌گر مبتنی بر محتوا
"10:07
آزمایشگاه سیستم‌های توصیه‌گر مبتنی بر محتوا
"24:03
کوییز آزمایشگاه سیستم های توصیه‌گر مبتنی بر محتوا
8.3%
     
"02:00
سیستم‌های توصیه‌گر مبتنی بر همکاری
"16:38
آزمایشگاه سیستم‌های توصیه‌گر مبتنی بر همکاری
"28:16
کوییز آزمایشگاه سیستم های توصیه گر مبتنی بر همکاری
8.3%
     
"02:00
پروژه سیستم توصیه‌گر وبسایت IMDB

 (الزامی)

83.3%
     
"300:00

تالار گفت‌وگو

استاد دوره
جادی میرمیرانی جادی میرمیرانی

جادی به معنای حقیقی کلمه، یک گیک و یک هکر است، البته منظور از هکر، دزدی پسورد و ایمیل مردم نیست! بلکه به معنی عشق به دانستن و عشق به تحقیق درباره خیلی از چیزهایی هست که می‌بینم و می‌شنویم. جادی بیشتر از ۲۰ سال است که به صورت حرفه‌ای برنامه‌نویسی می‌کند و تجربیات زیادی در این زمینه داره و در شرکت‌های بزرگی مثل نوکیا و مبین‌نت تجربه کاری موفق داشته است. کمتر کسی وجود داره که در زمینه فنی مرتبط با کامپیوتر فعالیت داشته باشد و جادی میرمیرانی را نشناسد.

جادی میرمیرانی فارغ‌التحصیل مهندسی مخابرات از دانشگاه خواجه نصیرالدین طوسی در مقطع کارشناسی و کارشناسی ارشد جامعه‌شناسی از دانشگاه علامه طباطبایی است. تخصص اصلی ایشان، امنیت و شبکه است ولی در زمینه‌های مختلف دیگری از جمله تدریس برنامه‌نویسی پایتون، هک، لینوکس، بلاک‌چین و ساخت پادکست‌های مرتبط با تکنولوژی‌های روز نیز فعالیت بیش از 10 ساله دارد.

اطلاعات بیشتر
درباره گواهینامه
مکتب‌خونه مکتب‌خونه
حد نصاب قبولی در دوره:
70.0 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره آموزش یادگیری ماشین با پایتون

این دوره آموزشی برای کسانی که علاقه­‌مند یادگیری ماشین هستند، مناسب خواهد بود. در کنار این افراد، کسانی که با زبان برنامه‌­نویسی پایتون آشنا هستند نیز می­‌توانند در این دوره آموزشی از مباحث ارائه شده استفاده کنند. برای شرکت در این دوره و استفاده همه جانبه از مباحث ارائه شده آشنایی با زبان برنامه‌­نویسی پایتون لازم به نظر می‌­رسد.

آموزش پایتون مقدماتی
اطلاعات بیشتر

ویژگی‌های دوره آموزش یادگیری ماشین با پایتون

Combined Shape1 Created with Sketch. 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

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.

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.

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.

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.

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. 

 

مشاهده اطلاعات بیشتر

نظرات  (54 نظر)

صفحه 

از 

6

محمدپارسا
17:31 - 1401/06/27
دانشجوی دوره
نسبت به باقی دوره‌هایی که دیده بودم کاربردی‌تر و قابل فهم‌تر بود. اون دوستی که فرمودن استاد جادی به ریاضی تسلط نداره اصلا هیچگونه نیازی نیست که مدرس یه ریاضی‌دان باشه، در حد درک هندسی از مفاهیم ریاضی کافی هست و چیزی به اسم اینترنت کارتونو راه میندازه. تلفظ کلمات هم مهم نیست، مهم قدرت انتقال مطالب از مدرس به دانشجو هست. این دوره فوق‌العاده است برای یه بینش کلی از ماشین لرنینگ، اما میتونست کمی جزئیات بیشتری ارائه داده بشه.
محمد
10:47 - 1401/06/24
فارغ‌التحصیل دوره
این دوره برای آشنایی با ماشین لرنینگه ، نه آموزش مدرس اصلا به مباحث ریاضی تسلط نداره و تلفظ اشتباه کلمات هم برای من اذیت کننده بود ، ضمن این که صرفا از روی یک سری کد آماده که مربوط به خود شخص مدرس هم نبود فقط خونده میشه و جلو میره. کسایی که اینجا تعریف میکنن از دوره از روی تعصبشون نسبت به مدرس دوره هستش ، من با توجه به تعریف ها دوره رو تهیه کردم ولی بعدش متوجه شدم که نظرات اغراق آمیز بوده.
حسین
15:27 - 1401/06/18
فارغ‌التحصیل دوره
سلام و درود خدمت استاد جادی و تیم مکتب خونه دوره واقعاً عالی، فوق العاده جذاب و کاربردی بود.من قبلاً هیچ دوره ای درمورد ماشین لرنینگ، هوش مصنوعی و... ندیده بودم و این دوره اولین دوره‌ای بود که برای ماشین لرنینگ دیدم و واقعاً راضی بودم. مباحث تدریس شده عالی بودند. خیلی درگیر ریاضیاتش نمی‌شدند و عملی بررسی می‌شد. به علاوه‌ی اینکه دوره پروژه محور بود که به نظرم این دو مورد، دو تا از ویژگی های بسیار خوب و مهم این دوره است. استاد جادی هم بسیار عالی و پر انرژی مباحث رو تدریس می‌کردند و با شوخی های میان تدریسشون باعث می‌شدند که دوره کسل کننده نباشه و دانشجو برای ادامه دادن دوره ذوق و اشتیاق داشته باشه. قطعاً این دوره رو به هر کسی که می‌خواد وارد حوزه‌ی هوش مصنوعی بشه و یا ماشین لرنینگ یاد بگیره پیشنهاد میکنم. لطفاً دوره های دیپ لرنیگ و یادگیری تقویتی رو هم با استاد جادی برگزار و ضبط کنید
حسین
23:13 - 1401/06/16
دانشجوی دوره
چند وقتی بود که دنبال شروع کردن یه دوره ماشین لرنینگ بودم تا اینکه از این دوره مطلع شدم. نوع تدریس و انگیزه ای که در این دوره از جادی گرفتم باعث شد که اعتماد بنفس خوبی پیدا کنم و تصمیم دارم در فیلد ماشین لرنینگ مطالعه بیشتری کنم و پروژه انجام بدم. از نظر تکنیکی این دوره یک دوره کاربردی برای افراد مبتدی در حوزه ماشین لرنینگ هست که مانند دوره Andrew NG زیاد در ریاضیات درگیر نمیشه و خوبیش اینه که برخلاف اون دوره به زبان پایتون هست. پیش نیاز این دوره بنظرم آشنایی اولیه با کتابخونه های Numpy و Pandas و تا حدی Data cleaning هست. چون اینجا خیلی کم بهش پرداخته میشه. ممنون از جادی عزیز و تیم مکتب خونه بابت ارایه این دوره.
زهرا
11:40 - 1401/06/13
دانشجوی دوره
دوره خوبي بود ولي تقريبا ميشه گفت بيشتر به دوره مقدماتي و يا اشنايي با ماشين لرنينگ مي خورد . بيشتر قسمت ها هم جادي مي گفت خودتون برين سرچ بزنيد و يادبگيريد . ولي در كل بنظرم جاداشت كه بيشتر تايم گذاشته بشه براي بهتر كردن دوره .
سیده طوبی
05:47 - 1401/06/08
فارغ‌التحصیل دوره
این اولین کورسی بود که من برای ماشین لرنینگ گذروندم و میتونم بگم دلیل من برای ادامه‌ی ماشین لرنینگ بود و به‌شدت منو جذب خودش کرد از بس بیان جادی جذاااابه ((((: واقعا خوشحالم که این کورس رو تهیه کردم، از پشتیبانی مکتبخونه هم خیلی ممنونم چون همیشه خیلی خوش‌اخلاق و سریع ایمیل هامو جواب میدادن🥲 فقط بهتره که جزء پیشنیاز های کورس آشنایی با numpy, pandas, matplotlib هم آورده بشه چون خیلی مورد استفاده قرار میگیرن و مسلط نبودن بهشون یکم دیدم اون قسمت ها رو آزار دهنده میکنه(!)
علیرضا
11:48 - 1401/05/26
فارغ‌التحصیل دوره
دوره خیلی خوبی هست و تمرکز خیلی خوبی روی مفاهیم پایه داره به جای اینکه فقط از کتابخونه های مختلف استفاده کنه خیلی بهتر میشد اگر یه فصل برای تمیزکردن داده هم توی دوره میبود
شهرام
14:25 - 1401/05/17
فارغ‌التحصیل دوره
من این دوره رو ازش خیلی استفاده کردم. البته به نظر من در یک قسمت جا داشت دست کم یک فصل براش قرار داده میشد که امیدوارم بعدا بشه. قسمت پاکسازی دیتا تقریبا میشه گفت مهم ترین بخش ماشین لرنینگ هست که این بحث در حد اشاره بود و بدون پاکسازی اطلاعات بحث ماشین لرنینگ کامل نمیشه. از آقای میرمیرانی بسیار تشکر میکنم. من چند نمونه از آموزش های این بحث رو اجمالی دیدم و یقینا هیچ آموزش یادگیری ماشین به فارسی هنوز این دوره نرسیده. به نظر من برای راه افتادن این دوره کفایت میکنه و دوره هایی که ریاضی زیاد دارن فقط وقت دانشجو رو میگیره. جز بحث پاکسازی اطلاعات که واقعا نیاز به یک بخش داشت میشه گفت دوره خیلی خوبیه
مهدی
23:00 - 1401/05/14
دانشجوی دوره
من قبلا دوره پایتون جادی رو تهیه کرده بودم و به شدت راضی بودم اما این دوره بد جوری تو ذوقم زد. خیلی از مفاهیم اصلی یادگیری ماشین تو بخشای مختلف توضیح داده نشدن و جادی مدام میگه شما باید فلان بخش یا فلان کتابخونه رو بلد باشین و برید خودتون سرچ کنین، که خب اگر من قرار بود از منابع مختلف جمع بندی کنم و اگر وقتش رو داشتم که دیگه دوره شما رو تهیه نمی‌کردم و به سراغ PDF کتاب های انگلیسی موجود در سطح نت و سایت های مختلف میرفتم هیچ سناریویی برای تدریس وجود نداره و نظمی توی تدریس نمی بینیم و به صورت بداهه تدریس میشه مباحث. پروژه های ازمایشگاه ها هم که خود جادی ننوشته و مال یه شخص دیگه ایه. بهتر بود اسم این دوره رو میذاشتین معرفی یادگیری ماشین چون بیشتر از یک معرفی رو شاهد نیستیم و چیزی مبنی بر اموزش اصولی نمی بینیم. ممنون از زحماتتون ولی این دوره رو دوست نداشتم مکتب خونه
الهام
23:27 - 1401/05/08
دانشجوی دوره
صددرصد این دوره رو به هرکسی که بخواد وارد دنیای هوش مصنوعی بشه توصیه میکنم. برای من که با کتابخونه های پایتون آشنا نبودم و فقط یه اشنایی اولیه با برنامه نویسی داشتم، و کلی تو پلتفرم های آموزشی مختلف گشته بودم ولی همه شون یا خیلی تئوری خشک بودن یا خیلی باید جلو میرفتی تا بفهمی چه خبره، این دوره بهترین گزینه برای شروع بود و بعد از این دوره، دوره های پیشرفته تر رو خیلی راحت تر و سریع تر پیش میرم. جالب اینه که بدون اینکه تئوری چندانی بگن خیلی کاربردی و عملی پروژه هارو تو فضای پایتون پیش می برن و آدم قشنگ می فهمه تو پروسه ی یه مساله ی ماشین لرنینگ دقیقا چه کاری انجام میشه، ولی در عین حال به خاطر تئوری نگفتنه دچار مشکل نمی شیم و مفاهیم راحت منتقل میشه. ضمنا به جای ماهی گرفتن ماهی گیری یاد میدن و این هم فوق العاده است.

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.
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.
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
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.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: مقدمه یادگیری ماشین با پایتون
00:34 ساعت
00:31
Combined Shape Created with Sketch. 4 جلسه
بارم:
4%
نمایش جلسات فصل  

در این فصل ابتدا با دوره آشنا خواهید شد و یک مقدمه‌ای از یادگیری ماشین با پایتون را خواهید آموخت.

سپس با مفاهیم یادگیری نظارت شده و یادگیری نظارت نشده آشنا خواهید شد و در پایان ارزیابی کوتاهی از آموخته‌های این فصل انجام خواهد شد.

به دوره یادگیری ماشین با پایتون خوش آمدید
"06:30
مقدمه یادگیری ماشین با پایتون
"19:07
یادگیری ماشین بی‌نظارت و با نظارت
"06:16
کوییز مقدمه یادگیری ماشین با پایتون
100.0%
     
"03:00
فصل دوم: رگرسیون Regression
09:00 ساعت
03:55
Combined Shape Created with Sketch. 16 جلسه
بارم:
22%
نمایش جلسات فصل  

رگرسیون در حقیقت خطی نه لزوماً مستقیم است که فاصله آن از تمام نقاط کمترین مقدار باشد. در این فصل ابتدا با مفهوم رگرسیون و سپس با کتابخانه‌های مهم پایتون شامل numpy، pandas و matplotlib آشنا خواهید شد. سپس پیاده‌سازی ساده‌ای از رگرسیون را خواهید آموخت و سپس سراغ مفاهیم پیشرفته‌تری از رگرسیون مثل رگرسیون غیرخطی و رگرسیون چندجمله‌ای می‌رویم و در انتها به پیاده‌سازی این موارد می‌پردازیم.

مقدمه رگرسیون
"16:04
رگرسیون خطی ساده
"15:44
کوییز رگرسیون ساده
6.7%
     
"03:00
ارزیابی مدل
"17:14
نوت‌بوک
"10:49
Numpy
"15:46
Pandas
"21:11
Matplotlib
"17:37
آزمایشگاه رگرسیون ساده
"41:05
رگرسیون چندگانه
"10:26
کوییز رگرسیون چندگانه
4.4%
     
"02:00
آزمایشگاه رگرسیون چندگانه
"10:49
رگرسیون غیر خطی
"10:12
آزمایشگاه چند جمله‌ای
"19:37
آزمایشگاه رگرسیون غیر خطی
"28:33
پروژه رگرسیون Regression

 (الزامی)

88.9%
     
"300:00
فصل سوم: دسته بندی Classification
08:53 ساعت
03:42
Combined Shape Created with Sketch. 19 جلسه
بارم:
25%
نمایش جلسات فصل  

طبقه‌بندی (Classification) یکی از روش‌های یادگیری ماشین است که برای یادگیری چگونگی تخصیص برچسب کلاس به یک نمونه ورودی، استفاده می‌شود. در این فصل به الگوریتم‌های مختلف دسته‌بندی نظیر KNN، درخت تصمیم، رگرسیون خطی و لجستیک در دسته‌بندی و svm پرداخته می‌شود. در انتهای هر مبحث پیاده‌سازی هرکدام از این موارد در پایتون به تفکیک آموزش خواهید دید و خواهید آموخت هرکدام از این الگوریتم‌ها چه نقاط قوت و ضعفی دارند و موقعیت استفاده هرکدام چیست.

مقدمه دسته‌بندی
"17:39