دوره درک شهودی یادگیری ماشین: از مفاهیم تا ساخت مدل‌های هوشمند همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

2,490,000 تومان
درک شهودی یادگیری ماشین: از مفاهیم تا ساخت مدل‌های هوشمند درک شهودی یادگیری ماشین: از مفاهیم تا ساخت مدل‌های هوشمند با الهام از "Grokking Machine Learning"، سفری بی‌نظیر به دنیای هوش مصنوعی را آغاز کن...
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 درک شهودی یادگیری ماشین: از مفاهیم تا ساخت مدل‌های هوشمند

موضوع کلی: یادگیری ماشین

موضوع میانی: مبانی و کاربردهای عملی یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین: چیستی، چرایی، و کاربردها
  • 2. انواع یادگیری ماشین: نظارت شده، غیرنظارت شده، تقویتی
  • 3. مفهوم ویژگی (Feature) و اهمیت آن در یادگیری ماشین
  • 4. پیش‌پردازش داده: تمیز کردن، تبدیل، و نرمال‌سازی
  • 5. مفهوم فاصله و شباهت در داده‌ها
  • 6. الگوریتم K-نزدیک‌ترین همسایه (KNN) برای طبقه‌بندی
  • 7. الگوریتم K-نزدیک‌ترین همسایه (KNN) برای رگرسیون
  • 8. انتخاب مقدار K مناسب در KNN: روش‌های ارزیابی
  • 9. مفهوم overfitting و underfitting
  • 10. معیارهای ارزیابی عملکرد مدل‌های طبقه‌بندی: دقت، بازخوانی، F1-score
  • 11. معیارهای ارزیابی عملکرد مدل‌های رگرسیون: MSE، RMSE، R-squared
  • 12. رگرسیون خطی ساده: مفهوم و پیاده‌سازی
  • 13. رگرسیون خطی چندگانه: مفهوم و پیاده‌سازی
  • 14. گرادیان کاهشی (Gradient Descent): روشی برای بهینه‌سازی
  • 15. بهینه‌سازی گرادیان کاهشی: نرخ یادگیری و تنظیم آن
  • 16. رگرسیون چندجمله‌ای: مدل‌سازی روابط غیرخطی
  • 17. رگرسیون Ridge: جلوگیری از overfitting با تنظیم‌کننده L2
  • 18. رگرسیون Lasso: جلوگیری از overfitting با تنظیم‌کننده L1
  • 19. رگرسیون Elastic Net: ترکیبی از Ridge و Lasso
  • 20. مفهوم درخت تصمیم (Decision Tree)
  • 21. ساخت درخت تصمیم: الگوریتم‌های ID3 و C4.5
  • 22. معیارهای تقسیم گره‌ها در درخت تصمیم: آنتروپی و بهره اطلاعات
  • 23. جلوگیری از overfitting در درخت تصمیم: هرس کردن (Pruning)
  • 24. درخت تصمیم برای رگرسیون
  • 25. جنگل تصادفی (Random Forest): مجموعه‌ای از درختان تصمیم
  • 26. بهبود عملکرد جنگل تصادفی: تنظیم پارامترها
  • 27. ماشین بردار پشتیبان (SVM): مفهوم و ایده‌ی اصلی
  • 28. SVM با هسته خطی (Linear Kernel)
  • 29. SVM با هسته RBF (Radial Basis Function Kernel)
  • 30. SVM با هسته چندجمله‌ای (Polynomial Kernel)
  • 31. انتخاب هسته مناسب برای SVM
  • 32. بهینه‌سازی پارامترهای SVM: C و Gamma
  • 33. دسته‌بندی‌کننده‌های خطی: رگرسیون لجستیک (Logistic Regression)
  • 34. تابع سیگموئید و تفسیر آن
  • 35. بهینه‌سازی رگرسیون لجستیک با گرادیان کاهشی
  • 36. معیارهای ارزیابی رگرسیون لجستیک
  • 37. مقایسه رگرسیون لجستیک با SVM خطی
  • 38. شبکه‌های عصبی: معرفی نورون و پرسپترون
  • 39. تابع فعال‌سازی (Activation Function): Sigmoid, ReLU, Tanh
  • 40. ساخت یک شبکه عصبی ساده با یک لایه مخفی
  • 41. انتشار رو به جلو (Forward Propagation)
  • 42. انتشار رو به عقب (Backpropagation) و محاسبه گرادیان
  • 43. بهینه‌سازی وزن‌ها و بایاس‌ها در شبکه عصبی
  • 44. نرخ یادگیری در شبکه‌های عصبی: اهمیت و تنظیم آن
  • 45. جلوگیری از overfitting در شبکه‌های عصبی: Dropout و Regularization
  • 46. لایه‌های کانولوشن (Convolutional Layers) در شبکه‌های عصبی
  • 47. لایه‌های تجمیع (Pooling Layers) در شبکه‌های عصبی
  • 48. ساخت یک شبکه عصبی کانولوشنال (CNN) برای تشخیص تصویر
  • 49. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNNs)
  • 50. مشکل محو شدن گرادیان (Vanishing Gradient) در RNNs
  • 51. شبکه‌های حافظه بلندمدت (Long Short-Term Memory - LSTM)
  • 52. شبکه‌های دروازه بازگشتی (Gated Recurrent Unit - GRU)
  • 53. کاربردهای RNNs, LSTMs, و GRUs در پردازش زبان طبیعی
  • 54. خوشه‌بندی K-Means: مفهوم و الگوریتم
  • 55. انتخاب مقدار K مناسب در K-Means: روش Elbow و Silhouette
  • 56. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
  • 57. خوشه‌بندی DBSCAN: خوشه‌بندی بر اساس چگالی
  • 58. مقایسه الگوریتم‌های خوشه‌بندی: K-Means، Hierarchical، DBSCAN
  • 59. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
  • 60. کاربردهای PCA در کاهش نویز و تجسم داده
  • 61. کاهش ابعاد: T-distributed Stochastic Neighbor Embedding (t-SNE)
  • 62. کاربردهای t-SNE در تجسم داده‌های با ابعاد بالا
  • 63. انتخاب ویژگی (Feature Selection): روش‌های مبتنی بر فیلتر
  • 64. انتخاب ویژگی: روش‌های مبتنی بر wrapper
  • 65. انتخاب ویژگی: روش‌های embedded
  • 66. ارزیابی مدل: اعتبار سنجی متقابل (Cross-Validation)
  • 67. انواع اعتبارسنجی متقابل: K-Fold، Stratified K-Fold
  • 68. بهینه‌سازی ابرپارامترها (Hyperparameter Optimization): Grid Search
  • 69. بهینه‌سازی ابرپارامترها: Random Search
  • 70. یادگیری نیمه نظارتی (Semi-Supervised Learning)
  • 71. تقویت یادگیری (Reinforcement Learning): مفاهیم پایه
  • 72. عامل (Agent)، محیط (Environment)، و پاداش (Reward)
  • 73. الگوریتم Q-Learning
  • 74. الگوریتم Sarsa
  • 75. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
  • 76. معرفی کتابخانه‌های یادگیری ماشین: Scikit-learn
  • 77. معرفی کتابخانه‌های یادگیری ماشین: TensorFlow
  • 78. معرفی کتابخانه‌های یادگیری ماشین: Keras
  • 79. معرفی کتابخانه‌های یادگیری ماشین: PyTorch
  • 80. ساخت یک پروژه طبقه‌بندی تصویر با CNN و Keras
  • 81. ساخت یک پروژه تحلیل احساسات با LSTM و TensorFlow
  • 82. دیپلوی (Deploy) مدل یادگیری ماشین: روش‌ها و ابزارها
  • 83. ساخت یک API برای مدل یادگیری ماشین با Flask/FastAPI
  • 84. ملاحظات اخلاقی در یادگیری ماشین: سوگیری و انصاف
  • 85. تفسیرپذیری مدل‌های یادگیری ماشین (Explainable AI - XAI)
  • 86. تکنیک‌های XAI: LIME و SHAP
  • 87. کاربرد یادگیری ماشین در پزشکی
  • 88. کاربرد یادگیری ماشین در امور مالی
  • 89. کاربرد یادگیری ماشین در بازاریابی
  • 90. کاربرد یادگیری ماشین در خودروهای خودران
  • 91. کاربرد یادگیری ماشین در پردازش زبان طبیعی (NLP)
  • 92. مفهوم مدل‌های زبانی بزرگ (Large Language Models - LLMs)
  • 93. Fine-tuning مدل‌های زبانی بزرگ (LLMs)
  • 94. معرفی ترانسفورمرها (Transformers) و مکانیسم توجه (Attention)
  • 95. چالش‌های پیش روی یادگیری ماشین و آینده آن
  • 96. مبانی احتمالات و آمار مورد نیاز در یادگیری ماشین
  • 97. مبانی جبر خطی مورد نیاز در یادگیری ماشین
  • 98. ماتریس‌ها و بردارها در پایتون با Numpy
  • 99. تحلیل داده و مصورسازی با Pandas و Matplotlib/Seaborn
  • 100. نوشتن کد تمیز و قابل فهم برای پروژه‌های یادگیری ماشین
✦ 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: AI Data Science Grokking Machine Learning Machine Learning ML آموزش یادگیری ماشین درک شهودی ML ساخت مدل هوشمند علم داده کاربردهای یادگیری ماشین مبانی یادگیری ماشین مدل‌های ML هوش مصنوعی یادگیری ماشین یادگیری ماشین کاربردی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.