×
ribbon
مکتب خونه هوش مصنوعیمفاهیم هوش مصنوعیماشین لرنینگ

ماشین لرنینگ، علم داده و مهندسی هوش مصنوعی با پایتون

مدرس:

آکادمی گرولیFrank Kane

تسلط بر ماشین لرنینگ و مهندسی هوش مصنوعی: از تحلیل داده تا راهکارهای ایجنت هوش مصنوعی (Agentic AI)... بیشتر
محبوب کاربران
زیرنویس
4.8 (10)
1 دیدگاه
1,091دانشجو
21ساعت
سرفصل‌ها
متوسط سطح دوره
بروزرسانیبهمن 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
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

ساخت سیستم‌های هوش مصنوعی مولد با استفاده از OpenAI، روش RAG و عامل‌های مدل‌های زبانی بزرگ (LLM Agents)

پیاده‌سازی شبکه‌های عصبی مصنوعی با TensorFlow و Keras

اجرای ماشین لرنینگ در مقیاس بسیار بزرگ با MLLib در Apache Spark

طبقه‌بندی تصاویر، داده‌ها و احساسات (تحلیل احساسات) با استفاده از یادگیری عمیق

این دوره شامل:

21 ساعت ویدئو

3 جلسه متنی

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

17 فصل143 جلسه21 ساعت ویدیو
شروع کار
  نصب: شروع کار
00:48
  [فعالیت] ویندوز: نصب و استفاده از Anaconda و فایل‌های دوره
10:50
  [فعالیت] مک: نصب و استفاده از Anaconda و فایل‌های دوره
08:07
  [فعالیت] لینوکس: نصب و استفاده از Anaconda و فایل‌های دوره
09:11
  مبانی پایتون، بخش 1 [اختیاری]
04:58
  [فعالیت] مبانی پایتون، بخش 2 [اختیاری]
05:17
  [فعالیت] مبانی پایتون، بخش 3 [اختیاری]
02:46
  [فعالیت] مبانی پایتون، بخش 4 [اختیاری]
04:02
  معرفی کتابخانهٔ Pandas [اختیاری]
10:14
مرور آمار و احتمال، و تمرین پایتون
  انواع داده (عددی، طبقه‌ای، ترتیبی)
06:58
  میانگین، میانه، نما
05:26
  [فعالیت] استفاده از میانگین، میانه و نما در پایتون
08:30
  [فعالیت] واریانس و انحراف معیار
11:12
  تابع چگالی احتمال؛ تابع جرم احتمال
03:27
  توزیع‌های رایج داده‌ها (نرمال، دوجمله‌ای، پواسون و غیره)
07:45
  [فعالیت] صدک‌ها و ممان‌ها
12:32
  [فعالیت] دورهٔ فشردهٔ matplotlib
12:13
  [فعالیت] مصورسازی پیشرفته با Seaborn
17:30
  [فعالیت] کوواریانس و همبستگی
11:31
  [تمرین] احتمال شرطی
16:04
  راه‌حل تمرین: احتمال شرطی خرید بر اساس سن
02:20
  قضیه بیز
05:23
مدل‌های پیش‌بینی
  [فعالیت] رگرسیون خطی
11:01
  [فعالیت] رگرسیون چندجمله‌ای
08:04
  [فعالیت] رگرسیون چندمتغیره و پیش‌بینی قیمت خودروها
16:26
  مدل‌های چندسطحی
04:36
یادگیری ماشین با پایتون
  یادگیری نظارت‌شده در مقابل یادگیری بدون نظارت، و تقسیم‌بندی داده‌ها به آموزش/آزمون
08:57
  [فعالیت] استفاده از آموزش/آزمون برای جلوگیری از بیش‌برازش در رگرسیون چندجمله‌ای
05:47
  روش‌های بیزی: مفاهیم
03:59
  [فعالیت] پیاده‌سازی یک دسته‌بند هرزنامه با بیز ساده (Naive Bayes)
08:05
  خوشه‌بندی K-Means
07:23
  [فعالیت] خوشه‌بندی افراد بر اساس درآمد و سن
05:14
  اندازه‌گیری آنتروپی
03:09
  [فعالیت] ویندوز: نصب Graphviz
00:22
  [فعالیت] مک: نصب Graphviz
01:16
  [فعالیت] لینوکس: نصب Graphviz
00:54
  درخت‌های تصمیم: مفاهیم
08:43
  [فعالیت] درخت‌های تصمیم: پیش‌بینی تصمیم‌های استخدام
09:47
  یادگیری تجمیعی (Ensemble Learning)
05:59
  [فعالیت] XGBoost
15:29
  ماشین‌های بردار پشتیبان (SVM): مرور کلی
04:27
  [فعالیت] استفاده از SVM برای خوشه‌بندی افراد با scikit-learn
09:29
سیستم‌های پیشنهاددهنده
  فیلترگذاری مشارکتی مبتنی بر کاربر
07:57
  فیلترگذاری مشارکتی مبتنی بر آیتم
08:15
  [فعالیت] یافتن شباهت بین فیلم‌ها با استفاده از شباهت کسینوسی
09:08
  [فعالیت] بهبود نتایج در شباهت بین فیلم‌ها
07:59
  [فعالیت] ارائه توصیه‌های فیلم با فیلترگذاری مشارکتی مبتنی بر آیتم
10:22
  بهبود نتایج سیستم پیشنهاددهنده
05:29
تکنیک‌های بیشتر داده‌کاوی و یادگیری ماشین
  k-نزدیک‌ترین همسایه
07:57
  [فعالیت] استفاده از KNN برای پیش‌بینی امتیاز یک فیلم
12:29
  کاهش ابعاد؛ تحلیل مؤلفه‌های اصلی (PCA)
05:44
  [فعالیت] مثال PCA با مجموعه داده «زنبق ایرسا»
09:05
  نمای کلی انبارش داده: ETL و ELT
09:05
  یادگیری تقویتی
12:44
  [فعالیت] یادگیری تقویتی و Q-Learning با استفاده از Gym
12:56
  درک ماتریس درهم‌ریختگی (Confusion Matrix)
05:17
  معیارهای ارزیابی طبقه‌بندی‌کننده‌ها (Precision، Recall، F1، ROC، AUC)
06:35
کار با داده‌های دنیای واقعی
  موازنه سوگیری/واریانس
06:15
  [فعالیت] اعتبارسنجی متقابل K-Fold برای جلوگیری از بیش‌برازش
10:26
  پاک‌سازی و نرمال‌سازی داده‌ها
07:10
  [فعالیت] پاک‌سازی داده‌های وب‌لاگ
10:56
  نرمال‌سازی داده‌های عددی
03:22
  [فعالیت] شناسایی داده‌های پرت
06:21
  مهندسی ویژگی‌ها و مشکل ابعاد زیاد
06:03
  تکنیک‌های جایگزینی برای داده‌های گمشده
07:48
  مدیریت داده‌های نامتوازن: نمونه‌برداری بیش از حد، نمونه‌برداری کم و SMOTE
05:35
  بسته‌بندی، تبدیل، کدگذاری، مقیاس‌بندی و جابه‌جایی داده‌ها
07:51
Apache Spark: یادگیری ماشین روی داده‌های کلان
  هشدار درباره Java 21+ و Spark 3!
00:37
  یادداشت‌های نصب Spark برای کاربران MacOS و Linux
01:18
  [فعالیت] نصب Spark
11:06
  مقدمه‌ای بر اسپارک
09:10
  اسپارک و مجموعه داده توزیع‌شده مقاوم (RDD)
11:42
  معرفی MLLib
05:09
  مقدمه‌ای بر درخت‌های تصمیم در اسپارک
16:15
  [فعالیت] خوشه‌بندی K-Means در اسپارک
11:23
  TF / IDF
06:43
  [فعالیت] جستجوی ویکی‌پدیا با اسپارک
08:21
  [فعالیت] استفاده از API DataFrame اسپارک برای MLLib
08:06
طراحی آزمایش / یادگیری ماشین در دنیای واقعی
  پیاده‌سازی مدل‌ها در سیستم‌های زمان واقعی
08:42
  مفاهیم تست A/B
08:23
  آزمون‌های T و مقادیر P
05:59
  [فعالیت] تمرین عملی با آزمون‌های T
06:03
  تعیین مدت زمان اجرای یک آزمایش
03:24
  اشتباهات رایج در تست A/B
09:26
یادگیری عمیق و شبکه‌های عصبی
  پیش‌نیازهای یادگیری عمیق
11:43
  تاریخچه شبکه‌های عصبی مصنوعی
11:14
  [فعالیت] یادگیری عمیق در Tensorflow Playground
11:59
  جزئیات یادگیری عمیق
09:29
  معرفی Tensorflow
11:29
  [فعالیت] استفاده از Tensorflow، بخش 1
13:10
  [فعالیت] استفاده از Tensorflow، بخش 2
12:03
  [فعالیت] معرفی Keras
13:33
  [فعالیت] استفاده از Keras برای پیش‌بینی گرایش سیاسی
11:48
  شبکه‌های عصبی کانولوشنی (CNN)
11:27
  [فعالیت] استفاده از CNN برای تشخیص دست‌خط
08:02
  شبکه‌های عصبی بازگشتی (RNN)
11:02
  [فعالیت] استفاده از RNN برای تحلیل احساسات
09:37
  تنظیم شبکه‌های عصبی: نرخ یادگیری و اندازه دسته
04:39
  منظم‌سازی یادگیری عمیق با Dropout و Early Stopping
06:21
  اخلاق یادگیری عمیق
11:02

پیش‌نیاز‌ها

  • برای شرکت در این دوره، به یک کامپیوتر دسکتاپ (ویندوز، مک یا لینوکس) نیاز دارید که امکان اجرای Anaconda 3 یا نسخه‌های جدیدتر را داشته باشد. در طول دوره، مراحل نصب نرم‌افزارهای رایگان موردنیاز به‌صورت گام‌به‌گام آموزش داده می‌شود.
  • داشتن مقداری تجربه قبلی در برنامه‌نویسی یا اسکریپت‌نویسی الزامی است.
  • همچنین تسلط به ریاضیات در سطح دبیرستان مورد نیاز خواهد بود.

توضیحات دوره

تسلط بر ماشین لرنینگ و مهندسی هوش مصنوعی: از تحلیل داده تا راهکارهای ایجنت هوش مصنوعی (Agentic AI)

مسیر شغلی خود در هوش مصنوعی را با یک دورهٔ جامع و کاملاً عملی آغاز کنید؛ دوره‌ای که شما را از سطح مبتدی تا پیشرفته همراهی می‌کند. پایتون، علم داده، یادگیری ماشینی کلاسیک و جدیدترین مباحث مهندسی هوش مصنوعی؛ از جمله هوش مصنوعی مولد، ترنسفورمرها و عامل‌های مدل‌های زبانی بزرگ (LLM Agents / Agentic AI)؛ را بیاموزید.

چرا این دوره؟

  • یادگیری از طریق عمل
    با بیش از ۱۴۵ جلسه آموزشی و بیش از ۲۱ ساعت محتوای ویدیویی، این دوره بر پروژه‌های عملی پایتون و کاربردهای واقعی تمرکز دارد نه صرفاً مباحث نظری.
  • طراحی‌شده برای دنیای واقعی
    یاد بگیرید شرکت‌هایی مانند Google، Amazon و OpenAI چگونه از هوش مصنوعی برای ایجاد نوآوری استفاده می‌کنند. محتوای دوره بر اساس مهارت‌های موردنیاز کارفرمایان پیشرو در صنعت فناوری تدوین شده است.
  • تجربه ندارید؟ مشکلی نیست
    از صفر و با درس‌های مناسب مبتدیان در پایتون و آمار شروع می‌کنید. در پایان دوره، قادر خواهید بود با ابزارهای پیشرفتهٔ هوش مصنوعی، سیستم‌های هوشمند بسازید.
  • مسیر ساختارمند از مبتدی تا مهندس هوش مصنوعی

  • طراحی‌شده برای رشد شغلی
    چه برنامه‌نویسی باشید که قصد ورود به حوزهٔ هوش مصنوعی را دارد و چه متخصص فناوری که می‌خواهد مهارت‌های خود را گسترش دهد، این دوره یک آموزش کامل و منطبق با نیاز صنعت ارائه می‌دهد. مفاهیم به‌صورت شفاف و با زبانی ساده توضیح داده می‌شوند، با تمرکز بر کاربرد عملی آموخته‌ها.

 

آنچه در این دوره می‌آموزید:

۱. مبانی برنامه‌نویسی

دوره‌ای فشرده از پایتون مخصوص مبتدیان را آغاز می‌کنید و مفاهیم پایه‌ای لازم برای علم داده و هوش مصنوعی را می‌آموزید.

۲. علم داده و آمار

پایه‌ای محکم در تحلیل داده، مصورسازی، آمار توصیفی و استنباطی، و مهندسی ویژگی‌ها ایجاد می‌کنید مهارت‌هایی ضروری برای کار با داده‌های واقعی.

۳. یادگیری ماشینی کلاسیک

با یادگیری نظارت‌شده و بدون نظارت آشنا می‌شوید؛ از جمله رگرسیون خطی، درخت‌های تصمیم، ماشین‌های بردار پشتیبان (SVM)، خوشه‌بندی، مدل‌های تجمیعی (Ensemble) و یادگیری تقویتی.

۴. یادگیری عمیق با TensorFlow و Keras

شبکه‌های عصبی، شبکه‌های عصبی کانولوشنی (CNN) و شبکه‌های عصبی بازگشتی (RNN) را با مثال‌های کدنویسی واقعی و تمرین‌های عملی یاد می‌گیرید.

۵. مهندسی پیشرفتهٔ هوش مصنوعی و هوش مصنوعی مولد

فراتر از ML سنتی رفته و جدیدترین ابزارها و تکنیک‌ها را فرا می‌گیرید، از جمله:

  • ترنسفورمرها و سازوکار خودتوجهی (Self-Attention)
  • GPT، ChatGPT و API شرکت OpenAI
  • فاین‌تیون کردن مدل‌های پایه
  • تولید تقویت‌شده با بازیابی پیشرفته (Advanced RAG)
  • LangChain و عامل‌های مدل‌های زبانی بزرگ (LLM Agents)
  • طراحی و پیاده‌سازی سیستم‌های چندعامله با OpenAI Agents SDK
  • پروژه‌های واقعی هوش مصنوعی مولد و راهبردهای استقرار

۶. کلان‌داده و Apache Spark

می‌آموزید چگونه یادگیری ماشینی را برای داده‌های بسیار بزرگ با استفاده از Spark مقیاس‌پذیر کنید و تکنیک‌های ML را روی خوشه‌های محاسباتی توزیع‌شده به کار ببرید.

نظرات دانشجویان

«دورهٔ شما را شروع کردم و این دوره نقشی کلیدی در انتقال من به موقعیتی داشت که اکنون در آن با استفاده از هوش مصنوعی مسائل سازمانی را حل می‌کنم. دورهٔ شما مسیر موفقیت در پژوهش هوش مصنوعی سازمانی را شفاف کرد و شما را به تأثیرگذارترین مدرس یادگیری ماشینی که تاکنون دیده‌ام تبدیل کرد.» — کناد باسو، دکتری

همین امروز ثبت‌نام کنید و آیندهٔ خود را در هوش مصنوعی بسازید

به هزاران یادگیرنده بپیوندید که با این دوره شغل گرفته‌اند، پروژه‌ها را رهبری کرده‌اند و برنامه‌های واقعی هوش مصنوعی ساخته‌اند. در یکی از سریع‌ترین حوزه‌های در حال رشد فناوری، یک گام جلوتر بمانید.

سفر خود را از امروز آغاز کنید؛ از مبتدی پایتون تا مهندس هوش مصنوعی.

این دوره برای چه کسانی مناسب است:

  • توسعه‌دهندگان نرم‌افزار یا برنامه‌نویسانی که می‌خواهند به مسیر شغلی پردرآمد علم داده و یادگیری ماشینی وارد شوند، از این دوره بهرهٔ زیادی خواهند برد.
  • متخصصان فناوری که کنجکاو هستند بدانند یادگیری عمیق واقعاً چگونه کار می‌کند.
  • تحلیل‌گران داده در حوزهٔ مالی یا سایر صنایع غیر‌فناوری که قصد ورود به صنعت فناوری را دارند و می‌خواهند تحلیل داده را به‌جای ابزارهای آماده، با استفاده از کدنویسی انجام دهند.
  • البته برای موفقیت در این مسیر، داشتن مقداری تجربهٔ قبلی در برنامه‌نویسی یا اسکریپت‌نویسی ضروری است.
  • اگر هیچ تجربه‌ای در کدنویسی یا اسکریپت‌نویسی ندارید، فعلاً این دوره برای شما مناسب نیست. ابتدا یک دورهٔ مقدماتی پایتون بگذرانید و سپس به این دوره بازگردید.
 
 

دیدگاه کاربران

4.8

بر اساس امتیاز 10 دانشجو

1
2
3
4
5

لیلا احمدی

24 روز پیش

5

عالی

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
51,621دانشجو
1,715نظر 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.

Frank Kane
1دوره
1,091دانشجو
10نظر و امتیاز

مدیر ارشد سابق آمازون و مدیرعامل Sundog Education
فرانک بیش از ۹ سال در شرکت‌های Amazon و IMDb فعالیت داشته و سامانه‌های پیشنهاددهنده‌ای را توسعه داده که هر روز برای صدها میلیون کاربر محصولات و فیلم‌ها را پیشنهاد می‌دهند.
او در آمازون سمت Bar Raiser داشته و بیش از ۱۰۰۰ مصاحبه استخدامی انجام داده است.
فرانک دارای 20 اختراع  ثبت‌شده در زمینه‌ی رایانش توزیع‌شده، داده‌کاوی و یادگیری ماشین است و از سال ۲۰۱۲ شرکت آموزشی خود به نام Sundog Education را اداره می‌کند که تاکنون به بیش از یک میلیون دانشجو آموزش داده است.
 

مهارت‌هایی که می‌آموزید

پایتون
علم داده
ماشین لرنینگ
یادگیری عمیق
GenAI
LLM

دیگر دوره‌های آکادمی گرولی