این دوره به دقت طراحی شده تا دانش و مهارت‌های کلیدی را در سه حوزه حیاتی علم داده، یادگیری ماشین و یادگیری عمیق به شما آموزش دهد. پس از اتمام دوره، قادر خواهید بود:

• اصول اساسی پایتون و کتابخانه‌های اصلی آن مانند NumPy و Pandas را برای دستکاری و تحلیل داده‌ها به کار ببرید.
• داده‌ها را از منابع مختلف جمع‌آوری، پاک‌سازی و پیش‌پردازش کنید تا برای مدل‌سازی آماده شوند.
• انواع الگوریتم‌های یادگیری ماشین شامل رگرسیون، طبقه‌بندی، خوشه‌بندی و کاهش ابعاد را درک کرده و پیاده‌سازی نمایید.
• با استفاده از کتابخانه‌هایی مانند Scikit-learn، مدل‌های پیش‌بینی‌کننده بسازید و عملکرد آن‌ها را ارزیابی کنید.
• مفاهیم بنیادی شبکه‌های عصبی و یادگیری عمیق را فرا گرفته و مدل‌هایی را با TensorFlow و Keras توسعه دهید.
• داده‌ها را به صورت موثر بصری‌سازی کرده و الگوها و روندهای پنهان در آن‌ها را کشف کنید.
• پروژه‌های عملی علم داده را از ابتدا تا انتها برنامه‌ریزی و اجرا کرده و راهکارهای مبتنی بر داده ارائه دهید.
• توانایی حل مسائل پیچیده در حوزه‌های مختلف صنعتی با رویکرد داده‌محور را کسب کنید.

شرکت در این دوره جامع، مزایای بی‌شماری را برای علاقه‌مندان به حوزه داده و هوش مصنوعی به ارمغان می‌آورد و شما را در مسیر حرفه‌ای خود پیش می‌برد:

• آمادگی شغلی بالا: با کسب مهارت‌های عملی و مورد نیاز بازار کار، برای نقش‌های شغلی پرتقاضا مانند دانشمند داده، مهندس یادگیری ماشین و تحلیلگر داده آماده خواهید شد.
• یادگیری مبتنی بر پروژه: تمرکز بر پروژه‌های واقعی و کاربردی به شما کمک می‌کند تا دانش تئوری را به مهارت‌های عملی تبدیل کنید و یک پورتفولیوی قوی برای خود بسازید.
• پوشش جامع مباحث: این دوره از مبانی پایتون تا پیشرفته‌ترین مباحث یادگیری عمیق را پوشش می‌دهد و نیازی به گذراندن چندین دوره مجزا نخواهید داشت.
• درک عمیق مفاهیم: با توضیحات واضح و مثال‌های کاربردی، نه تنها نحوه استفاده از ابزارها، بلکه چرایی و چگونگی عملکرد آن‌ها را نیز درک خواهید کرد که منجر به یادگیری پایدارتر می‌شود.
• همگامی با به‌روزترین تکنولوژی‌ها: محتوای دوره با توجه به نسخه‌های ۲۰۲۳ و جدیدترین کتابخانه‌ها و فریم‌ورک‌های مورد استفاده در صنعت علم داده به‌روزرسانی شده است.
• افزایش توانایی حل مسئله: با چالش‌ها و مسائل واقعی داده روبه‌رو خواهید شد که توانایی شما را در تفکر تحلیلی، استدلال منطقی و ارائه راهکارهای خلاقانه تقویت می‌کند.
• افزایش اعتماد به نفس: با دستیابی به توانایی ساخت و پیاده‌سازی مدل‌های پیچیده، اعتماد به نفس شما در مواجهه با پروژه‌های بزرگ‌تر افزایش خواهد یافت.

این دوره برای افرادی با سطوح مختلف تجربه طراحی شده است، اما داشتن برخی پیش‌نیازها می‌تواند به شما در درک بهتر و پیشرفت سریع‌تر کمک کند. این پیش‌نیازها شامل موارد زیر هستند:

• آشنایی اولیه با برنامه‌نویسی: درک مفاهیم پایه‌ای برنامه‌نویسی مانند متغیرها، حلقه‌ها، شرط‌ها و توابع (ترجیحاً در پایتون، اما آشنایی با زبان‌های برنامه‌نویسی دیگر نیز قابل قبول است).
• دانش ریاضی و آمار پایه: آشنایی با مفاهیم ریاضی در سطح دبیرستان مانند جبر خطی (مثل ضرب ماتریس‌ها) و مبانی آمار (میانگین، واریانس، انحراف معیار، توزیع‌های آماری پایه). نیاز به دانش عمیق ریاضیات نیست، اما درک این مبانی برای فهم الگوریتم‌ها مفید خواهد بود.
• کامپیوتر و اتصال به اینترنت: دسترسی به یک کامپیوتر با حداقل ۸ گیگابایت رم برای نصب ابزارهای لازم (مانند Anaconda) و یک اتصال پایدار به اینترنت برای دسترسی به منابع دوره.
• علاقه و انگیزه: مهم‌تر از هر چیز، علاقه شدید به علم داده و یادگیری ماشین و انگیزه برای یادگیری مداوم، پشتکار در حل چالش‌ها و صرف زمان کافی برای تمرین عملی.

این دوره به چندین بخش کلیدی و منطقی تقسیم شده است که هر یک بر جنبه خاصی از علم داده، یادگیری ماشین و یادگیری عمیق تمرکز دارد و شما را گام به گام در این مسیر همراهی می‌کند:

• بخش ۱: مقدمه‌ای بر علم داده و مبانی پایتون
  • چرا پایتون برای علم داده انتخاب اول است؟
  • نصب و راه‌اندازی محیط توسعه (Anaconda، Jupyter Notebook، Google Colab).
  • مبانی زبان پایتون: انواع داده، عملگرها، ساختارهای کنترلی (حلقه‌ها و شرط‌ها).
  • کار با توابع، کلاس‌ها و ماژول‌ها در پایتون.
• بخش ۲: تحلیل و دستکاری داده‌ها با NumPy و Pandas
  • معرفی کتابخانه قدرتمند NumPy و کار با آرایه‌های N-بعدی برای محاسبات عددی.
  • عملیات برداری و ماتریسی با NumPy و کاربردهای آن در علم داده.
  • مبانی Pandas: Series و DataFrame به عنوان ساختارهای اصلی داده.
  • دستکاری داده‌ها: انتخاب، فیلترینگ، ادغام (Merge)، پیوست (Concatenate) و گروه‌بندی (GroupBy).
  • پاک‌سازی داده‌ها: مدیریت مقادیر گمشده (Missing Values) و داده‌های تکراری.
• بخش ۳: بصری‌سازی داده‌ها با Matplotlib و Seaborn
  • مقدمه‌ای بر Matplotlib برای ایجاد نمودارهای پایه و سفارشی‌سازی آن‌ها.
  • انواع نمودارها: خطی، میله‌ای، هیستوگرام، نمودار پراکندگی (Scatter Plot)، نمودار جعبه‌ای (Box Plot).
  • استفاده از Seaborn برای بصری‌سازی‌های آماری پیشرفته و جذاب.
  • ساخت داشبوردهای ساده داده برای نمایش نتایج تحلیل.
• بخش ۴: پیش‌پردازش و مهندسی ویژگی
  • مقیاس‌گذاری داده‌ها (Normalization, Standardization) و اهمیت آن‌ها.
  • کدگذاری متغیرهای دسته‌بندی (One-Hot Encoding, Label Encoding).
  • مدیریت داده‌های پرت (Outliers) و تکنیک‌های شناسایی و حذف آن‌ها.
  • مقدمه‌ای بر انتخاب ویژگی (Feature Selection) و استخراج ویژگی (Feature Extraction).
• بخش ۵: یادگیری ماشین – رگرسیون
  • مقدمه‌ای بر یادگیری ماشین و تفاوت بین یادگیری نظارت‌شده و نظارت‌نشده.
  • رگرسیون خطی ساده و چندگانه با استفاده از Scikit-learn.
  • ارزیابی مدل‌های رگرسیون با متریک‌هایی مانند MAE, MSE, RMSE, R².
  • مثال عملی: پیش‌بینی قیمت خانه بر اساس ویژگی‌های مختلف مانند متراژ و موقعیت مکانی.
• بخش ۶: یادگیری ماشین – طبقه‌بندی
  • رگرسیون لجستیک برای طبقه‌بندی باینری و چندگانه.
  • ماشین بردار پشتیبان (SVM) و کاربردهای آن.
  • الگوریتم‌های مبتنی بر درخت: درخت تصمیم و جنگل تصادفی (Random Forest).
  • K-نزدیک‌ترین همسایه (KNN).
  • متریک‌های ارزیابی طبقه‌بندی (دقت، صحت، بازیابی، F1-Score، ROC Curve و ماتریس درهم‌ریختگی).
  • مثال عملی: تشخیص هرزنامه (Spam Detection) یا طبقه‌بندی تصاویر حیوانات.
• بخش ۷: یادگیری ماشین – خوشه‌بندی و کاهش ابعاد
  • خوشه‌بندی K-Means و کاربردهای آن در بخش‌بندی مشتریان یا داده‌های دیگر.
  • مقدمه‌ای بر خوشه‌بندی سلسله‌مراتبی.
  • تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد داده‌ها و بصری‌سازی بهتر.
• بخش ۸: مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
  • مقدمه‌ای بر یادگیری عمیق و تفاوت آن با یادگیری ماشین سنتی.
  • نحوه عملکرد شبکه‌های عصبی مصنوعی و مفاهیم پایه (نورون، وزن، بایاس).
  • ساخت اولین شبکه عصبی با Keras و TensorFlow.
  • توابع فعال‌سازی، لایه‌ها و بهینه‌سازها در شبکه‌های عصبی.
• بخش ۹: شبکه‌های عصبی پیچشی (CNN) برای پردازش تصویر
  • مفاهیم CNN: لایه‌های پیچشی (Convolutional Layers)، لایه‌های Pooling و Flattening.
  • ساخت و آموزش CNN برای تشخیص تصویر و طبقه‌بندی تصاویر پیچیده.
  • تکنیک انتقال یادگیری (Transfer Learning) و استفاده از مدل‌های از پیش آموزش‌دیده.
• بخش ۱۰: پروژه‌های عملی و نکات پیشرفته
  • تمرینات و پروژه‌های جامع برای تثبیت تمامی مفاهیم آموخته شده.
  • نکات مربوط به ارزیابی پیشرفته مدل‌ها و بهینه‌سازی هایپرپارامترها.
  • گام‌های بعدی در مسیر یادگیری علم داده و هوش مصنوعی برای ادامه تخصص.