آموزش یادگیری ماشین

  • مدرس: مهندس علیرضا اخوان پور
  • مدت دوره: 37 ساعت آموزش کاربردی
  • فرمت: ویدیو قابل اجرا در کامپیوتر و موبایل
  • پاسخگویی: در فروم نماتک

  • ارائه مدرک: پس از قبولی در آزمون آنلاین
  • تضمین دوره: 60 روز ضمانت بازگشت وجه

قیمت اصلی: ۹,۹۰۰,۰۰۰تومان بود.قیمت فعلی: ۴,۴۵۵,۰۰۰تومان.

55% تخفیف

آموزش یادگیری ماشین

قیمت اصلی: ۹,۹۰۰,۰۰۰تومان بود.قیمت فعلی: ۴,۴۵۵,۰۰۰تومان.

نیاز محور

نیاز محور

مدرسین حرفه‌ای

مدرسین حرفه‌ای

همیشه در دسترس

در دسترس

پشتیبانی دائمی

پشتیبانی دائمی

گارانتی ویژه

گارانتی ویژه

توضیحات مدرس درباره دوره آموزش یادگیری ماشین

اگر به دنیای هوش مصنوعی و یادگیری عمیق علاقه‌مندید، احتمالاً با این مشکل روبه‌رو شده‌اید که منابع موجود یا بیش از حد پراکنده‌اند، یا صرفاً تئوری و غیرکاربردی. همین موضوع باعث می‌شود شروع مسیر برای بسیاری سخت و زمان‌بر باشد. این دوره دقیقاً برای حل همین چالش طراحی شده است؛ مجموعه‌ای ساختارمند که شما را گام‌به‌گام از مفاهیم پایه مثل نورون‌های مصنوعی و الگوریتم گرادیان نزولی، تا مدل‌های پیشرفته‌ای همچون CNN، RNN، Autoencoder و GAN همراهی می‌کند. تفاوت اصلی این آموزش در رویکرد عملی آن است: در طول دوره، پروژه‌های واقعی را با استفاده از TensorFlow و Keras پیاده‌سازی خواهید کرد و به جای حفظ کردن مفاهیم، آن‌ها را تجربه و لمس می‌کنید. بیان ساده مدرس، مثال‌های کاربردی، و دسترسی همیشگی به کدها و منابع، یادگیری شما را سریع‌تر و ماندگارتر می‌کند. در پایان، نه‌تنها به مبانی علمی مسلط می‌شوید، بلکه توانایی به‌کارگیری مدل‌های هوش مصنوعی در پروژه‌های واقعی و بازار کار را نیز به دست خواهید آورد.

درباره مدرس آموزش یادگیری ماشین

علیرضا اخوان پور

علیرضا اخوان پور

  • کارشناسی ارشد مهندسی نرم افزار از دانشگاه تربیت دبیر شهید رجایی
  • مدیر فنی مجموعه دانش بنیان شناسا
  • مدرس دانشگاه شهید رجایی
  • توسعه دهنده پایتون و فعال در پروژههای بینایی ماشین با یادگیری عمیق
  • مشاور و منتور هوش مصنوعی در شتابدهنده همتک، همراه اول، ایبیکام، همراه آکادمی

سرفصل های بسته آموزش یادگیری ماشین

  • پرسپترون
  • مقدمه ای بر شبکه عصبی
  • تابع هزینه
  • گرادیان کاهشی و پس انتشار خطا
  • جمع بندی شبکه عصبی و نرخ یادگیری
  • پیاده سازی در کراس و آشنایی با Softmax
  • الگوریتم های گرادیان کاهشی: stochastic – batch
  • الگوریتم های گرادیان کاهشی: mini-batch
  • حل مثال با TensorFlow
  • نقش داده معتبر در آموزش شبکه عصبی
  • Dropout
  • حل مثال IRIS
  • چالش ImageNet
  • لزوم سلسله مراتب در شبکه های عصبی
  • آزمایش گربه هابل و ویزل
  • کانولوشن و فیلترها
  • درک عملکرد فیلتر کانولوشن
  • ویژگی‌های مکانی فضایی و سلسله مراتب
  • پدینگ
  • مفهوم Stride
  • کانولوشن روی عکس رنگی
  • شبکه کانولوشنال ساده
  • ادغام
  • معماری LeNet-5
  • محاسبه تعداد پارامترها در لایه کانولوشن
  • پیاده سازی شبکه عصبی کانولوشنالی
  • ادغام میانگین سراسری
  • ارزیابی شبکه عصبی کانولوشنی
  • نرمال‌سازی دسته‌ای
  • داده‌های گربه و سگ و ساختاردهی آن
  • دانلود از Kaggle در محیط Google Colab
  • داده افزایی
  • معماری های شبکه‌های عصبی کانولوشنی
  • الکس نت
  • ZFNet
  • VGG
  • درک کانولوشن 1 در 1
  • Inception
  • ResNet
  • مدل های از پیش آموزش دیده
  • بازشناسی اشیاء با وبکم
  • مقدمه ی انتقال یادگیری
  • پیاده سازی انتقال یادگیری
  • Overfit
  • Fine-tuning
  • بررسی tf.data و Cache
  • بارگیری داده های تصویر
  • مثال طبقه بندی گربه و سگ
  • نرخ های یادگیری متفاوت
  • مقدمه رگرسیون
  • مثال رگرسیون تخمین قیمت خانه
  • تخمین مصرف سوخت ماشین
  • Functional API
  • تخمین قیمت خانه با ویژگی های بصری
  • استفاده از داده ساختار یافته و بصری در شبکه عصبی
  • تعیین محل شئ
  • بازشناسی و تعیین محل اشیاء
  • طبقه بندی متن با دیتاست نقد فیلم
  • پیش پردازش
  • طبقه بندی متن فارسی
  • معیارهای ارزیابی برای داده های نامتوازن
  • حل مشکل داده های نامتوازن
  • N-gram
  • بردار امبدینگ کلمه
  • تناظرهای امبدینگ کلمه
  • امبدینگ کلمه در Gensim
  • بصری سازی بردار کلمات در دو و سه بعد
  • استفاده از امبدینگ از قبل آموزش داده شده
  • سیستم‌های توصیه‌گر و فیلتر مشارکتی
  • استفاده از tf.data در سیستم‌های توصیه‌گر
  • امبدینگ موجودیت‌ها
  • بهبود دقت و مقیاس‌پذیری
  • مقدمه ای بر شئ گرایی در پایتون
  • ایجاد مدل با روش Model Subclassing
  • ایجاد لایه جدید با روش Model Subclassing
  • مقدمه ای بر خودرمزنگارها
  • خودرمزنگار کانولوشنالی با Transposed convolution
  • خودرمرگزار کانولوشنالی با Upsampling
  • تشخیص ناهنجاری با خودرمزنگار
  • U-Net برای سگمنت کردن تصویر
  • پیاده سازی U-Net
  • شبکه عصبی مولد رقابتی (GAN)
  • پیاده سازی GAN
  • مقدمات GradientTape در تنسورفلو
  • آموزش DCGAN با بازنویسی تابع train_step
  • ترجمه تصویر به تصویر با Pix2Pix
  • پیاده سازی Pix2Pix
  • مقدمه‌ای بر داده‌های صوتی
  • طیف‌نگاره (Spectrogram)
  • طبقه بندی صوت
  • انتقال یادگیری با YAMNet
  • تشخیص خودکار پلاک خودرو
  • تابع خطای CTC
  • بازشناسی گفتار خودکار (ASR)
  • تنظیم و پیدا کردن هایپرپارامتر
  • مقدمه ای بر ابزار Keras Tuner
  • هایپرپارامترهای شرطی
  • استقرار مدل با ONNX
  • استفاده از ONNX Runtime روی کارت گرافیک
  • روش داده‌افزایی MixUp
  • روش داده‌افزایی CutMix
  • طبقه بندی عکسهای X-ray شکستگی استخوان
  • طبقه بندی تصاویر نژادهای مختلف سگ
  • مقاله و دیتاست بزرگ گوگل (BiT)
  • استفاده از BiT

سوالات متداول

خیر، این بسته به‌گونه‌ای طراحی شده که برای تمام علاقه‌مندان قابل فهم و استفاده باشد. تنها آشنایی مقدماتی با مفاهیم پایه برنامه‌نویسی پایتون و کلیات ریاضیات راهنمایی و دبیرستان در حد چیستی ماتریس، مفهوم مشتق، معادله خط و … کافیست. مفاهیم پایه مورد نیاز یادگیری ماشین از ابتدا توضیح داده می‌شوند و هیچ نیازی به تجربه قبلی در یادگیری عمیق و یادگیری ماشین نیست.
بله. این آموزش کاملاً پروژه‌محور و بازارمحور طراحی شده و در آن با ابزارها و مهارت‌های واقعی صنعت (مانند TensorFlow، Keras، CNN، RNN، NLP و Deployment مدل‌ها) آشنا می‌شوید. در پایان دوره، نمونه‌کارهایی خواهید داشت که می‌توانید در رزومه یا گیت‌هاب خود قرار دهید و برای موقعیت‌های شغلی در حوزه ML Engineer و AI اقدام کنید.
هوش مصنوعی به لطف پیشرفت های سالهای اخیر مباحث متنوع و وسیعی دارد. سرفصل‌ها بر اساس نیازهای واقعی صنعت و مسیر پیشرفت مهارت یادگیری عمیق تدوین شده‌اند. از مفاهیم پایه‌ای مثل نورون و گرادیان گرفته تا مباحث پیشرفته مانند Autoencoder، GAN و پردازش زبان طبیعی، همه چیز با ساختاری منطقی و هدفمند طراحی شده تا مسیر یادگیری هم روان باشد و هم کاربردی. و در نهایت برای فردی که میخواهد وارد این دنیای بی پایان شود یک شروع قوی باشد.

بله. آموزش‌ها با جدیدترین نسخه‌های کتابخانه‌ها مانند TensorFlow و Keras ضبط شده‌اند و بر اساس سرفصل‌های مرجع دانشگاه‌های برتر دنیا مانند MIT، Stanford و DeepLearning.AI تدوین شده‌اند. همچنین نکات لازم برای سازگاری با تغییرات آینده نیز در آموزش ذکر می‌شود و کدها پس از تغییرات اندک فریم ورک به روز شده است.

کاملاً. تمام کدهای استفاده‌شده در طول دوره به‌صورت منظم در یک مخزن GitHub در اختیار شما قرار می‌گیرد. همچنین فایل‌های جانبی (مانند دیتاست‌ها، اسلایدها، یا تمرین‌ها) نیز به صورت دائمی قابل دانلود هستند. شما حتی می‌توانید پروژه‌ها را شخصی‌سازی کرده و در رزومه خود استفاده کنید.
به دلیل پیوستگی مطالب و ارجاع مدرس به مفاهیم فصل های قبل این امکان وجود ندارد.

نکته دیگر در این زمینه این است که هدف اصلی تیم نماتک از تهیه این آموزش جامع، تدریس اصولی و بررسی تمام نکات حوزه های صنعتی بوده و تربیت متخصصین این حوزه اولویت اصلی ما در نماتک است.

برای دسترسی به این مهم امکان تهیه فصل ها به صورت جداگانه وجود ندارد.

برای مشاهده آنلاین ویدیوها می‌توانید از هریک از سیستم‌های الکترونیکی خود، مانند انواع گوشی‌های تلفن همراه، کامپیوتر یا لپ تاپ با هر سیستم عاملی یا هر نوع تبلت و… که قابلیت اتصال به اینترنت را دارند، استفاده کنید.
دسترسی به استفاده از آموزش‌ها به‌صورت آنلاین نهایتا تا یک روز کاری پس از تهیه آموزش در حساب کاربری سایت نماتک شما فعال خواهد شد.

توجه داشته باشید که آموزش‌های نماتک همگی به‌شکل تک کاربره قابل استفاده هستند و فقط روی یک سیستم امکان استفاده از آن‌ها را دارید.

هدیه رایگان آموزش یادگیری ماشین

برای تماشای هدیه رایگان این بسته، اطلاعات خود را وارد نمایید.

آموزش رایگان در 3 مرحله از طریق پیامک برای شما ارسال می‌شود.

لطفا موبایل خود را وارد نمایید

آلبوم تصاویر آموزش یادگیری ماشین

اعطای مدرک آموزش یادگیری ماشین

مدرک نماتک

هدف اصلی آموزش، کسب مهارت، تبحر و تجربه در زمینه های مختلف است. برای اثبات این توانمندی، کافیست پس از اتمام دوره آموزشی در آزمون نماتک شرکت کرده و با کسب نمره قبولی مدرکی قابل استناد برای صنایع و موسسات دریافت کنید.

با این مدرک سندی برای مهارت های جدید خود در راستای ارتقای موقعیت شغلی و یا شروع به کار جدید خواهید داشت.

مقایسه با دوره های حضوری

اگر به وقت، هزینه و کیفیت آموزش اهمیت می دهید، بسته های جامع نماتک، بهترین انتخاب برای شماست.
این فکر که آموزش در کارگاه های حضوری موثرتر است، یک فکر و ایده قدیمی است.
در دنیای تکنولوژی و با سرعت پیشرفت علم، وقت ما نسبت به قبل ارزش بیشتری پیدا کرده و همین تکنولوژی باعث ارائه بهترین نوع آموزش، از راه دور شده.
همه ما می دانیم که کارگاه های آموزشی، محدود به شهر تهران و برخی از شهرهای بزرگ دیگر است.
ولی مجموعه نماتک با بسته های آموزشی متنوع این محدودیت را از بین برده است.

بدون نیاز به صرف هزینه های زیاد و اتلاف وقت در ترافیکِ مسیر رفت و برگشت، می توانید بهترین کیفیت آموزش را به همراه اساتید باتجربه، همیشه همراه خود داشته باشید و برخلاف کلاس های حضوری با حجم زیاد اتلاف وقت و بازدهی پایین که فقط یک بار قابل استفاده هستند، هر میزان و هر وقت که خواستید از این آموزش ها استفاده کنید.

علاوه بر تمام خصوصیات فوق العاده بسته های آموزشی نماتک که اشاره شد، در طول آموزش از همراهی و پشتیبانی استاد بهره خواهید برد.

moghayeseh

گارانتی ویژه نماتک

در خرید یک محصول آموزشی، قطعا ریسکِ مناسب نبودن محتوا برای همه ما وجود دارد.
نماتک با گارانتی طلایی خود، برای شما این ریسک را به صفر رسانده است.
اگر تا 60 روز از آموزشی که دریافت کردید راضی نبودید، فقط با یک تماس، تمام وجه خودتان را دریافت کنید.

مورد تایید شرکت‌های بزرگ

دیدگاه‌ها

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “آموزش یادگیری ماشین”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *