10. سوپر دوره هوش مصنوعی و کلان داده ، صفر تا صد (شگفت انگیز)

هوش مصنوعی و کلان داده

امروز بر هیچکس پوشیده نیست که هوش مصنوعی درتمامی امورات بشر ورود کرده است .

میتوانیم برای نمونه به صنایع نظامی ، پزشکی ، شبکه های اجتماعی ، حمل و نقل ، و ……… اشاره کنیم ، که در حال حاضر جزو اصلی ترین و تجاری ترین محصولات کشور هاست .

اما هوش مصنوعی چیست ؟؟!؟!؟

چرا امروزه البته از 2 دهه اخیر انقدر محبوب شده ؟!؟!

اگر بخواهیم به زبان ساده و ابتدایی هوش مصنوعی را تعریف کنیم ، میتوانیم بگوییم که هوش مصنوعی عبارت است از:

پیاده سازی مغز انسان (حسیات ، تعاملات ، واکنش ها ، تصمیم سازی ها ، حل مسئله ) بر روی ماشین است .

در حال حاضر ابر شرکت های فعال در زمینه هوش مصنوعی نیز هستند که در این حوزه فعالیت میکنند ، مانند :

GOOGLE , OPEN AI , META , TESLA , SPACE  X, ASTON MARTIN , PAGANI , و هزاران شرکت کوچک و بزرک که در صنایع بسیاری در حال توسعه و فعالیت هستند .

ما نیز قصد داریم که شما رو تبدیل به یک متخصص هوش مصنوعی کنیم ، برنامه نویسی که بتواند در حوزه های گوناگون فناوری نفوذ کند و از این بازار کلان بیشترین بهره های مادی و معنوی را حاصل کند و در نهایت برای ملت ایران افتخار آفرینی کند .

ما در مدرسه هوش مصنوعی انواع حوزه های تحلیل داده باروش های هوش مصنوعی ، وب ، پردازش تصویر و ….. آموزش میدهیم .

در وهله اول چند نمونه از ویدئوهای این دوره آموزشی رو تماشا کنید تا با اطمینان خاطر ثبت نام کنید 👇👇👇👇👇

در وهله دوم بیایید که با سرفصل های کلی این سوپر دوره هوش مصنوعی آشنا شویم .👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇

این دوره نزدیک به 350 ساعت آموزش است که شامل 500 قسمت آموزشی است .

توجه داشته باشید تمامی سرفصل ها و زیر فصل ها دارای چندین قسمت آموزشی ویدیویی به همراه تمرین و پی دی اف نیز میباشد .

• آشنایی با علم داده 1
  

• روشها و تکنیک ها
• مقدمه و کلیات

• آمار برای علم داده 2
  

• 1- مقذمه ای بر آمار و احتمال
• 2- تئوری احتمال
• 3- توزیع های احتمالی بخش اول
• 4- توزیع های احتمالی بخش دوم
• 5- تحلیل آماری
• 6- تمرین
• 7- SPSS
• 8- اجرای آمار توصیفی در نرم افزار
• 9- مراحل اجرایی آزمون فرض
• 10- آزمون استقلال
• 11- آزمون T مستقل
• 12- آزمون T جفتی
• 13- تمرین
• 14- تحلیل واریانس
• 15- تحلیل واریانس دوطرفه
• 16- تحلیل کواریانس
• 17- آزمون همبستگی
• 18- آزمون ناپارامتری
• 19- آزمون AB
• 20- تمرین
• 21- تمرین نهایی

• داده کاوی و حل مسئله 3
  

• 1- مقدمه و کلیات
• 2- توصیف و کاوش در داده ها
• 3- کیفیت داده ها
• 4- تبدیل داده ها
• 5- کاهش ابعاد و انتخاب نمونه – بخش اول
• 6- کاهش ابعاد و انتخاب نمونه – بخش دوم
• 7- یکپارچه سازی داده ها
• 8- پیاده سازی عملی فاز آماده سازی داده
• 9- پروژه عملی تحلیل رفتار مشتریان
• 10- فاز مدلسازی – مدلهای پیش بینانه مبتنی بر قانون
• 11- روش های ارزیابی
• 12- چالش ها و روش برخورد با داده های نامتوازن
• 13- پیاده سازی و ارزیابی درخت تصمیم در نرم افزار
• 14- فاز مدلسازی – مدلهای پیش‌بینانه آماری
• 15- فاز مدلسازی – مدلهای پیش‌بینانه جعبه سیاه
• 16- فاز مدلسازی – مدلهای پیش‌بینانه مبتنی بر یادگیری گروهی
• 17- فاز مدلسازی مدلهای اکتشافی بدون نظارت – خوشه بندی
• 18- فاز مدلسازی مدلهای اکتشافی بدون نظارت – قوانین انجمنی

• برنامه نویسی در پایتون 4
  

• 1- مفاهیم و مقدمات پایتون
• 2- آشنایی با Pycharm و شروع برنامه نویسی پایتون
• 3- مقدمه ای بر انواع داده
• 4- انواع داده در پایتون Data Types
• 5- عبارت های شرطی در پایتون
• 6- کنترل ورژن و استفاده از Git در پایتون
• 7- حلقه های For و While
• 8- حل تمرین ها
• 9- لیست ها در پایتون
• 10- تاپل ها در پایتون
• 11- پروژه تمرینی RPS (سنگ-کاغذ-قیچی)
• 12- تابع Range و کاربردهای آن
• 13- آشنایی با Iterator ها
• 14- دیکشنری و کاربردهای آن
• 15- حل تمرین Numeric String
• 16- استفاده از Git در پروژه ها
• 17- آشنایی با مجموعه ها
• 18- خواندن و نوشتن فایل ها در پایتون
• 19- آشنایی با مفهوم دنباله سازی
• 20- آشنایی با فرمت های JSON و CSV
• 21- آشنایی با ماژول ها در پایتون
• 22- تاریخ و زمان در پایتون
• 23- توابع در پایتون
• 24- توابع در پایتون – بخش دوم
• 25- generator ها در پایتون
• 26- نکات تکمیلی توابع Recursive و مبحث Scoping
• 27- آشنایی با Doc String ها
• 28- برنامه نویسی شی‌گرا (OOP) در پایتون
• 29- پروژه آموزشی شی‌گرایی
• 30- پروژه آموزشی شی‌گرایی – بخش دوم
• 31- ادامه بحث شی گرایی در پایتون
• 32- پروژه نهایی دوره طراحی و حل بازی Sudoko
• 33- مباحث تکمیلی
• 34- حل پروژه SUDOKU

• علم داده کاربردی در پایتون 5
  

• 1- مقدمه ای بر دوره
• 2- آشنایی با دیتابیس و تعامل با آن در پایتون
• 3- دیتابیس MySQL و نحوه کار با آن
• 4- API چیست و چگونه کار می کند؟
• 5- آشنایی با Fast-API و نوشتن API با آن
• 6- کتابخانه های علم داده Numpy
• 7- کتابخانه های علم داده Matplotlib
• 8- کتابخانه های علم داده Pandas
• 9- کتابخانه های علم داده پیش پردازش داده ها با Scikit-Learn
• 10- پروژه نهایی دوره

• یادگیری ماشین 6
  

• 1- مفاهیم و مقدمات
• 2- مفاهیم پایه و تئوری
• 3- رگرسیون Regression – بخش اول
• 4- رگرسیون Regression – بخش دوم
• 5-دسته بندی
• 6-مدل های دسته بندی احتمالاتی
• 7-مدل های دسته بندی خطی
• 8-شبکه های عصبی مصنوعی
• 9-مدل ماشین بردار پشتیبان SVM
• 10-درخت تصمیم گیری
• 11-مهندسی ویژگی
• 12-خوشه بندی
• 13-مباحث تکمیلی

• یادگیری عمیق 7
  

• 1- مقدمه و مفاهیم اولیه
• 2- یادگیری بازنمایی – بخش اول
• 3- یادگیری بازنمایی – بخش دوم
• 4- شبکه های RNN – بخش اول
• 5- شبکه های RNN – بخش دوم
• 6- مقدمه ای بر شبکه های CNN
• 7- شبکه های CNN – بخش دوم
• 8- یادگیری انتقال Transfer Learning
• 9- کاربرد یادگیری عمیق در بینایی ماشین
• 10- کاربرد یادگیری عمیق در پردازش زبان طبیعی

• کاربری لینوکس و داکر 8
  

• 1- آشنایی با لینوکس
• 2- نصب لینوکس و مقدمات آن
• 3- شروع کار با لینوکس

• تحلیل کلان داده 9
  

• 1- فایل ها داده ها و ابزارهای هفته اول
• 2-اکوسیستم هادوپ مفاهیم و ابزارها
• 3-انبارداده توزیع شده .apachehive
• 4-دیتابیس های no-sql
• 5-فایلها ، داده ها وابزارهای هفته دوم
• 6-مقدمه،تعریف و آماده سازی،
• 7-معرفی ساختار داده و پردازش آنها در اسپارک
• 8-مانیتور کردن جاب ها در اسپارک APACHE SPARK
• 9-جمع کردن مباحث ومقدمه ای بر
• SPARK &ML STREAMING
• 10-مقدمه ای بر پای اسپارک
• 11-تحلیل اکتشافی در پای اسپارک
• 12-پیاده سازی مسائل رگرسیون در پای اسپارک
• 13-پیاده سازی طبقه بندی در پای اسپارک
• 14-پیاده سازی مساله خوشه بندی در پای اسپارک
• 15-آشنایی با پلتفرم APACHE KAFKA

خب ، با تفاسیر بالا باید فهمیده باشید که چه قدر این دوره از هر نظر جامع و تکمیلیه ، و شما در انتهای این دوره تبدیل به یک متخصص واقعی هوش مصنوعی خواهیید شد .

این دوره توسط 12 نفر از بهترین متخصصان و معلمان هوش مصنوعی کشور ضبط شده و از بابت کیفیت آموزش ها خیالتون راحت باشه .

این دوره تضمین بازگشت وجه تا 1 ماه خرید پس از دوره است و شما میتوانید با خیال راحت شرکت کنید .

شما میتوانید برای کسب اطلاعات تکمیلی در مورد دوره تماس بگیرید یا به پشتیبانی ایتا پیام دهید .

parsitot@

@learn2AI