بوت‌کمپ جامع تحلیل داده و یادگیری ماشین (مقدماتی)

پشت گیگابایت دیتایی که هر روزه توسط هزاران کمپانی تولید میشه، یک فرد خستگی ناپذیر نشسته که با تلاش بی پایانش سعی داره سوالاتی را راجع به مشتریان، شرکت، محصول پاسخ بده و از دیتاها بینش جدیدی کسب کنه و از اون برای حل مسئله استفاده کنه. این فرد همان دیتا ساینتیست هست.

! Data Scientist Become a

تاریخ شروع دوره

۱۶ تیر ۱۴۰۱

تاریخ پایان دوره

۱۷ شهریور ۱۴۰۱

روز برگزاری

پنجشنبه ها ساعت ۱۰ تا ۱۴

مدت دوره

۴۵ ساعت

نوع برگزاری

کلاس درس و حل تمرین آنلاین
به همراه جلسات کامیونیتی ، گپ و گفت و رفع اشکال حضوری(اختیاری)

مربی های دوره

1555126008323
ماشین لرنینگ ساینتیست
رتبه ۲ کشوری کنکور سراسری سال ۱۳۸۹ دکترای کامپیوتر ساینس در حوزه‌ی بیگ دیتا در تحلیل سری زمانی‌ها داشمند یادگیری ماشین در شرکت اپل فارغ‌التحصیل مقطع دکترا دانشگاه USC
mahyar
ریسرچر در دانشگاه Rutgers
فارغ التحصیل مهندسی برق مقطع کارشناسی از دانشگاه تهران، فارغ التحصیل مقطع دکتری در کامپیوتر ساینس از داشنگاه Rutgers، محقق در حوزه‌ی Computational Biomedicine Imaging and Modeling Center
sina
دکترا هوش مصنوعی دانشگاه Irvine
فارغ التحصیل مقطع دکتری کامپیوتر ساینس از دانشگاه ارواین کالیفرنیا محقق هوش مصنوعی و بینایی ماشین در شرکت کروز در حوزه‌ی خودروهای خودران
kamyar
مدیر دپارتمان هوش مصنوعی هرمس
فارغ التحصیل مقطع کارشناسی برق دانشگاه تهران دانشجوی کامپیوتر ساینس هوش مصنوعی مقطع ارشد دانشگاه خاتم ، محقق در حوزه‌ی بینایی ماشین و سیستم‌های Multi-Object tracking
1628857899746
دیتا ساینتیست هرمس
محقق تحلیل داده بینش استراتژیک برای هلدینگ‌ها محقق یادگیری ماشین و تحلیل داده در حوزه‌ی تحلیل بازارهای مالی
ali
دیتا ساینتیست هرمس
دانشجوی کارشناسی علوم کامپیوتر دانشگاه شریف، محقق هوش مصنوعی و یادگیری ماشین در دانشگاه صنعتی شریف

‌درباره دوره

اول از همه لازمه که بدونید این دوره برای عموم افراد طراحی شده، و اصلا نیازی نیست که مثل بقیه دوره ها حتما رشته مرتبط با تحلیل داده (ریاضی، آمار، برق، کامپیوتر) خونده باشید چون دوره رو مخصوصا طوری طراحی کردیم که هر فردی با هر مدرک تحصیلی (مدیریت، شیمی، فیزیک و …) بتونه همراه با کلاس پیش بیاد و در پایان دوره کاملا به مباحث کلی این رشته اشراف داشته باشه.
پس اگر همیشه حسرت این رو میخوردی که ای کاش منم رشته کامپیوتر خونده بودم و میتونستم دیتا‌ساینتیست بشم، باید بهت بگم که این دوره کاملا مناسب شخص خودت هست 🙂
لازمه شروع هر سفری هم همزبان شدن با همسفر‌ هاست پس در این دوره ۹ هفته ای که کنار هم هستیم قرار میذاریم که اول با پایتون شروع کنیم (پس اصلا نیازی نیست نگران باشی که پایتون رو فراموش کردی یا بلد نیستی) تا همه با هم همزبان بشیم و بعد وارد جنگل عظیم و ناشناخته های ماشین لرنینگ بشیم.
جز‌به‌جز نقشه راه دوره رو میتونی پایین مشاهده کنی. مشخصاً هر مهارتی رو فقط با تمرین کردن زیاد میشه یاد گرفت برای همین ما هم حواسمون به این نکته بوده و براتون ۷ سری تمرین هفتگی و ۱ پروژه پایانی تعریف کردیم که حسابی به مسائل مسلط بشید و با چالش های این حوزه دست‌و‌پنجه نرم کنید. اما اصلا نگران نباشید چون هر هفته یک کلاس رفع اشکال داریم که یکی از TA ها همون سوالات رو براتون حل میکنه و اگر مشکلی یا ابهامی وجود داشت میتونید ازش بپرسید.
بعضی از هفته ها هم با خبرگان این حوزه که همین الان در شرکت های مطرح خارجی مثل مایکروسافت، اپل، آمازون، گوگل ، اوبر و … مشغول به کار هستند،‌ جلسات ‌talk رو خواهیم داشت که میتونیم خیلی خودمونی سوال هامون رو از اون ها بپرسیم و مهم تر از همه به توصیه‌های اونا گوش کنیم که چطوری رفتن، الان چیکار میکنن و از نظراتشون بهره ببریم.
در پایان دوره هم آزمون پایانی خواهیم داشت که بر اساس اون مدرک دو‌‌ زبانه معتبر اتمام دوره دریافت می‌کنید و تا یادم نرفته بگم که از افراد خفن این دوره هم دعوت به مصاحبه برای استخدام تو شرکت هرمس کپیتال به عمل میاد. و چی بهتر ازین؟ هم یاد بگیری و در انتها هم استخدام بشی 🙂

امکان استخدام پس از پایان دوره

آزمون پایانی

تکلیف های هفتگی به همراه کلاس های رفع اشکال TA

پروژه پایانی برای مرور هرآنچه در دوره یاد گرفته اید

قابلیت دسترسی آفلاین به فیلم ها بعد از هر جلسه آنلاین

برگزاری جلسات همفکری با حضور متخصصین شرکت های معتبری مانند اپل گوگل مایکروسافت …

مدرک دو زبانه اتمام دوره

آموزش اصولی از ابتدای دوره

آمادگی کامل برای ورود به دوره های تخصصی ماشین لرنینگ

مدرسین فعال در صنعت و انتقال تجربه از کار واقعی و چالش های آن

سرفصل دوره

۱۶ تیر

جلسه اول

  • آشنایی و نصب VS Code – Conda – Jupyter
  • آشنایی با سایت Kaggle
  • آشنایی با پایتون و حل چند مثال‌ ( Data Structures – If – Else – Flow Control – Syntax – Split – List – Dict)
  • ریلیز تمرین سری صفر پارت اول
۱۶ تیر
۱۶ تیر

جلسه دوم

  • ادامه پایتون (For – While – Functions – List Comprehension)
  • ریلیز تمرین سری صفر پارت دوم
۱۶ تیر
۲۳ تیر

جلسه سوم

هدف: آشنایی با کتابخانه های Numpy & Pandas

  • مرور جبرخطی و ماتریس ها با استفاده از کتابخانه Numpy
  • حل مثال های عملی روی دیتاست های محصولات کشاورزی با استفاده از کتابخانه Pandas
۲۳ تیر
۲۳ تیر

جلسه چهارم

هدف: یادگیری مصور سازی داده و آشنایی با کتابخانه های Matplotlib & Plotly

  • آشنایی با EDA و تحلیل اکتشافی
  • آشنایی با Matplotlib و رسم نمودار
  • آشنایی با Plotly و نمودار های تعاملی و پیشرفته
  • تحلیل اکتشافی دیتاست تایتانیک با مصور سازی
  • تحلیل اکتشافی دیتاست خانه های مسکونی با مصور سازی
  • ریلیز تمرین سری یک
۲۳ تیر
۳۰ تیر

جلسه پنجم

هدف:‌ آشنایی با پایه های یادگیری ماشین و کتابخانه Scikit-Learn

  • آشنایی با اصول تئوری یادگیری آماری و رگرسیون
  • یادگیری ریاضیات و مفاهیم پایه ای رگرسیون خطی
  • حل مثال عملی با استفاده از کتابخانه Scikit-Learn با استفاده از رگرسیون خطی
۳۰ تیر
۳۰ تیر

جلسه ششم

هدف‌: آشنایی با رگرسیون غیرخطی (Polynomial) و Logistic Regression

  • آشنایی با اصول تئوری رگرسیون غیرخطی
  • حل مثال عملی با استفاده از Polynomial Regression و مقایسه آن با رگرسیون خطی
  • آشنایی با روش های Classification
  • آشنایی با اصول تئوری Logistic Regression
  • حل مثال عملی با استفاده از Logistic Regression
  • ریلیز تمرین سری دو
۳۰ تیر
۶ مرداد

جلسه هفتم

هدف:‌ آشنایی با روش های Resampling مانند CV و معرفی Regularization و رگرسیون های Lasso & Ridge

  • توجیه کردن روش های Resampling و بعد آماری آن
  • آشنایی با CV, Grid Search, Bootstrapping
  • حل مثال عملی برای یافتن Hyper parameter های مدل رگرسیونی
  • آشنایی با رگرسیون های Ridge & Lasso
  • حل مثال عملی با رگرسیون ها Ridge & Lasso
۶ مرداد
۶ مرداد

جلسه هشتم

هدف: آشنایی با درخت های تصمیم گیری و جنگل تصادفی Random Forest & Decision Tree

  • آشنایی با تئوری های آماری مربوط به Decision Tree
  • حل مثال عملی با Decision Tree و بهینه سازی Hyper parameter های مدل
  • آشنایی با روش های Ensemble Learning و معرفی جنگل تصادفی
  • آشنایی با سایر الگوریتم‌های خردجمعی مانند Xgboost و Adaboost
  • مقایسه جنگل های تصادفی و درخت تصمیم روی دیتای واقعی
  • ریلیز تمرین سری سه
۶ مرداد
۱۳ مرداد

جلسه نهم

هدف:‌ آشنایی با روش های Distance-based و SVM

  • آشنایی با Support vector machine ها و تئوری های پشت آن
  • آشنایی با SVM خطی و Kernelهای مختلف معروف
  • آشنایی با الگوریتم KNN

حل مثال عملی با این الگوریتم ها

۱۳ مرداد
۱۳ مرداد

جلسه دهم

هدف: آشنایی با مهندسی داده و روش های کاهش ابعادی PCA – t-SNA

  • آشنایی با روش های Data Handling و Data Cleansing
  • آشنایی با روش های Feature Engineering
  • مرور جبرخطی برای PCA
  • آشنایی با PCA و تئوری ها پشت آن
  • کاهش بعد به وسیله PCA و کاهش واریانس
  • حل مثال عملی طبقه‌بندی روی دیتای MNIST با استفاده از PCA و SVM
  • ریلیز تمرین سری چهار
۱۳ مرداد
۲۰ مرداد

جلسه یازدهم

هدف:‌ آشنایی با روش های Unsupervised learning

  • تفاوت های Supervised و Unsupervised لرنینگ
  • آشنایی با انواع خوشه‌بندی Based on Cost function optimization- Hierarchical – Sequential
  • حل مثال عملی
۲۰ مرداد
۲۰ مرداد

جلسه دوازدهم

هدف:‌ ادامه روش های Unsupervised learning و آشنایی با روش های Anomaly Detection

  • آشنایی با الگوریتم KMeans و تئوری های پشت آن
  • حل مثال های عملی تشخیص تقلب و Fraud Detection با استفاده از الگوریتم های Anomaly Detection
  • ریلیز تمرین سری پنج
۲۰ مرداد
۲۷ مرداد

جلسه سیزدهم

هدف:‌ آشنایی با Perceptron ها و پایه های شبکه عصبی و آشنایی با کتابخانه Tensorflow و PyTorch

  • آشنایی با شبکه های عصبی و تئوری های آن
  • مرور حساب دیفرانسیل و مشتق گیری
  • آموزش Backpropagation در شبکه های عصبی
  • درست کردن اولین شبکه عصبی با استفاده از Tensorflow
۲۷ مرداد
۲۷ مرداد

جلسه چهاردهم

هدف:‌ آشنایی با شبکه های عصبی و به طور خاص دیپ لرنینگ

  • آشنایی با CNN ها
  • انجام تمرین عملی روی دیتاست های تصویری و اجرای CNN و تشخیص اعداد
  • ریلیز تمرین سری شش
۲۷ مرداد
۳ شهریور

جلسه پانزدهم و شانزدهم

هدف:‌ جمع بندی و انجام یک پروژه واقعی از صفر تا صد

۳ شهریور

سوالات متداول

بله پس از اتمام هر جلسه آنلاین تا ۲ ساعت پس از آن ویدیو جلسات بر روی نرم افزار Spot Player قابل مشاهده می‌باشد.

خیر، این دوره از صفر تا صد یادگیری ماشین و تحلیل داده را آموزش می‌دهد. حتی اگر تجربه برنامه نویسی نیز نداشتید همچنان میتوانید از دوره بهره کافی را با کمی تلاش بیشتر ببرید‌ 🙂

خیر، تا زمانی که در آزمون پایانی شرکت نکنید و حداقل نمره قبولی را کسب نکنید، با عرض شرمندگی گواهی برای شما صادر نمی‌شود 🙂

بله، پس از صدور گواهی دیجیتال، میتونید با پشتیبانی دوره تماس برقرار کنید و درخواست گواهی فیزیکی بکنید.

بله، ولی اگر قول بدهید که تمرین ها و پروژه رو انجام بدید 🙂 البته حواستون باشه بهترین نوع یادگیری، یادگیری تعاملی همراه با پرسش و پاسخ هست و قطعا صرف فیلم دیدن این هدف رو برآورده نمیکنه.

مخاطبین این دوره علاقه‌مندان به یادگیری یادگیری ماشین و هوش مصنوعی، مدیران و کارشناسان فنی واحدهای سازمانی، مدیران کسب و کار،‌ و از همه مهم‌تر دانشجویان عزیز هستند که با هر پیش‌زمینه ای و تنها با علاقه و پشتکار میتونند نهایت استفاده از این دوره را ببرند.

بله، در ابتدای دوره گروهی زده خواهد شد که هم دانشجویان و هم اساتید در آن حضور دارند. از طرفی سعی بر این داریم که جلسات گپ و گفت را حضوری برگزار کنیم که هم ما شما رو بهتر بشناسیم و هم شما همدیگر رو 🙂

با پشتیبانی تماس بگیرید، سعی میکنیم تا حد امکان شرایط خوبی را برای همه فراهم کنیم 🙂

بله، برنامه های زیادی برای ملاقات شما در کلاس های حضوری داریم، که بزودی اعلام می‌کنیم.

قیمت دوره

۲.۷۸۰.۰۰۰ تومان
  •  

 hermesai@

شماره واتساپ : ۹۸۹۹۸۱۰۴۹۰۵۷