AI, Machine Learning & PHYTON For DATA Science

هوش مصنوعی، یادگیری ماشین و پایتون در علوم داده

هوش مصنوعی (Artificial intelligence) در چند سال اخیر جزء پرطرفدارترین و جذاب‌ترین رشته‌های تحصیلی بوده و زمینه‌های شغلی بسیار زیادی برای آن به وجود آمده است. در دوره های آموزشی هوش مصنوعی، شما با مباحث ریاضیاتی، فرمول‌نویسی، الگوریتم، مسائل آماری و … مواجه می‌شوید و نیاز است به مباحث یادگیری ماشین (Machine Learning) و زبان برنامه‌نویسی PHYTON نیز تسلط کافی را داشته باشید.هوش مصنوعی مقدمه ای برای علم مدیریت داده DATA Science است.

بادگیری ماشین (Machine Learning) شاخه ای از هوش مصنوعی (Artificial intelligence) است که به کامپیوترها و سایر سیستم‌ها قابلیت یادگیری و تفکر را می‌دهد. به عبارت دیگر کامپیوتر با استفاده از تجربیات قبلی خود و با تعامل با سایر سیستم‌ها و ارتباط با شبکه اقدام به انجام کارهای روزمره‌ی ما می‌کند.

برای یادگیری مباحث Machine Learning و AI نیاز است به یک زبان برنامه نویسی سطح بالا دسترسی داشت. حتما اسم زبان برنامه نویسی پایتون  (Python) را بسیار شنیده‌اید. زبان پایتون، یک زبان برنامه نویسی متن‌باز و اسکریپتی است که توان توسعه‌ی هر نوع برنامه‌ای،‌ اعم از نرم‌افزارهای کامپیوتری، اپلیکیشن‌های تلفن‌همراه، برنامه‌های تحت وب و … را دارد. به همین دلیل این زبان به یکی از محبوب‌ترین زبان‌های برنامه‌نویسی در جهان تبدیل شده و باعث شده تا در مفاهیم مربوط به یادگیری ماشین و هوش مصنوعی و علم داده (DATA Science) نیز بسیار پرکاربرد ظاهر شود.

مقدمه

هوش مصنوعی (Artificial intelligence) در چند سال اخیر جزء پرطرفدارترین و جذاب‌ترین رشته‌های تحصیلی بوده و زمینه‌های شغلی بسیار زیادی برای آن به وجود آمده است. در دوره های آموزشی هوش مصنوعی، شما با مباحث ریاضیاتی، فرمول‌نویسی، الگوریتم، مسائل آماری و … مواجه می‌شوید و نیاز است به مباحث یادگیری ماشین (Machine Learning) و زبان برنامه‌نویسی PHYTON نیز تسلط کافی را داشته باشید.هوش مصنوعی مقدمه ای برای علم مدیریت داده DATA Science است.

بادگیری ماشین (Machine Learning) شاخه ای از هوش مصنوعی (Artificial intelligence) است که به کامپیوترها و سایر سیستم‌ها قابلیت یادگیری و تفکر را می‌دهد. به عبارت دیگر کامپیوتر با استفاده از تجربیات قبلی خود و با تعامل با سایر سیستم‌ها و ارتباط با شبکه اقدام به انجام کارهای روزمره‌ی ما می‌کند.

برای یادگیری مباحث Machine Learning و AI نیاز است به یک زبان برنامه نویسی سطح بالا دسترسی داشت. حتما اسم زبان برنامه نویسی پایتون  (Python) را بسیار شنیده‌اید. زبان پایتون، یک زبان برنامه نویسی متن‌باز و اسکریپتی است که توان توسعه‌ی هر نوع برنامه‌ای،‌ اعم از نرم‌افزارهای کامپیوتری، اپلیکیشن‌های تلفن‌همراه، برنامه‌های تحت وب و … را دارد. به همین دلیل این زبان به یکی از محبوب‌ترین زبان‌های برنامه‌نویسی در جهان تبدیل شده و باعث شده تا در مفاهیم مربوط به یادگیری ماشین و هوش مصنوعی و علم داده (DATA Science) نیز بسیار پرکاربرد ظاهر شود.

  • آشنایی با مفاهیم اولیه DATA Science
  • آشنایی با مفاهیم AI
  • آشنایی با مفاهیم Machine Learning
  • اشنایی با مفاهیم زبان برنامه نویسی PHYTON

پیش نیاز ضروری برای این دوره وجود ندارد

  • مدیران فناوری اطلاعات
  • مدیران داده کاوی
  • برنامه نویسان و توسعه دهندگان
  • علاقه مندان به علم مدیریت داده
  • مدیران تحقیق و توسعه
  • مفاهیم، ایده و ساختار با رویکرد DATA Science
  • اهمیت تحلیل اکتشافی
  • مستند سازی تحلیل
  • ساختار تحلیل داده
  • تحلیل داده نظا م مند
  • DATA Wrangling
  • Discovering
  • Structuring
  • Cleaning
  • Enriching
  • Validating
  • Publishing
  • تحلیل توصیفی داده ها بر اساس نوع داده و شناسایی ارتباطات دو و چند متغیره
  • تحلیل داده اسمی
  • تحلیل داده کمی
  • خلاصه سازی داده ها
  • شناسایی ارتباطات دو و چند متغیره
  • ساخت متفیر جدید
  • آزمون فرض و A/B TEST
  • تعریف فرض صفر
  • تعریف فرض جایگزین
  • مقدار بحرانی
  • تصمیم گیری و تفسیر نتیجه
  • ارائه نتایج
  • Data Storytelling
  • Resonate
  • تحلیل داده بر مبنای شواهد و اعتبار سنجی تحلیل داده
  • روشه های EDA و راهکارهای پاسخگویی به آن ها
  • تکرار پذیری
  • تعمیم پذیری
  • مقدمه درباره ی داده کاوی با پایتون
  • بررسی ویژگی های زبان پایتون
  • بررسی امکانات و دلایل محبوبیت گسترده زبان برنامه نویسی پایتون
  • آشنایی عمومی با کتابخانه های موجود در زبان پایتون جهت انجام عملیات داده کاوی
  • آشنایی کلی با حوزه کلان داده BIG DATA
  • هوش نرم و چهارجوب های مورد استفاده آن به همراه کاربرد ارتباط با علم داده
  • نصب و پیاده سازی محیط های عملیاتی
  • اشنایی با ورژن های مختلف پایتون و نصب پایتون در لینوکس یا ویندوز و اشنایی با پکیج های مهم
  • نصب و ایجاد اولیه در Anaconda
  • نصب و ایجاد محیط اولیه در Jupyter Notebook و بازی حدس عدد با پایتون
  • مفاهیم پایه داده ها و ریاضی و اماری
  • ساختمان داده ها در پایتون
  • آشنایی و کار با کتابخانه Numpy و Scipy برای انجام عملیات آماری
  • آنالیز مولفه اصلی (PCA) و کاربرد ان در نمایش داده ها و کاهش ابعاد
  • مقایسه روش PCA با T-SNE
  • بارگذاری دادهها و تعامل با داده ها با استفاده از کتابخانه Pandas
  • نمایش داده ها و بصری سازی (Visualization)
  • آشنایی با نمودارهای مختلف به همراه کاربرد هر یک از آن ها
  • نحوه نمایش هیستو گرام و کاربرد ان با کتابخانه Matplotlib
  • استفاده از کتابخانه Seaborn جهت بصری سازی داده ها
  • نمایش داده ها به صورت تعاملی در کتابخانه Boken
  • طبقه بندی، رگرسیون و الگوریتم های مختلف آن
  • آشنایی با نمونه داده های طبقه بندی و کاربردهای آن
  • بررسی مجموعه داده های (Iris Dataset) گل های زنبقاز روی ویژگی ها
  • قیمت گذاری هوشمند خانه (Boston Housing) به عنوان نمونه های ساده و کاربردی
  • معرفی روشه ها و رماجع جمع آوری داده ها و استفاده از آن ها
  • مثال پیش بینی هوشمند هزینه و تخمین ارزش کالا
  • مثال پیش بینی وضعیت هوا و هواشناسی
  • مثال کنترل ترافیک هوشمند با استفاده از داده های شهری
  • مثال تحلیل احساسات و استقبال / عدم استقابل کاربران از محصول یک فروشگاه
  • مثال پیش بینی و توصیه محصول مورد نیاز کاربر در فروشگاه اینترنتی
  • مثال تشخیص هوشمند حملات هکرها به سرور
  • مثال پیش بینی هوشمند جرائم شهری و پیشگیری از وقوع جرم
  • مثال پیش بینی مصرف سوخت اتومبیل
  • آموزش الگوریتم های یادگیری ماشین
  • آشنایی و پیاده سازی طبقه بندی با الگوریتم نزدیکترین همسایه (KNN) در پایتون
  • آشنایی و پیاده سازی طبقه بندی با الگوریتم ماشین بردار پشتیبان (SVM) در پایتون
  • آشنایی و پیاده سازی طبقه بندی با الگوریتم بیز ساده (Naïve Bayes) انواع مختلف آن با توجه به توزیع آمری داده ها
  • بررسی درخت های تصمیم (Decision Trees) و پیاده سازی آن ها در حل مسائل طبقه بندی در پایتون
  • آشنایی و پیاده سازی طبقه بندی با الگوریتم های ترکیبی RandomForest, AdaBoost در پایتون
  • اشنایی با الگوریتم XGBoost و نحوه پیاده سازی آن در پایتون
  • آشنایی با معیارهای مختلف ارزیابی کیفیت طبقه بندی
  • True-Positive / False-Positive
  • True-Negative / False-Negative
  • Precision
  • Recall
  • Accurancy
  • F1-Score
  • خوشه بندی و الگوریتم های مختلف آن
  • آشنایی با نمونه داده های خوشه بندی و حل مسائل کاربردی آن
  • کاربرد و اشنایی با روش های عملی خوشه بندی
  • مثال گروهبندی حملات هوشمند مطالب وبسایت بدون استفاده از ناظر
  • مثال گروهبندی حملات هکر ها به یک سرور
  • آشنایی و پیاده سازی خوشه بندی با الگوریتم KMeans
  • بررسی و پیاده سازی خوشه بندی با DBSCAN
  • آشنایی با پیاده سازی DBSCAN سلسله مراتبی
  • استفاده از پکیج Pycaret جهت اجرای اتوماتیک الگوریتم های یادگیری ماشین
  • پیاده سازی
  • پایتون و کتابخانه های علمی مورد نیاز
  • Streamlit چیست ؟
  • نحوه کار با HeroKu
  • ساخت اپلیکیشن نهایی
  • تولید نرم افزار مبتنی بر یادگیری ماشین با استفاده از Streamlit و انتشار آن

به شرکت کنندگان در این دوره ی آموزشی گواهی حضور از سوی شرکت IT HOUSE اعطا خواهد شد.

تماس بگیرید

ندارد.

دوره های مرتبط:

محصولات مرتبط

زمان باقیمانده جهت ثبت‌نام

برای دانلود لطفا ایمیل خود را وارد نمایید .

شرکت دوره

به منظور ارسال درخواست ثبت‌نام، لطفا فرم زیر را با دقت تکمیل نمایید.

همکاران ما در اسرع وقت با شما تماس خواهند گرفت.