کلاس آنلاین گرامر EPT و MSRT
- از طریق برنامهی ادوبی کانکت بر روی کامپیوتر شخصی، لپ تاپ، موبایل و تبلت میتوانید در کلاس در حال برگزاری شرکت بفرمایید.
- توضیحات
کلاس آنلاین یادگیری علم داده ۲ کافهتدریس به شما کمک میکند بر مفاهیم دیتا ساینس و ماشین لرنینگ تسلط کامل پیدا کنید. شکل برگزاری این کلاس آنلاین بهصورت ورکشاپ است. بنابراین این کلاس با کار روی پروژههای واقعی شما را برای ورود به بازار کار علم داده و یادگیری ماشین آماده میکند.
✔️ نحوه برگزاری کلاس آنلاین یادگیری علم داده ۲
نحوه برگزاری کلاس آنلاین یادگیری علم داده ۲ و بخشهای مختلف آن از این قرار است:
➕ ۲۰ ساعت ویدیوی پیشنیاز
➕ ۵۰ ساعت کلاس نظری
➕ ۳۰ ساعت ورکشاپ برنامهنویسی
➕ ۱۰ ساعت ورکشاپ شرکت در رقابتهای کگل
➕ ۱۰ ساعت پرزنتیشن پروژه دانشجوهای کلاس
➕ انجامدادن تمرینات دورهای بهصورت تیمورک
✔️ سرفصلهای ویدیوی پیشمطالعه
ویدیوهای پیشمطالعه کلاس آنلاین علم داده ۲ دو بخش آمار و احتمال و زبان برنامهنویسی پایتون برای علم داده را دربرمیگیرد. جزئیات هر یک از این سرفصلها از این قرار است:
آمار و احتمال
◻️ آزمون فرض
◻️ p-value و t-value
◻️ زنجیره مارکوف (Markov Chain)
◻️ توابع کرنل
زبان برنامهنویسی پایتون
◻️ پردازش متن (Text mining)
◻️ پردازش تصویر (image processing)
◻️ پردازش صوت (speech processing)
✔️ سرفصلهای کلاس درس یادگیری علم داده ۲
سرفصلهای تدریس علم داده ۲ از این قرار است:
یادگیری ماشین
• پیشپردازش داده (Preprocessing)
• بیشبرازش (Overfitting) مباحث پیشرفته
انواع روشهای یادگیری نظارتشده
• مدل بیز ساده (Naive Bayes Classification)
• ماشین بردار پشتیبان (Support Vector Machine)
• روش درخت تصمیم و رندم فارست (Decision Trees and Random Forests)
• روش k نزدیکترین همسایه (K Nearest Neighbor)
یادگیری بدون نظارت
• کاهش غیرخطی ابعاد (Manifold Learning)
• روش کلاسترینگ K-means
• تشخیص آنومالی (Anomaly Detection)
دستهبندی مسائل واقعی
• دستهبندی (Classification)
• رگرسیون (Regression)
• بخشبندی (Segmentation)
• شناسایی موجودیت (Object Detection)
• مکانیابی (Localization)
• ایجاد تصاویر مصنوعی (Generation)
• انواع شبکه عصبی (Neural Netwroks)
• شبکههای عصبی کانولوشنی پیشرفته
• شبکههای بازگشتی (RNNs)
• شبکههای بازگشتی مدرن (GRU - LSTM)
• شبکههای بازگشتی دوسویه (Bidirectional)
• معماری انکودر دیکودر (Encoder-Decoder Architecture)
• مکانیزم توجه (Attention Mechanisms)
• ترنسفورمرز (Transformers)
• الگوریتمهای بهینهسازی (Optimization Algorithms)
• بینایی ماشین (Computer Vision)
• سیستمهای پیشنهاددهنده (Recommender Systems)
• شبکههای مولد خصمانه (GANs)
• شبکههای سیامی (siamese Networks)
• شبکههای بخشبندی و شناسایی (YOLO – RCNN)
✔️ سرفصلهای ورکشاپ برنامهنویسی
سرفصهای ورکشاپ برنامهنویسی کلاس آنلاین یادگیری علم داده ۲ کافهتدریس از این قرار است:
مقدمات اساسی پایتون
• آشنایی با کتابخانه Pandas
• آشنایی با کتابخانه Sci-Fi
• آشنایی با دادهستهای مشهور ۲انواع پیشپردازش داده ۲
• داده متنی
• داده صوتی
• داده تصویر
• داده تصاویر سهبعدی پزشکی
پروژههای عملی
• دستکم ۲۰ پروژه کاربردی برای کار با انواع شبکههای عصبیسرفصلهای پایتون برای علم داده
• معرفی پلتفرم Keras
• معرفی پلتفرم Pytorch
• معرفی پکیج tqdm
• معرفی پکیج pickleسرفصلهای عمومی
• دستورهای Git
• معرفی Ubuntu
✔️ هدف دوره یادگیری علم داده ۲
کلاس آنلاین یادگیری علم داده ۲ کافهتدریس این هدفها را دنبال میکند:
◻️ شناخت عملی کاربردهای اساسی علم داده
◻️ آشنایی با مفاهیم سطح ۲ رشته علم داده
◻️ انتخاب معماری شبکه، پیادهسازی و اجرای پروژههای کاربردی
◻️ ایجاد یک پایپلاین end-to-end برای انجامدادن پروژههای واقعی