
بوتکمپ جامع تحلیل داده و یادگیری ماشین (مقدماتی)
! Data Scientist Become a
اگر برنامه نویسی هم بلد نیستی نگران نباش، ویدیوهای پایتونمون رو نگاه کن و بعدش بیا سر کلاس!
با دریافت ویدیوهای پایتونمون کنار دوره اصلی میتونید از پشتیبانی و پاسخگویی به تمام سوالاتتون توسط تدریسیاران در طول دوره استفاده کنید!!
تاریخ شروع دوره
۱۷ بهمن
تاریخ پایان دوره
۲۲ اسفند
روز برگزاری
دوشنبهها ساعت ۱۹:۰۰ - ۲۰:۴۵
پنج شنبهها ساعت
۱۱:۰۰ - ۱۲:۴۵
مدت دوره
۲۴ ساعت
نوع برگزاری
کلاس درس و حل تمرین آنلاین -
پاسخ به سوالات داخل گروه
کلیپ معرفی و تیزر دورهی هوش مصنوعی و یادگیری ماشین
سرفصل دوره
جلسه اول
صحبت از اهداف و بررسی روند پیشرفت دوره
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
جلسه دوم
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
جلسه سوم
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
جلسه چهارم
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
جلسه پنجم
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
جلسه ششم
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
جلسه هفتم
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
جلسه هشتم
هدف: آشنایی با مهندسی داده و روش های کاهش ابعاد مثل PCA
- 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
جلسه نهم
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
جلسه دهم
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

مبحث ویژه
آشنایی با ChatGPT و محصولات متنوع شرکت OpenAI:
DALL-E
GPT-3
OpenAI Five
ChatGPT
OpenAI Codex
بحث و تبادل نظر پیرامون ترند جهانی هوش مصنوعی و یادگیری ماشین که درحال طی کردن هستند به همراه دعوت از اساتید و افراد زبدهی این حوزه و فرصتهای موجود برای اجرای کسبوکارهای مدرن
امکانات دوره
امکان استخدام پس از پایان دوره
پاسخگویی به سوالات و پشتیبانی در دوره برگزاری کلاسها
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
بررسی مجموعهدادههای به روز و مورده استفاده در سایتهایی مثل Kaggle
آمادگی کامل برای ورود به دوره های تخصصی ماشین لرنینگ
مدرسین فعال در صنعت و انتقال تجربه از کار واقعی و چالش های آن
اعضای کمیتهی علمی
نظرات دانشجویان ادوار گذشته







مدرک دوره

سوالات متداول
اصلا، شما یک سیستم ساده داشته باشید با هر سیستمعاملی میتونید کارها رو انجام بدید. حتی در صورتی که در کارهای خیلی پیچیده هم توان پردازشی بالایی نیاز داشته باشید، میتونید از google colab استفاده کنید. (ما بهتون یاد میدیم نگران نباشید)
بله، به صورت هفتگی و منظم به شما تمرین داده میشه تا تمام مطالب رو دقیق یاد بگیرید. همچنین یک پروژه پایانی هم وجود داره که ترکیبی از تمام مطالب خواهد بود.
مطالبی که به شما تدریس میشه مثل مطالبی هست که وقتی میرید در قالب دیتا ساینتیست کار کنید مورد استفاده قرار میگیره. اگر تلاش کافی رو بکنید و سعی کنید در تمامی مطالب دانش کافی رو به دست بیارید قطعا میتونید برای موقعیتهای شغلی آماده بشید.
کلاسها در سامانه skyroom به طور آنلاین برگزار میشن.
ابتدا شما با مفاهیم اصلی و یادگیری اصولی الگوریتمهای مهم آشنا میشوید، سپس یادگیری خودتون رو در قالب کدنویسی تقویت میکنید. در نتیجه شما هم میتونین هم به فکر ادامهی مسیر در قالب مقاطع تحصیلی باشین هم میتونین در بازار کار جویای کار مناسب باشید.
هر سوالی داشته باشید( چه مفهومی، چه برنامه نویسی) میتونید داخل گروه مطرح کنید و حتما استاد درس یا تدریسیارها بهتون در اسرع وقت پاسخ میدن.
بله، پس از اتمام هر جلسه ویدیو آن مدتی بعد در Spot Player قرار میگیرد
در این مجموعه سعی شده تا آشنایی با پایتون و نحوه ی اجرای کدها در محیط VScode آموزش داده شود، همچنین کتابخانه های پرکاربرد در یادگیری ماشین و تحلیل داده آموزش داده شوند.سعی بر این شده است که این مجموعه ویدیوها متناسب با هدف استفاده در یادگیری ماشین و رویکرد تحلیل داده باشد و هم برای افراد مبتدی و هم کسانی که آشنایی نسبی با زبان برنامه نویسی پایتون دارند، مناسب است.
خیر. فقط کافی است مطالب کلاسها را دنبال کنید و با اشتیاق وقت مناسبی روی تمارین بگذارید.
تمارین در قالب کدهایی از پیش آماده شده که بخشی از آن به صورت جای خالی در نظر گرفته شده، که شما باید آن را پر کنید. توجه داشته باشید در طول دوره حجم کدهای از پیش نوشته شده به عنوان کمک، کم میشود تا شما بتوانید در انتهای دوره کدهای کاملی را از صفر تا صد، بدون هیچ کمکی بنوسید.
بله، اگر دوره رو تمام کنید و بتونید در نمره پایانی که ترکیبی از نمره تمرین و پروژه شما هست حداقل نمره ۵۰٪ رو کسب کنید به شما نسخه دیجیتالی و فیزیکی گواهی پایان دوره تعلق میگیرد.
بله، توجه داشته باشید بهترین نوع یادگیری، یادگیری تعاملی همراه با پرسش و پاسخ هست ولی اگر به هر دلیلی نتوانستین در جلساتی حضور آنلاین داشته باشین مشکلی نیست و میتوانید ویدیو ضبط شده را مشاهده کنین.
مخاطبین این دوره علاقهمندان به یادگیری هوش مصنوعی و یادگیری ماشین ، مدیران و کارشناسان فنی واحدهای سازمانی، مدیران کسب و کار، و از همه مهمتر دانشجویان و دانش آموزان عزیز هستند که تنها با علاقه و پشتکار میتوانند نهایت استفاده از این دوره را ببرند و به درک اصولی و دقیق تحت نظر اساتید مجرب در اقصی نقاط دنیا، برسند.
بله، در ابتدای دوره در یکی از شبکههای اجتماعی گروهی زده خواهد شد که هم دانشجویان و هم اساتید در آن حضور دارند. یکی از مزایای این گروه (کامیونیتی)، ایجاد ارتباط موثر بین دانشجویان با یکدیگر و بین دانشجویان با اساتید میباشد که با به اشتراک گذاری موقعیتهای شغلی مناسب در داخل و خارج از کشور صورت میگیرد. شایان ذکر است که در این گروه اگر سوالی یا ابهامی براتون ایجاد شد، میتونین با طرح سوال در داخل گروه به جواب مناسب از طرف اعضای کمیته و حتی بحث با دیگر دانشجویان به جواب درست برسید.