دوره کاوش در دنیای مدل‌های یادگیری: از مبانی تا کاربردها (بر اساس کتاب Finding out about) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

2,490,000 تومان
دوره آموزشی کاوش در دنیای مدل‌های یادگیری: از مبانی تا کاربردها کاوش در دنیای مدل‌های یادگیری: از مبانی تا کاربردها یک سفر اکتشافی به قلب هوش مصنوعی و یادگیری ماشین، با الهام از رویکرد کنجکاوانه کتاب ...
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 622,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش در دنیای مدل‌های یادگیری: از مبانی تا کاربردها (بر اساس کتاب Finding out about)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌های یادگیری و کاوش داده

📋 سرفصل‌های دوره

  • 1. درباره هوش مصنوعی و یادگیری ماشین: شروع یک کاوش
  • 2. چرا ماشین‌ها باید یاد بگیرند؟
  • 3. یافتن داده: سوخت اصلی یادگیری ماشین
  • 4. انواع داده‌ها: از اعداد تا تصاویر
  • 5. جمع‌آوری داده‌ها: منابع و روش‌ها
  • 6. نگاه اول به داده‌ها: خلاصه‌سازی و آمارهای توصیفی
  • 7. تصویرسازی داده‌ها: دیدن الگوها با چشم
  • 8. دنیای متغیرها: ویژگی‌ها، برچسب‌ها و نمونه‌ها
  • 9. درباره مسئله یادگیری: هدف چیست؟
  • 10. یادگیری با نظارت: راهنمایی برای ماشین
  • 11. یادگیری بدون نظارت: کشف الگوهای پنهان
  • 12. یادگیری تقویتی: آزمون و خطا برای بهترین نتیجه
  • 13. جداسازی داده: آموزش، اعتبارسنجی و آزمون
  • 14. معیارهای ارزیابی: چگونه عملکرد مدل را بسنجیم؟
  • 15. بیش‌برازش و کم‌برازش: چالش‌های اساسی در مدل‌سازی
  • 16. یافتن یک مدل خوب: تعادل بین سادگی و پیچیدگی
  • 17. مهندسی ویژگی‌ها: ساختن داده‌های بهتر برای مدل
  • 18. پیش‌پردازش داده‌ها: پاک‌سازی و آماده‌سازی
  • 19. مقیاس‌بندی ویژگی‌ها: آماده‌سازی برای الگوریتم‌ها
  • 20. مدیریت مقادیر گمشده: راهکارهای عملی
  • 21. درباره رگرسیون خطی: پیش‌بینی مقادیر پیوسته
  • 22. رگرسیون خطی چندگانه: استفاده از چندین ویژگی
  • 23. رگرسیون لجستیک: پیش‌بینی احتمالات و طبقه‌بندی
  • 24. طبقه‌بندی: دسته‌بندی داده‌ها
  • 25. درختان تصمیم: تصمیم‌گیری مرحله به مرحله
  • 26. ایجاد یک درخت تصمیم: یافتن بهترین تقسیم‌ها
  • 27. جنگل‌های تصادفی: قدرت اجتماع درختان
  • 28. تقویت گرادیان (Gradient Boosting): بهبود مستمر مدل
  • 29. ماشین‌های بردار پشتیبان (SVM): یافتن مرزهای بهینه
  • 30. K-نزدیک‌ترین همسایه (KNN): یادگیری بر اساس شباهت
  • 31. Naive Bayes: طبقه‌بندی بر اساس احتمالات
  • 32. معیارهای طبقه‌بندی: دقت، صحت، بازیابی و F1-Score
  • 33. ماتریس سردرگمی: دیدی عمیق‌تر به عملکرد طبقه‌بندی
  • 34. منحنی ROC و AUC: ارزیابی مدل‌های باینری
  • 35. اعتبارسنجی متقابل: ارزیابی قوی‌تر مدل
  • 36. انتخاب مدل: کدام الگوریتم بهترین است؟
  • 37. تنظیم فراپارامترها: بهینه‌سازی مدل‌ها
  • 38. جستجوی شبکه‌ای و تصادفی: روش‌های یافتن فراپارامترها
  • 39. Pipeline در یادگیری ماشین: گردش کار منظم
  • 40. ذخیره و بارگذاری مدل‌ها: استفاده مجدد از آنچه یاد گرفته‌ایم
  • 41. درباره خوشه‌بندی: گروه‌بندی داده‌ها بدون برچسب
  • 42. K-Means: محبوب‌ترین الگوریتم خوشه‌بندی
  • 43. انتخاب K مناسب: چالش اصلی در K-Means
  • 44. خوشه‌بندی سلسله مراتبی: ساختار درختی از خوشه‌ها
  • 45. DBSCAN: یافتن خوشه‌ها با چگالی بالا
  • 46. ارزیابی خوشه‌بندی: چگونه کیفیت گروه‌ها را بسنجیم؟
  • 47. کاهش ابعاد: ساده‌سازی داده‌های پیچیده
  • 48. تحلیل مؤلفه‌های اصلی (PCA): یافتن ابعاد مهم
  • 49. t-SNE: تصویرسازی داده‌های با ابعاد بالا
  • 50. کاربردهای کاهش ابعاد: از تصویرسازی تا فشرده‌سازی
  • 51. یادگیری انجمنی: یافتن روابط پنهان
  • 52. الگوریتم آپریوری: کشف قواعد انجمنی
  • 53. سیستم‌های توصیه‌گر: پیشنهاد محصول و محتوا
  • 54. توصیه‌گرهای مبتنی بر محتوا: شبیه به آنچه دوست دارید
  • 55. توصیه‌گرهای مشارکتی: مشابه آنچه دیگران دوست دارند
  • 56. ماتریس‌های عامل‌بندی (Matrix Factorization): قلب توصیه‌گرها
  • 57. معرفی شبکه‌های عصبی مصنوعی: الهام از مغز
  • 58. نورون‌های مصنوعی: بلوک‌های سازنده شبکه
  • 59. توابع فعال‌سازی: افزودن غیرخطی بودن
  • 60. انتشار رو به جلو: حرکت داده در شبکه
  • 61. انتشار رو به عقب: یادگیری شبکه
  • 62. بهینه‌سازها: یافتن وزن‌های بهتر (SGD, Adam)
  • 63. شبکه‌های عصبی عمیق: لایه‌های پنهان بیشتر
  • 64. شبکه‌های عصبی کانولوشنی (CNN): برای تصاویر و بینایی ماشین
  • 65. لایه‌های کانولوشن: استخراج ویژگی از تصاویر
  • 66. لایه‌های پولینگ: کاهش ابعاد در CNN
  • 67. شبکه‌های عصبی بازگشتی (RNN): برای داده‌های ترتیبی و زبان
  • 68. LSTM و GRU: بهبود RNN برای حافظه طولانی‌تر
  • 69. تعبیه کلمه (Word Embeddings): نمایش کلمات به صورت عددی
  • 70. Transformer و Attention: تحول در پردازش زبان طبیعی
  • 71. یادگیری انتقالی (Transfer Learning): استفاده از مدل‌های از پیش آموزش دیده
  • 72. Fine-tuning: تنظیم دقیق مدل‌های از پیش آموزش دیده
  • 73. یادگیری نیمه‌نظارتی: ترکیب داده‌های برچسب‌دار و بدون برچسب
  • 74. یادگیری چند وظیفه‌ای (Multi-task Learning): یک مدل برای چندین کار
  • 75. مولدها و تبعیض‌کننده‌ها: شبکه‌های مولد تخاصمی (GANs)
  • 76. کاربردهای GANs: از تولید تصویر تا افزایش داده
  • 77. تشخیص ناهنجاری (Anomaly Detection): یافتن موارد غیرعادی
  • 78. کاربردهای تشخیص ناهنجاری: از تقلب تا نقص تولید
  • 79. مدل‌های سری زمانی: پیش‌بینی آینده
  • 80. اجزای سری زمانی: روند، فصلی بودن و نویز
  • 81. مدل‌سازی سری زمانی: ARIMA و Prophet
  • 82. یادگیری تقویتی در عمل: از بازی‌ها تا روباتیک
  • 83. مسائل چندبازویی (Multi-armed Bandits): انتخاب بهترین گزینه
  • 84. Q-Learning: یک الگوریتم پایه برای یادگیری تقویتی
  • 85. Deep Q-Networks (DQN): ترکیب Q-Learning و شبکه‌های عصبی
  • 86. استقرار مدل‌ها: از آزمایشگاه تا دنیای واقعی
  • 87. MLOps: عملیات یادگیری ماشین
  • 88. کانتینرسازی مدل‌ها: Docker برای یادگیری ماشین
  • 89. API برای مدل‌ها: سرویس‌دهی به مدل‌ها
  • 90. پلتفرم‌های ابری برای یادگیری ماشین (AWS SageMaker, Azure ML, Google AI Platform)
  • 91. نظارت بر مدل در تولید: حفظ عملکرد در طول زمان
  • 92. توضیح‌پذیری هوش مصنوعی (XAI): چرا مدل این تصمیم را گرفت؟
  • 93. تفسیرپذیری مدل‌های ساده: رگرسیون و درختان تصمیم
  • 94. تفسیرپذیری مدل‌های پیچیده: LIME و SHAP
  • 95. تعصب و سوگیری در هوش مصنوعی: شناسایی و کاهش آن
  • 96. حریم خصوصی در داده‌ها و مدل‌ها: چالش‌ها و راهکارها
  • 97. امنیت مدل‌های یادگیری ماشین: حملات خصمانه
  • 98. آینده هوش مصنوعی و یادگیری ماشین: روندهای جدید
  • 99. از کاوش تا خلق: ساختن پروژه یادگیری ماشین خودتان
  • 100. جمع‌بندی: سفر ما در دنیای مدل‌های یادگیری
✦ مجموعه ویژه یادگیری

یک دوره، چند مسیر برای یادگیری بهتر

کتاب‌های آموزشی، محتوای صوتی و تصویری و دسترسی به سامانه آنلاین فلش‌کارت؛ مجموعه‌ای برای مطالعه، تمرین و تثبیت آموخته‌ها.

📚 محتوای متنی 🎧 صوت و ویدیو 🧠 مرور هوشمند

محتویات بسته آموزشی

مجموعه‌ای از منابع برای شیوه‌های مختلف یادگیری
📚
کتاب نکته‌های خودمانی
نسخه PDF با زبان ساده، روان و کاربردی برای یادگیری راحت‌تر مفاهیم.
PDF · بیان ساده
📘
کتاب نکته‌های رسمی فارسی
نسخه PDF با نگارش استاندارد، بیان دقیق و رویکرد علمی.
PDF · نگارش رسمی
❓
کتاب پرسش و پاسخ تشریحی
نسخه PDF برای مرور مفاهیم و آشنایی با پاسخ‌های توضیحی.
PDF · یادگیری مفهومی
✅
کتاب پرسش‌های چهارگزینه‌ای
نسخه PDF برای تمرین، سنجش آموخته‌ها و آمادگی بیشتر.
PDF · تمرین و سنجش
🎧
پادکست‌های صوتی فارسی
محتوای صوتی برای یادگیری و مرور مطالب در زمان‌های مختلف.
محتوای صوتی
🎬
ویدیوهای آموزشی فارسی
محتوای ویدیویی برای تکمیل تجربه یادگیری و درک بهتر مطالب.
محتوای ویدیویی
💻
اکانت سامانه آنلاین فلش‌کارت
دسترسی به نرم‌افزار آنلاین فلش‌کارت ویژه این دوره برای تمرین و مرور مطالب.
دسترسی آنلاین
🎓
گواهی پایان دوره
امکان دریافت گواهی پس از تکمیل فعالیت‌های لازم در سامانه و طی مراحل تأیید.
پس از تکمیل شرایط
💾
بسته فیزیکی روی فلش مموری
این محصول به‌صورت فلش مموری حاوی فایل‌های آموزشی، محتوای صوتی و ویدیویی ارائه می‌شود.
تحویل فیزیکی
نکته: استفاده از سامانه آنلاین فلش‌کارت به اتصال اینترنت نیاز دارد؛ محتوای قابل استفاده آفلاین به نوع فایل‌های موجود در بسته بستگی دارد.
SMART LEARNING

🌐 سامانه آنلاین فلش‌کارت؛ مرور هدفمند و هوشمند

اکانت ارائه‌شده، دسترسی به نسخه تحت وب سامانه فلش‌کارت ویژه این دوره را فراهم می‌کند. این سامانه از الگوریتم زمان‌بندی مرور SM-2 استفاده می‌کند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم می‌کند.

به این ترتیب، کارت‌های دشوارتر می‌توانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسب‌تری داشته باشید.

🧠
مرور زمان‌بندی‌شده
📈
پیگیری پیشرفت
🔄
تمرین و تکرار هدفمند
📚 حجم آموزشی دوره
هزاران
فلش‌کارت آموزشی، به‌صورت تقریبی
۶۰ ساعت
مدت‌زمان معادل برآوردشده آموزشی

مدت‌زمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج می‌شود.

🏅

گواهی دوزبانه با استعلام آنلاین

گواهی فارسی و انگلیسی · لینک اختصاصی · QR Code

پس از تکمیل فعالیت‌های لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر می‌شود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.

⚖️ توضیح مهم درباره گواهی پایان دوره

این گواهی صرفاً به‌عنوان گواهی اتمام دوره آموزشی صادر می‌شود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.

تجربه‌ای کامل‌تر برای مطالعه، تمرین و یادگیری
express24.ir
تگ‌ها: Artificial Intelligence Data Exploration Data Mining Finding out about Learning Models Machine Learning Models of Learning آموزش یادگیری ماشین دوره هوش مصنوعی کاربردهای یادگیری ماشین کاوش داده مبانی یادگیری ماشین مدل‌های یادگیری هوش مصنوعی یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.