هیچ دوره ای در سبد خرید شما وجود ندارد
ماشین لرنینگ در پایتون یکی از زیر شاخه های علم هوش مصنوعی محسوب میشود. پس ماشین لرنینگ (Machine Learning) به صورت کلی همه مباحث هوش مصنوعی را پوشش نداده و صرفا بخشی از هوش مصنوعی است. یادگیری برای ماشین این قابلیت را فراهم میکند که سیستم های کامپیوتری قادر به یاد گرفتن از داده ها باشند. یعنی یک سیستم کامپیوتری بتواند داده های محیطی را پس از دریافت، پردازش کرده و از این اطلاعات برای بهبود عملکرد خود استفاده کند. با پیشرفت ربات ها و نیاز ما به استفاده از هوش مصنوعی، یادگیری ماشین فراگیرتر از الان هم خواهد شد.
سرفصل های دوره آموزش ماشین لرنینگ در پایتون
بخش اول: مقدمه ای بر ماشین لرنینگ در پایتون
- تعریف یادگیری ماشین
- بررسی تاریخچه مدل های معروف یادگیری ماشین
- کاربردهای یادگیری ماشین در پزشکی، موتور های جستجو، OCR و …
- معرفی Pattern recognition در گرایش ارشد هوش مصنوعی
بخش دوم: انواع مدل های ماشین لرنینگ در پایتون
- یادگیری با نظارت یا Supervised Learning
- یادگیری بدون نظارت یا Unsupervised Learning
- یادگیری نیمه نظارتی یا Semisupervised Learning
بخش سوم : Data (انواع داده ها)
- انواع داده ها
- داده های Categorical
- داده های Nominal
- داده های Text
- داده های Ordinal
- داده های سری زمانی یا Time series
- میانگین ، مد ، واریانس ، انحراف معیار و چارک ها و…
- مصور سازی داده ها Data visualization
- Histogramm
- بررسی کتابخانه Panda و Numpy در پایتون برای مصور سازی داده ها
بخش چهارم : Data preprocessing
- Data cleaning پاکسازی داده ها
- data augmentation
- داده های کثیف
- Outlier Detection
- Missing value داده های بدون مقدار یک Feature
- Duplicated Data داده های تکراری
- Noise detection (تشخیص و کاهش نویز)
- گسسته سازی داده
- نمونه برداری یا Sampling و انواع روش های نمونه برداری داده ها
بخش پنجم : Classification (دسته بندی)
- معرفی مفهوم Class و Label
- مفهوم Feature ها
- بررسی دیتاست های Tabel based
بخش ششم : رگرسیون خطی Linear Regression
- تک متغیره
- چند متغیره
- پروژه های سری های زمانی در پایتون با پکیج SK Learn
- و….
بخش هفتم : رگرسیون لجستیک
بخش هشتم : Ensemble learning (یادگیری تجمعی)
بخش نهم : Clustering (خوشه بندی)
بخش دهم : Performance Measure (معیار های کارایی مدل های یادگیری ماشین)
بخش یازدهم : Genetic algorithm
بخش دوازدهم : SVM یا Suport vector machine
منبع اصلی دوره ماشین لرنینگ
Introduction to Machine Learning by Ethem Alpaydin
چرا ماشین لرنینگ با پایتون ؟
هوش مصنوعی یکی از زمینه های سخت در رشته کامپیوتر و مهندسی نرم افزار میباشد. پس یادگیری ماشین نیز کمی پیچیده و دشوار خواهد بود. حال فرض کنید که این زمینه پیچیده را بخواهیم با زبانی سخت مانند ++C یاد بگیریم. چه اتفاقی می‌افتد؟ سختی کار قطعا دو چندان خواهد شد. اما پایتون یک زبان بسیار ساده، قابل فهم و سطح بالاست که سبب راحت تر شدن کار شما خواهد شد. پس ماشین لرنینگ با پایتون میتواند ساده تر از سایر زبان ها باشد.
هدف از دوره آموزش ماشین لرنینگ با پایتون چیست ؟
هدف اصلی دوره آموزش دادن ماشین لرنینگ با استفاده از زبان پایتون برای استفاده در حوزه های متنوع میباشد. همانطور که میدانید هوش مصنوعی و ماشین های کامپیوتری در زمینه های مختلفی نظیر پزشکی، موتور های جستوجو، بازی های رایانه ای، OCR و غیره مورد استفاده قرار میگیرند. پس هدف دوره، آموزش دادن ایجاد حالت یادگیری برای کامپیوتر ها به شما علاقه مندان هوش مصنوعی میباشد تا بتوانید ویژگی یادگیری از داده ها و اطلاعات را به ماشین ها بیفزایید. علم یادگیری ماشین، علم آینده خواهد بود.
دوره ماشین لرنینگ در پایتون مناسب چه کسانی است؟
- علاقه مندان به زمینه هوش مصنوعی و Machine Learning
- دانشجویان رشته های مهندسی نرم افزار و دکترای هوش مصنوعی
- برنامه نویسان پایتون که قصد ورود به دنیای AI را دارند
- افراد علاقه مند به درک ساختار های پیچیده و مکانیزم یادگیری ماشین
- و سایر کاربرانی که قصد دارند مبحثی آینده دار را فرا بگیرند
تفاوت این دوره با سایر دوره های مشابه
تدریس حوزه های هوش مصنوعی کاری دشوار و پیچیده است که فقط از عهده یک متخصص در این زمینه بر می‌آید. مباحث و دروس پیچیده باید به گونه ای ساده و روان گفته شوند که کاربران با هر سطح فهم و درکی بتوانند متوجه شده و آن موضوعات را درک کنند. دوره آموزش ماشین لرنینگ در پایتون نیز توسط یکی از برجسته ترین اساتید حوزه هوش مصنوعی تدریس و تدوین شده است. شیوه بیان مدرس در این دوره آنقدر ساده و روان است که هیچ نگرانی بابت متوجه نشدن موضوعات وجود نخواهد داشت. مثال های گفته شده تا حد امکان ساده، کاربردی و عملی هستند تا کاربران ارتباط بهتری با آموزش و ماشین برقرار کنند.
پیشنیاز های دوره ماشین لرنینگ در پایتون
- دوره جامع برنامه نویسی پایتون با تمرکز بر هوش مصنوعی و یادگیری ماشین
- دوره جامع هوش مصنوعی و سیستم های خبره
مهارت هایی که در انتهای دوره Machine Learning با Python کسب میکنید
در انتهای دوره شما قادر به پیاده سازی سیستم های هوشمند برای ماشین لرنینگ در پایتون خواهید بود. علاوه بر این، در دوره ماشین لرنینگ با پایتون، تمام توابع مورد نیاز و بسته های مورد استفاده در زبان پایتون برای هوش مصنوعی نیز عنوان شده و آموزش داده خواهند شد. پس شما پس از گذراندن این آموزش قادر به استفاده از تمام این ابزار ها در جهت رفع نیاز های خود در حوزه هوش مصنوعی خواهید بود. فقط کافیست در دوره ثبت نام کرده و آموزش دیدن را شروع کنید.
علاقه مندان به یادگیری زبان قدرتمند پایتون می توانند آموزش پایتون را مشاهده نمایند.
ماشین لرنینگ چیست؟
ماشین لرنینگ (Machine Learning) یا یادگیری ماشین، شاخه‌ای از هوش مصنوعی است که به سیستم‌ها و کامپیوترها این توانایی را می‌دهد که بدون نیاز به برنامه‌ریزی صریح، از داده‌ها یاد بگیرند و عملکرد خود را بهبود دهند. به عبارتی، در ماشین لرنینگ، الگوریتم‌ها و مدل‌هایی طراحی می‌شوند که بتوانند با تحلیل داده‌ها و تجربه‌های گذشته، الگوها و روابط میان داده‌ها را شناسایی کرده و از آنها برای پیش‌بینی‌ها و تصمیم‌گیری‌های آینده استفاده کنند.
فرایند ماشین لرنینگ شامل چند مرحله است:
- جمع‌آوری داده‌ها: داده‌ها از منابع مختلف گردآوری می‌شوند.
- پیش‌پردازش داده‌ها: داده‌ها به شکلی قابل استفاده در الگوریتم تبدیل می‌شوند.
- آموزش مدل: الگوریتم ماشین لرنینگ با استفاده از داده‌های آموزشی، مدل خود را می‌سازد.
- ارزیابی مدل: دقت و عملکرد مدل ارزیابی میشود.
- بهینه‌سازی مدل: مدل برای بهبود عملکرد بهینه‌سازی و اصلاح میشود.
انواع الگوریتم‌های ماشین لرنینگ
الگوریتم‌های ماشین لرنینگ به طور کلی به سه دسته اصلی تقسیم می‌شوند:
- یادگیری با نظارت (Supervised Learning): در این روش، مدل با استفاده از داده‌های برچسب‌دار آموزش می‌بیند و هدف آن پیش‌بینی یا طبقه‌بندی داده‌های جدید است. الگوریتم‌هایی مانند رگرسیون خطی و درخت تصمیم از رایج‌ترین الگوریتم‌های این دسته هستند.
- یادگیری بدون نظارت (Unsupervised Learning): این روش بر روی داده‌های بدون برچسب کار میکند و هدف آن کشف الگوها یا ساختارهای پنهان در داده‌ها است. خوشه‌بندی (Clustering) و کاهش ابعاد (Dimensionality Reduction) از جمله تکنیک‌های اصلی آن هستند.
- یادگیری نیمه‌نظارتی (Semi-Supervised Learning): این روش ترکیبی از داده‌های برچسب‌دار و بدون برچسب را برای آموزش مدل استفاده میکند و به بهبود دقت پیش‌بینی‌ها با استفاده از داده‌های بیشتر کمک میکند. در مسائلی که جمع‌آوری داده‌های برچسب‌دار دشوار است، این روش بسیار مفید است.
هر یک از این روش‌ها بر اساس نوع داده‌های ورودی و نحوه یادگیری مدل‌ها متفاوت هستند.
الگوریتم های یادگیری ماشین
هدف اصلی همه الگوریتم‌های یادگیری ماشین، تعمیم دادن یادگیری‌های ماشین به فراتر از نمونه‌های یاد گرفته شده است؛ این یعنی تفسیر و تعبیر موفقیت آمیز داده‌هایی که یک ماشین آموزش دیده یا جمع آوری کرده است. اگر از سبک یادگیری یا عملکرد الگوریتم ها که سبب پیچیده شدن دسته بندی میشود صرف نظر کنیم، تمام الگوریتم هایی که در یادگیری ماشینی مورد استفاده قرار میگیرند عبارتند از :
- نمایش : مجموعه ای از طبقه بندی کننده ها یا زبانهای قابل درک و فهم برای کامپیوتر
- ارزشیابی : به این الگوریتم ها، الگوریتم عملکرد هدف یا نمره دهی نیز گفته میشود
- بهینه سازی : یعنی روش جستوجو که اغلب طبقه بندی کننده ای با بالاترین امتیاز را شناسایی میکند
کاربرد های یادگیری ماشین
به‌طور کلی، یادگیری ماشین به روش‌ها و الگوریتم‌هایی اطلاق میشود که به کامپیوترها اجازه می‌دهد از داده‌ها یاد بگیرند و بدون نیاز به برنامه‌ریزی صریح، بتوانند الگوها و ارتباطاتی را در داده‌ها شناسایی کنند و پیش‌بینی‌ها و تصمیم‌گیری‌های خودکار را انجام دهند. یادگیری ماشین به طور گسترده در حوزه هوش مصنوعی استفاده میشود و کاربردهای بسیار زیادی دارد که در ادامه به برخی از آنها اشاره خواهیم کرد:
- تشخیص و تصنیف الگوها: یکی از کاربردهای اصلی یادگیری ماشین، تشخیص و تصنیف الگوها است. با استفاده از الگوریتم‌های یادگیری ماشین، می‌توان الگوهای پیچیده‌ای را در داده‌ها شناسایی کرده و آنها را به دسته‌ها و گروه‌های مختلف تقسیم بندی کرد. به عنوان مثال، در تشخیص هوشمند اسپم ایمیل، الگوریتم‌های یادگیری ماشین می‌توانند ایمیل‌های هرزنامه را از ایمیل‌های معمولی تمیز کنند.
- پیش‌بینی و تحلیل: یادگیری ماشین به ما امکان می‌دهد تا با استفاده از داده‌های گذشته، پیش‌بینی‌هایی در مورد رویدادهای آینده انجام دهیم. به طور مثال، در بازارسازی آنلاین، با استفاده از الگوریتم‌های یادگیری ماشین می‌توان الگوهای خریداران را تحلیل کرده و پیش‌بینی‌هایی در مورد رفتار آینده آنها داشت.
- ترجمه ماشینی: یادگیری ماشین در ترجمه ماشینی نقش بسزایی دارد. با استفاده از داده‌های ترجمه شده قبلی، الگوریتم‌های یادگیری ماشین می‌توانند جملات را از یک زبان به زبان دیگر ترجمه کنند. این کاربرد بسیار مفید در ارتباطات بین فرهنگی و همچنین در سفرهای بین‌المللی است.
- خودران: یادگیری ماشین نقش حیاتی در توسعه خودروهای خودران دارد. با استفاده از داده‌های حسگرها و الگوریتم‌های یادگیری ماشین، خودروهای خودران قادرند به تشخیص محیط اطراف، شناسایی علایم راهنمایی، تشخیص و پیش‌بینی رفتار خودروهای دیگر و انجام تصمیم‌گیری‌های لازم برای رانندگی ایمن و بهینه.
- پزشکی و بهداشت: در حوزه پزشکی و بهداشت، یادگیری ماشین میتواند برای تشخیص بیماری‌ها، تحلیل تصاویر پزشکی، توصیه درمان و پیش‌بینی نتایج بیماری‌ها استفاده شود. به عنوان مثال، الگوریتم‌های یادگیری ماشین می‌توانند در تشخیص سرطان از طریق تصاویر پرتودهی مانند تصاویر اسکن CT یا MRI کمک کنند.
- توصیه‌گرها: یادگیری ماشین در سامانه‌های توصیه‌گر نقش مهمی دارد. با تحلیل سابقه کاربران، الگوریتم‌های یادگیری ماشین می‌توانند به کاربران پیشنهادهایی در مورد محتوا، محصولات، خدمات و نیازهای شخصیشان ارائه دهند. به عنوان مثال، سیستم‌های توصیه‌گر در پلتفرم‌های استریمینگ فیلم و موسیقی معمولاً از الگوریتم‌های یادگیری ماشین برای پیشنهاد فیلم‌ها و آهنگ‌ها به کاربران استفاده می‌کنند.
واقعیت این است که این فناوری در حال توسعه و پیشرفت است و همچنان بسیاری از کاربردهای جدید و جذاب در صنایع و زمینه‌های مختلف را در پیش دارد.
ویژگی های کلیدی ماشین لرنینگ
یادگیری ماشین یک حوزه مهم در علم داده‌ها و هوش مصنوعی است و ویژگی‌های کلیدی آن عبارتند از:
- قابلیت یادگیری: یادگیری ماشین قابلیت یادگیری از داده‌ها را دارد. برخلاف برنامه‌های سنتی که به صورت صریح برنامه‌ریزی می‌شوند، الگوریتم‌های یادگیری ماشین قادرند براساس داده‌های ورودی و خروجی‌های مربوطه الگوها و قوانینی را شناسایی کنند و خودکار تصمیم‌گیری کنند.
- تعمیم‌پذیری: یکی از ویژگی‌های مهم یادگیری ماشین، تعمیم‌پذیری است. به این معنی که یک الگوریتم یادگیری ماشین قادر است الگوها و قوانینی که از داده‌های آموزشی یاد گرفته است، را به داده‌های جدید و ناشناخته تعمیم دهد و پیش‌بینی‌هایی را انجام دهد.
- تطبیق‌پذیری: یادگیری ماشین قابلیت تطبیق به محیط و شرایط تغییرکننده را دارد. به این معنی که با تغییر در داده‌های ورودی و شرایط محیطی، الگوریتم‌های یادگیری ماشین قادر به به‌روزرسانی و تطبیق خود با این تغییرات هستند.
- خودکاری: یادگیری ماشین فرآیندی خودکار است که نیاز به برنامه‌ریزی صریح ندارد. با ارائه داده‌های ورودی و خروجی متناظر، الگوریتم‌های یادگیری ماشین قادر به تشخیص الگوها و قوانین خودکار می‌شوند و براساس آنها تصمیم‌گیری می‌کنند.
- قابلیت پیش‌بینی: یادگیری ماشین قادر است براساس داده‌های گذشته، پیش‌بینی‌هایی درباره رویدادهای آینده ارائه دهد. با تحلیل الگوها و روابط موجود در داده‌ها، الگوریتم‌های یادگیری ماشین می‌توانند پیش‌بینی‌هایی را در مورد رفتار و نتایج آینده براساس داده‌های فعلی ارائه دهند.
- قابلیت تفسیرپذیری: برخلاف بعضی از روشهای هوش مصنوعی، یادگیری ماشین قابلیت تفسیرپذیری را دارد. به این معنی که می‌توان دلیل‌ها و قوانینی که توسط الگوریتم‌های یادگیری ماشین استخراج می‌شوند را تفسیر کرد و درک کرد. این ویژگی مهم است زیرا به ما امکان می‌دهد بفهمیم که الگوریتم چگونه تصمیمات خود را اتخاذ کرده و به چه عواملی توجه کرده است.
- قابلیت انعطاف‌پذیری: یادگیری ماشین انعطاف‌پذیری بالایی دارد و میتواند با استفاده از مجموعه‌های متنوعی از الگوریتم‌ها و مدل‌ها، با مسائل مختلفی سازگاری پیدا کند. این انعطاف‌پذیری به ما اجازه می‌دهد تا الگوریتم مناسبی را برای هر مسئله خاص انتخاب کنیم و بهترین عملکرد را بدست آوریم.
- پتانسیل برای ارتقا: یادگیری ماشین به عنوان یک زمینه فعال در تحقیقات علمی است و همواره در حال توسعه و پیشرفت است. الگوریتم‌ها و مدل‌های جدیدی که بر پایه یادگیری ماشین ایجاد می‌شوند، همچنین روشهای بهبود و بهینه‌سازی الگوریتم‌های موجود، باعث افزایش قدرت و کارایی یادگیری ماشین می‌شوند.
در مجموع، یادگیری ماشین با ویژگی‌های کلیدی خود امکانات بسیاری را برای تحلیل داده‌ها، پیش‌بینی رویدادها، تشخیص الگوها و اتخاذ تصمیمات هوشمند فراهم میکند.
تفاوت یادگیری ماشین و هوش مصنوعی
به طور خلاصه، می‌توان تفاوت‌های مهم بین یادگیری ماشین و هوش مصنوعی را به شکل زیر در یک جدول مقایسه کرد:
| یادگیری ماشین | هوش مصنوعی | |
| تعریف | روشی برای یادگیری الگوها و قوانین از داده‌ها و تجربیات گذشته | تلاش برای ایجاد سیستم‌ها و برنامه‌هایی که قادر به تفکر و تصمیم‌گیری هوشمندانه هستند |
| رویکرد | استفاده از الگوریتم‌های آماری و احتمالاتی | استفاده از الگوریتم‌ها و مدل‌های ریاضی و احتمالاتی |
| برنامه‌ریزی | یادگیری بدون نیاز به برنامه‌ریزی صریح | برنامه‌ریزی صریح برای تصمیم‌گیری و حل مسئله |
| استفاده | حل مسائل پیچیده و پیش‌بینی با استفاده از داده‌ها | ایجاد سیستم‌ها و برنامه‌هایی با توانایی تصمیم‌گیری و حل مسئله هوشمندانه |
| روش‌ها | شبکه‌های عصبی، درخت تصمیم، ماشین بردار پشتیبان و … | منطق، تئوری احتمال، پردازش زبان طبیعی، شبکه‌های عصبی و … |
| مثال‌ها | تشخیص چهره، ترجمه ماشینی، پیش‌بینی قیمت سهام و … | بازیابی اطلاعات، پردازش زبان طبیعی پیشرفته، خودروهای هوشمند و … |
آیا بین ماشین لرنینگ و هوش مصنوعی ارتباطی است؟
تفاوت اصلی بین هوش مصنوعی و یادگیری ماشین در روش و رویکرد آنها است. هوش مصنوعی به دنبال ایجاد سیستم‌ها و برنامه‌هایی است که قادر به تفکر و تصمیم‌گیری هوشمندانه هستند، در حالی که یادگیری ماشین بیشتر به توانایی ماشین‌ها برای یادگیری الگوها و قوانین از داده‌ها تمرکز دارد.
هر دو مفهوم مهمی در توسعه هوش مصنوعی و تکنولوژی‌های مرتبط با آن دارند. یادگیری ماشین یکی از روشهای اصلی در حوزه هوش مصنوعی است و برای حل مسائل پیچیده و پیش‌بینی‌های دقیق با استفاده از داده‌های بزرگ و متنوع بسیار مورد استفاده قرار می‌گیرد.
به طور خلاصه، هوش مصنوعی مفهومی گسترده‌تر است که به هدف ایجاد سیستم‌ها و برنامه‌هایی با هوش و تصمیم‌گیری مشابه انسان می‌پردازد، در حالی که یادگیری ماشین تمرکز خود را بر روی توانایی ماشین‌ها برای یادگیری الگوها و قوانین از داده‌ها و تجربیات گذشته می‌گذارد. هر دوی این مفاهیم در پیشرفت صنعت و پژوهش‌های هوش مصنوعی نقش مهمی ایفا می‌کنند و باعث تحولات بزرگی در زمینه‌های مختلف از جمله پزشکی، خودروی هوشمند، تجارت الکترونیک و سیستم‌های خانگی شده‌اند.
بازار کار ماشین لرنینگ
بازار کار ماشین لرنینگ (Machine Learning) در سال‌های اخیر به سرعت گسترش یافته و به یکی از پرتقاضاترین زمینه‌ها در حوزه تکنولوژی تبدیل شده است. رشد سریع فناوری‌های مرتبط با حوزه داده، مانند داده‌های بزرگ (Big Data)، اینترنت اشیا (IoT) و هوش مصنوعی، به شدت نیاز به متخصصان ماشین لرنینگ را افزایش داده است. صنایع مختلف از جمله بانکداری، بهداشت و درمان، خودرو، تجارت الکترونیک و فناوری‌های مالی (فین‌تک) از این فناوری بهره می‌برند تا تصمیم‌گیری‌های هوشمندانه‌تری داشته باشند و کارایی سیستم‌ها را بهبود بخشند. شرکت‌های بزرگ فناوری مانند گوگل، مایکروسافت، آمازون و فیس‌بوک از ماشین لرنینگ برای بهبود خدمات خود و افزایش کارایی استفاده می‌کنند. همچنین استارتاپ‌ها و کسب‌وکارهای کوچک نیز به دنبال به‌کارگیری ماشین لرنینگ برای تحلیل داده‌ها و پیش‌بینی روندهای آینده هستند.
آینده یادگیری ماشین چگونه خواهد بود؟
آینده یادگیری ماشین بسیار جذاب و هیجان‌انگیز است و با پیشرفت تکنولوژی و تحقیقات در حوزه هوش مصنوعی، انتظار می‌رود که این حوزه رشد و توسعه بیشتری داشته باشد. در زیر، چندین جنبه از آینده یادگیری ماشین را بررسی خواهیم کرد:
- رشد ابزارها و فناوری‌ها: با پیشرفت تکنولوژی و رشد هوش مصنوعی، ابزارها و فناوری‌های مرتبط با یادگیری ماشین نیز پیشرفت خواهند کرد. الگوریتم‌های یادگیری پیچیده‌تر و قدرتمندتری به کار گرفته خواهند شد و ابزارهایی با قابلیت تحلیل و پردازش داده‌های بزرگتر و پیچیده‌تر توسعه خواهند یافت.
- بزرگتر شدن داده‌ها: با رشد اینترنت اشیا و استفاده هرچه بیشتر از دستگاه‌های متصل، حجم داده‌های موجود در دسترس نیز رشد خواهد کرد. این حجم بزرگ از داده‌ها به ماشین‌ها این امکان را می‌دهد که الگوها و قوانین پیچیده‌تری را درک کنند و عملکردهای بهتری را ارائه دهند.
- یادگیری عمیق و شبکه‌های عصبی: روشهای یادگیری عمیق و استفاده از شبکه‌های عصبی عمیق (Deep Neural Networks) در حال حاضر در حوزه یادگیری ماشین مورد استفاده قرار میگیرند و به دلیل قدرت و کارآیی بالای خود، انتظار می‌رود در آینده بیشتر به آنها توجه شود. شبکه‌های عصبی عمیق قادر به استخراج ویژگی‌های پیچیده‌تر از داده‌ها هستند و می‌توانند در بسیاری از حوزه‌های کاربردی مانند تشخیص تصاویر و پردازش زبان طبیعی بهبود قابل توجهی داشته باشند.
- یادگیری تقویتی: یادگیری تقویتی (Reinforcement Learning) یک حوزه مهم در یادگیری ماشین است که مربوط به یادگیری از طریق تعامل با محیط است. انتظار می‌رود که در آینده این حوزه نیز پیشرفت‌های چشمگیری داشته باشد و بتواند برای حل مسائل پیچیده‌ترانتظار می‌رود که در آینده یادگیری ماشین به دلیل پیشرفت فناوری و تحقیقات در حوزه هوش مصنوعی، رشد و توسعه بیشتری داشته باشد.
- یادگیری تفهیم عمیق: این قابلیت به ماشین‌ها اجازه می‌دهد تا اطلاعات را در سطوح بالاتری از فهم و تفسیر درک کنند. با استفاده از شبکه‌های عصبی عمیق و الگوریتم‌های پیچیده‌تر، ماشین‌ها قادر به تشخیص الگوهای پیچیده‌تر و تعاملات پیچیده‌تر با محیط خواهند بود.
- یادگیری تقویتی پیشرفته: در یادگیری تقویتی، ماشین‌ها با تعامل با محیط و دریافت پاداش‌ها و تنبیه‌ها، یاد میگیرند که چگونه عمل کنند. در آینده، انتظار می‌رود الگوریتم‌های یادگیری تقویتی پیشرفته‌تری توسعه یابند که به ماشین‌ها امکان انجام وظایف پیچیده‌تر و بهبود کارایی آنها را بدهند.
- ترکیب یادگیری ماشین با هوش انسانی: همکاری و تعامل بین ماشین‌ها و انسان‌ها احتمالاً در آینده بیشتر خواهد شد. این امر میتواند باعث ایجاد سیستم‌های هوشمندی شود که از ترکیب قدرت یادگیری ماشین و هوش انسانی برخوردارند و برای حل مسائل پیچیده و چالش‌برانگیز از همکاری بین انسان و ماشین استفاده می‌کنند.
- یادگیری از داده‌های کمتر: در حال حاضر، برای آموزش مدل‌های یادگیری ماشین نیاز به حجم بزرگی از داده‌ها است. با پیشرفت در الگوریتم‌های یادگیری و تکنیک‌های نوین، ممکن است بتوان مدل‌ها را با داده‌های کمتر آموزش داد و به نتایج قابل قبولی دست یافت.
شما می توانید در راستای بهبود کیفیت دوره یادگیری ماشین با پایتون، نظرات، پیشنهادات و انتقادات خود را با ما در قسمت نظرات سایت در میان بگذارید.
Alisan
آیا در این دوره به مشکل یا سوالی برخوردیم چه کنیم
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
از اینکه به جمع ما پیوستین بسیار خرسندم.
هرجا سوالی داشتین در بخش پرسش و پاسخ مطرح بفرمایید معمولا تا یک روز بعد پاسخ میدم.
با تشکر از اینکه همراه ما هستین
Alisan
با سلام و خسته نباشید استاد من 14 سالم هست و تقریبا بیس پایتون رو کامل یاد گرفتم و میخواستم بدونم میتونم از دورهی مستر کدرو بعدش از این دو ره بهره ببرم یعنی این دوره ها محدودیت سنی چی دارن
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
از اینکه با علاقه پیگیر مطالب هستین بسیار خوشحالم،
در پاسخ به سوال شما عرض کنم، دوره ها محدودیت سنی ندارن ولی شاید بعضی مطالب نیاز به پایه ریاضی داشته باشن که شما هنوز مطالعه نکردین ولی دوره به نحوی طراحی شده که با یادگیری مفاهیم هم می تونین مدل های یادگیری ماشین رو استفاده کنین.
با تشکر از اینکه همراه ما هستین.
ali1051993 دانشجوی دوره
درود به استاد نوری عزیز ممنون از زحمات و تدریس عالیتون
تشکر از اپدیت جدید
من بعید میدونم هیچ جایی تدریس با این کیفیت یافت بشه
بهترین قسمت دوره تمرینات عملی و پروژهای تعریف شدس که عملا چیزایی که میبینین اونجا تثبیت میشه
دکتر بابک نوری مقدم مدرس دوره
با دورد خدمت شما دوست عزیز و گرانقدر
از ابراز لطف شما کمال تشکر را دارم، و از اینکه توانستیم به نیازهای شما پاسخ بدیم بسیار خرسندم. انشاالله در دوره یادگیری عمیق هم که به زودی منتشر خواهد شد، شما رو کنار خودمون داشته باشیم.
با تشکر از اینکه همراه ما هستین.
احسان مهانیان
تدریس خوب است ولی متاسفانه دوره نسبت به مپی که در ابتدا ارائه شده خیلی ناقص است.
علیرضا احمدی
سلام و احترام. وقتتون بخیر. دوره همچنان در حال ضبط هست و به زودی موارد جدید رو اضافه کرده و دوره به همون مطالبی که قولش رو داده بودیم مجهز میشه. نگران نباشید.
z.228hatamian دانشجوی دوره
سلام و عرض ادب
جا داره تشکر ویژه ای داشتم باشم از جناب آقای دکتر نوری مقدم بخاطر زحمات ایشان و اینکه تمام مطالب را با ساده ترین زبان ممکن انتقال میدهند
من ارشد بیوتکنولوژی هستم و هیچ زمینه ای در کامپیوتر نداشتم اما آنقدر ایشان روان و ساده مطالب را انتقال میدهند که بنده هم دوره مسترکُدر پایتون ایشان را بخوبی فرا گرفتم و مسلط شده ام و هم این دوره را بخوبی هر چه تمام مطالب را فرا گرفتم
و از نظر من این دوره برای تمامی افراد حتی با هیچ زمینه و پیش نیاز قبلی بی نظیر و فوق العاده هست
امیدوارم که همیشه موفق و سربلند باشید
و بتوانم از دوره های بعدی شما نیز نهایت استفاده را ببرم
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
با تشکر از نظر لطف شما، خوشحالم که تونستم کمکی در مسیر پیشرفت شما داشته باشم.
با تشکر از اینکه همراه ما هستین.
abol_ham
سلام
ببخشید آیا دوره به اتمام رسیده ؟
و اینکه در ادامه دوره دیگر هوش مصنوعی در سایر زمینه ها منتشر می شود؟
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
چند فصل پایانی دوره تا اواسط مهرماه منتشر خواهد شد،
بله دوره هوش مصنوعی بر محور یادگیری عمیق و شبکه عصبی مصنوعی هم بعد از اتمام این دوره ، شروع به ضبط خواهیم کرد.
با تشکر از اینکه همراه ما هستین.
z.228hatamian دانشجوی دوره
با سلام و درود
ممنون از ارسال لینک دعوت GitHub .آموزش ها فوق العاده است با تشکر از زحمات فراوان شما استاد ارجمند
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست گرانقدر
نظر لطف شما هست، امیدوارم در این دوره بتوانیم به شما کمک موثری در راه رسیدن به اهدافتون داشته باشیم. هر سوال و نکته ای که بنظرتون رسید در بخش پرسش و پاسخ مطرح بفرمایید تا در اسرع وقت پاسخ بدم.
با تشکر از اینکه همراه ما هستین.
ali1051993 دانشجوی دوره
برای کسانی که به تاثیر دوره های اموزشی مثل من شک دارند میگم که دوره پویا و منظم هست. تدریس استاد خسته کننده و گیج کننده نیست کاملا مسلط به موضوع؛ کاربردی و عملی هست منظور از کاربردی اینکه تئوری و ریاضی های خیلی عمیق و پایه تقریبا ساده تر توضیح داده میشه و رد میشن برای افرادی که تئوری چیزهایی خوندن اما نرمافزار بلد نیستن یا پروژه تمرینی کار نکردن بنظرم کاملا مناسب هست
در اخر ممنون از استاد نوری مقدم
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
از نظرات شما کمال تشکر رو دارم و حتما سعی در ارتقا دوره خواهم داشت، از اینکه توانستیم کمکی هرچند کوچک به شما در مسیر رسیدن به موفقیت و اهدافتان داشته باشیم بسیار خرسندم. امیدوارم شما را در سایر دوره ها کنار خودمان داشته یاشیم.
با تشکر از اینکه همراه ما هستین
مهدی افسربیگی
سلام و عرض ادب ، بهترین دوره ای هست که به وادی هوش مصنوعی وارد میکنه که توسط یک استادی که بسیار تسلط کافی به مباحث دارم و اگه سوالی و مشکلی داشته باشید پاسخگوی شما با صبر و حوصله هست ، ممنونم از دکتر نوری مقدم و سایت دانشجویار بابت این دوره
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
از اینکه توانستیم کمکی هرچند کوچک به شما در مسیر رسیدن به موفقیت و اهدافتان داشته باشیم بسیار خرسندم. امیدوارم شما را در سایر دوره ها کنار خودمان داشته یاشیم.
با تشکر از اینکه همراه ما هستین
dezhamkhah
با سلام استاد جان برای شروع دوره من پایتون رو یاد گرفتم مباحث ریاضی در چه حد باید بلد باشیم ؟؟
دکتر بابک نوری مقدم مدرس دوره
با دورد خدمت شما دوست عزیز و گرانقدر
نیازی به پیش یادگیری نیست در طول دوره سعی کردم تمام مطالب ریاضی رو به زبان ساده توضیح بدم و اگه موردی بود از اونجا می تونین مطالعه تون رو ادامه بدین.
با تشکر از اینکه همراه ما هستین
امیر محمد خسرومنش دانشجوی دوره
با درود
دوره تمام شده است؟
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
به زودی فصول آخر دوره هم اضافه میشه انشاالله
با تشکر از اینکه همراه ما هستین
امیر محمد خسرومنش دانشجوی دوره
حدودا کی دوره تکمیل می شود؟
دکتر بابک نوری مقدم مدرس دوره
انشاالله که بد قول نشم تا دو الی سه هفته دیگه. شما در حال حاضر به انتهای مطالب بارگذاری شده رسیدین؟
علیرضا احمدی
قربون شما 🌹
khashayar8899 دانشجوی دوره
درود و وقت بخیر استاد . من میخواهم وارد حوزه power bi بشم آیا لازمه تمام مباحث ماشین لرنینگ رو مسلط بشم ؟
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
اگه بلد باشین چند برابر اثر بخش تر خواهد بود و سریعتر رو مفاهیم و کارهایی که انجام میدین مسلط می شین.
با تشکر از اینکه همراه ما هستین.
khashayar8899 دانشجوی دوره
درود و وقت بخیر. استاد همچنان خدا قوت عرض میکنم بابت این دوره بسیار جامع. جسارتا یک سوال داشتم شما در یکی از ویدیو ها فرمودید دوره بعدی مد نظرتون دوره Power BI خواهد بود ؟
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
خواهش می کنم، در برنامه قرار داره، احتمالا اول دوره یادگیری عمیق و بعد دوره power bi رو خواهیم داشت.
با تشکر از اینکه مشتاقانه همراه ما هستین.
mehdifarhoode دانشجوی دوره
سلام استاد خسته نباشید. دوره به پایان رسیده؟
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
نه، در حال تکمیل دوره هستیم، چند فصل دیگه هم تا اخر خرداد بارگذاری خواهد شد.
با تشکر از اینکه همراه ما هستین
amirhaghighi دانشجوی دوره
دست مریزاد عالی
mohammadparwa4
سلام استاد وقتتون بخیذ خسته نباشید ببخشید چه زمانی ادامه مباحث دوره پیش میره؟؟؟
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
نهایتا تا دو روز آینده آپدیت جدید و جامع دوره انجام خواهد شد، مطالب ضبط شدن و کمی از کارهای ادیت و ویرایش نهایی مونده.
از صبر و شکیبایی شما کمال تشکر را داریم.
worker0041
سلام استاد خوبید؟
استاد دوره جامع هوش مصنوعی و سیستم های خبره برای پیش نیاز لازم هست؟ از کجا این دروه را پیدا کنم؟
سپاس
علیرضا احمدی
سلام و احترام. پیش نیاز این دوره، دوره مسترکدر پایتون هست و تمام. نگران چیزی نباشید و شروع کنید.
Amir hosein rahmany دانشجوی دوره
با سلام خدمت شما میخواستم بدونم ادامه دوره چه زمانی ارایه میشه
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
تا ده روز آینده مثل آپیدیت بعد از عید یک اپدیت بزرگ به دوره اضافه خواهد شد، سعی بر این هست که نهایتا یک الی دو ماه ضبط دوره به اتمام برسه. دلیل طولانی شدن هم، همانطور که تا الان مشاهده کردین ارائه بهترین کیفیت و مطالب بصورت بنیادین و کامل هست.
با تشکر اینکه همراه ما هستین.
parsaparva دانشجوی دوره
خسته نباشید استاد عزیز به شخصه از دلسوزی و نکته سنجی حضرت عالی در ارایه مطالب کمال تشکر را درم
دکتر بابک نوری مقدم مدرس دوره
از نظر لطف شما کمال تشکر و قدردانی را دارم، انشاالله با دوره های یادگیری ماشین و هوش مصنوعی به موقعیت شغلی دلخواهتون برسین.
khashayar8899 دانشجوی دوره
درود استاد خدا قوت . جسارتا یک سوال داشتم. من خیلی علاقه مندم ساخت یک ربات ترید رو یاد بگیرم . رباتی که بتونه سیگنال بده . میخوام بدونم با استفاده از ماشین لرنینگ و پایتون میشه یا نه ؟ و اینکه آیا کار بسیار سختیه ؟
دکتر بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
برای ساخت بات ترید باید ابتدا مفاهیم یادگیری ماشین رو مسلط بشین و بعد با ابزارهای مناسب پیاده سازی کنین. کار سختی نیست و کدهای بعضی از این ربات ها در بصورت متن باز موجود هستش. مسئله اصلی علاقه شماست که آیا می خوایین فقط یه ربات بسازین یا کلا وارد زمینه هوش مصنوعی بشین؟ اگه گزینه دوم پاسخ شماست، ما در این دوره در خدمت شما هستیم.
با تشکر از اینکه همراه ما هستین
کاربر
سلام، وقت بخیر . برای مهندسی مکانیک ، این دوره قابل استفاده هست که دیدگاه کلی بده یا به طور خاص برای علوم کامپیوتر ارائه شده و برای این رشته هست؟
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
همانگونه که مستحضر هستید، یادگیری ماشین بر پایه و اساسی ریاضی و علم و امار هستش، با توجه به تسلطی که فکر می کنم شما به عنوان مهندس مکانیک در ریاضی داشته باشین، این دوره می تونه برای شما مفید باشه. البته مطالب ریاضی هم سعی شده که بصورت ساده انتقال داده بشن.
من پیشنهاد می کنم در صورت تمایل به شرکت در این دوره، در صورتیکه با پایتون آشنا نیستین، دوره مسترکدر پایتون ما رو هم تهیه بفرمایید.
خوشحال میشیم که شما رو در این دوره کنار خودمون داشته باشیم و به جمع دوستانمون اضافه بشین.
با تشکر از اینکه همراه ما هستین
dezhamkhah
سلام استاد جان دوره وقتی تمام فصل ها تکمیل بشه چند ساعت میشه ؟؟
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
طبق پیش بینی های من، انشاالله بالای 80 ساعت خواهد شد. در ویدیو معرفی دوره و مسیر راه، کامل توضیح دادم.
با تشکر از اینکه همراه ما هستین
mohammadgholamitoseh
سلام استاد خسته نباشید , من پایتون در زمینه وب میخوام یاد بگیرم . این اموزش به کارم میاد؟یا همون مسترکدر که خرید کردم کفایت میکنه برای مسلط شدن به پایتون
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز و گرانقدر
بنظرم دوره مستر کدر پایتون کافی هست و بعد از اتمام اون دوره می تونین فریم ورک هایی مثل جنگو، فلسک و … شروع کنین.
با تشکر از اینکه همراه ما هستین
parsaparva
سلام و عرض ادب خدمت استاد گرامی
بنده ویدیو معرفی شما رو دیدم و تصمیم به تهیه دوره گرفتم انشالله که تجربه خوبی نصیب اینجانب بشه
جسارتا حدودا چه زمانی دوره کامل میشه؟؟؟
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
از اینکه به جمع دوستان ما اضافه شدین بسیار خرسندم.
تمام تلاشم این هست که به فضل الهی در فرودین یا نهایتا اواسط اردیبهشت دوره به اتمام برسونم.
با تشکر از اینکه همراه ما هستین.
کاربر
سلام و عرض ادب، پایتونی که در دوره آموزش داده شده کافی هست یا باید دوره پایتون دیگه ای رو ثبت نام کرد؟
بابک نوری مقدم مدرس دوره
با دورد خدمت شما دوست عزیز
با توجه به گستردگی مباحث پایتون، که در دوره مسترکدر پایتون حدود 45 ساعت تدریس شده، امکان پوشش مباحث پایتون بصورت جامع وجود نداشت، از این رو ، در صورتیکه بصورت جدی و حرفه ای می خواهید وارد زمینه یادگیری ماشین و علم داده بشین، توصیه می کنم دوره مسترکدر پایتون بنده رو هم تهیه بفرمایید، یا پکیح جامع یادگیری ماشین رو در تخفیفات 80% عیدانه تهیه کنین که شامل دوره پایتون بنده نیز هست.
با تشکر از اینکه همراه ما هستین
firouzjahimasumeh
سلام، من آلمان هستم و خیلی علاقه دارم در زمینه علم داده فعالیت کنم. آیا این دوره و دوره پایتون شما برای من که آلمان هستم مفید و کاربردی هست و با یادگیری این دو دوره میتونم وارد بازار کاری برنامه نویسی آلمان شوم یا نه؟ البته در ریاضی و آمار مشکلی ندارم و آشنایی محدودی هم با R و Matlab دارم.
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
مسیری که انتخاب فرمودین یکی از بهترین مسیرهای کاری هست، در پاسخ به سوالتون، در صورتیکه به صورت جدی زمان بذارین و همه تمرینات و پروژه ها رو انجام بدین ، حتما به سطح متوسط به بالای در برنامه نویسی و علم داده خواهید رسید و با توجه به پس زمینه خوب برنامه نویسی و آماری بنظرم سریع می تونین به جواب برسین. انشاالله به زودی ضبط دوره یادگیری ماشین نیز تمام میشه و پیگیری کامل دوره می تونین به راحتی وارد بازار کار گسترده این زمینه بشین.
از اینکه دوستانی همچون شما با پلتفرم دانشجویار ارتباط دارن بسی خرسند هستم.
اگر سوال دیگری بود بفرمایید.
با تشکر از اینکه همراه ما هستین.
Fatemeh
میخواستم ببینم در این دوره ما data modeling,data mining,data warehousing رو یاد میگیریم؟ممنون
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
داده کاوی همان نام قدیم علم داده هست، که در این دوره بصورت تخصصی و کامل تدریس خواهد شد. سرفصل کامل در ویدیویی معرفی دوره بصورت رایگان در دسترس شما دوستان گرانقدر قرار دارد. دوره قرار هست بیش از 90 ساعت باشد و تمام مباحث یادگیری ماشین، مصور سازی داده، تحلیل و … پوشش داده خواهد شد. انشاالله به زودی ضبط دوره به اتمام خواهد رسید.
مبحث دیتا ورهاس خارج موضوعات دوره هست، بهش نمی پردازیم.
بازم موردی بود بفرمایید تا راهنمایی کنم.
با تشکر از اینکه همراه ما هستین
Fatemeh
سلام وقت بخیر .استاد دوره کی تکمیل میشه؟
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
بله در حال ضبط فصل های جدید هستیم، انشاالله به زودی ادامه دوره هم منتشر خواهد شد.
با تشکر از اینکه همراه ما هستین
mehdifarhoode
استاد برای این دوره لازمه از قبل پایتون بلد باشیم ؟
فاطمه رادبوی
سلام استاد .بحث data processing در کدام فصل مطرح میشود(داده های کثیف و پاکسازی داده ها).؟ممنون
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
در حال ضبط هست و به زودی منتشر می کنیم.
با تشکر از اینکه همراه ما هستین.
بابک نوری مقدم مدرس دوره
با دورد خدمت شما دوست عزیز
ما در دوره به صورت خلاصه در مورد مبانی پایتون صحبت کردیم ولی اگر می خواهید این زمینه کاری رو جدی ادامه بدین، توصیه می کنم حتما پایتون رو مسلط بشین و بصورت کاملا حرفه ای اموزش ببینین.
دوره مستر کدر پایتون ما هم در دانشجویار موجود هست می تونین یه سر بهش بزنین.
با تشکر از اینکه همراه ما هستین
mehdifarhoode
استاد پردآمدترین حوزه هوش مصنوعی چیه ؟
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
در حال حاضر زمینه مهندس یادگیری ماشین، و بعد از اون زمینه علم داده عناوین شغلی پردرامد هستن. البته در فصول اول دوره بصورت کامل مسیر شغلی، نیازمندی ها و … رو بیان کردم.
با تشکر از اینکه همراه ما هستین
mehdifarhoode
سلام و درود و خسته نباشید
ببخشید استاد من احتمالا میخوام این دوره رو تهیه کنم و الان برام سوال شده این دوره حدودا چند ساعت میشه ؟ و ایا توی بازار کار میتونیم باهاش موفق بشیم ؟ و آیا اگر این دوره رو یاد بگیریم ممکنه بتونیم توی طراحی سایت ازش استفاده کنیم؟ یعنی مثلا با یک طراح سایت همکاری داشته باشیم و یک پروژه هوش مصنوعی توی سایت داشته باشیم ؟
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
دوره براساس برنامه ریزی اولیه حداقل 80 ساعت خواهد بود، که با توجه به مطالب ضبط شده، بنظرم میرسه که بالای 100 خواهیم رفت. در ویدیوی معرفی دوره هم سرفصل های که پوشش خواهیم داد رو توضیح دادم و انشاالله با ضبط کامل سرفصل ها، به جامع ترین دوره کاربردی فارسی یادگیری ماشین و علم داده میرسیم.
در حال حاضر میشه گفت پرطرفدارترین زمینه کاری با درامد بالا در رشته IT همین بحث یادگیری ماشین و علم داده هست، می تونین برای صحت سنجی با اعلام نیازهای کاری در گلسدور و لینکدین مراجعه کنین.
در مورد سوال اخر هم بله، در نهایت مدل هوش مصنوعی ساخته شده باید به یک اپلیکیشن متصل بشه.
بازم موردی بود بفرمایید.
با تشکر از اینکه همراه ما هستین
arash.taghavi69
سلام وقت بخیر، ایا در انتهای اموزش میتونیم شاهد یه خروجی کوچیک از هوش مصنوعی باشیم؟ مثلا یک برنامه نوشته باشیم که توش یادگیری ماشین رو ببینیم؟ اگر اره ممنون میشم یه توضیحی بدین
بابک نوری مقدم مدرس دوره
با درود خدمت شما دوست عزیز
بله حتما، علاوه بر اینکه در هر فصل ما پروژه های کوچیک داریم و عملی جلو میریم، هر چند فصل یکبار هم یک پروژه زیر بنایی داریم و در چند فصل اخر دوره هم پروژه های دنیای واقعی خواهیم داشت.
با تشکر از اینکه همراه ما هستین
arash.taghavi69
ممنونم. من توی سر فصل ها ندیدم این رو ولی خب میفرمایید که اینطور هست پس اوکیه و دوره رو تهیه میکنم
بابک نوری مقدم مدرس دوره
چرا در نقشه مسیر یادگیری توضیح دادم. نگران نباشین. ما رو قول قرارمون هسیتم
Behzad Ebrahimi
سلام
من تخصصم برنامه نویسی نیست و تخصص من زیرساخت شبکه و امنیت هست لیکن نیازمند نوشتن کدهای امنیتی و تحلیل رفتار های امنیتی شبکه توسط ماشین لرنینگ هستم آیا این دوره میتونه برای بنده مفید باشه ؟
چوخ ساغولاسیز
بابک نوری مقدم مدرس دوره
با دورد خدمت شما دوست عزیز
بله الان بسیار از بحث های تشخیص نفوذ از طریق الگوریتم ها و مدل های یادگیری ماشین انجام میشه، که تماما در این دوره بهشون خواهیم پرداخت.
با تشکر از اینکه همراه ما هستین
fatemeh.shirzad.36
سلام ما این دوره رو تهیه کنیم ایا بقیه تدریس فصول رو خودتون برای ما میفرستین؟؟؟
علیرضا احمدی
سلام و درود. به صورت خودکار برای شما بروز میشه. نگران نباشید.
khashayar8899
با درود و آرزوی سلامتی و موفقیت
استاد جسارتا شما برنامه ای برای دوره دیتا ساینس هم دارید ؟ و اینکه این دوره مارو تا حد جونیور میرسونه ؟
بابک نوری مقدم مدرس دوره
با دورد خدمت شما دوست عزیز و گرانقدر
بله دوره یادگیری ماشین و علم داده ما الان در حال ضبط و تکمیلش هستیم، انشاالله تا 2 الی دو و نیم ماه تکمیل میشه که حداقل 90 ساعت آموزش کامل هستش و از صفر تا صد یادگیری ماشین رو اموزش میدیم. اگر فصل های اول دوره حاضر رو مشاهده کنین، می بینین که منظور از دیتاساینس چی هست و انتظارات از یک دانشمند داده چه خواهد بود و دوره چه چیزی تحویل خواهد داد. بنظرم اگر دوره رو کامل کنیم و شرکت کنندگان گرامی کامل پیگیری کنن از نظر فنی تا سطحی بالاتر از متوسط میرسن، بحث سابقه کاری رو هم با انجام پروژه های متعدد جبران می کنیم. انشاالله با صبر و حوصله شما دوستان، بتونم با حداقل استرس دوره رو تکمیل و تقدیم کنم.
با تشکر از اینکه همراه ما هستین
khashayar8899 دانشجوی دوره
با درود و وقت بخیر. استاد من دوره رو شروع کردم و طبق معمول واقعا راضیم در حین آموزش هم از اسلاید های خیلی خوبی استفاده میکنید و توضیحات مفصل میدید که عالیه . لطفا در کمال آرامش پیش برید.
بابک نوری مقدم مدرس دوره
با درود و وقت بخیر خدمت شما دوست عزیز
ممنون از بابت دیدگاه و نظراتتون، انشاالله بتونم با کیفیت مورد انتظار شما دوره رو به اتمام برسونم.
با تشکر از اینکه همراه ما هستین.
سالار
عالییییییی
مرسی از دانشجویار