دوره جامع دیتا ساینس و ماشین لرنینگ

دوره جامع دیتا ساینس و ماشین لرنینگ کافه‌تدریس مبتنی بر آموزش کارگاهی است. تمامی پیش‌نیازهای لازم برای یادگیری این دانش و مهارت در این دوره پوشش داده می‌شود. با شرکت در این دوره جامع می‌توانید در سطح‌های مقدماتی تا پیشرفته علم داده و یادگیری ماشین به‌صورت گام‌به‌گام آموزش ببینید، مهارت‌های نظری و عملی یادگیری ماشین را در قالب کارگاه‌های عملی، مقاله‌های بروز حوزه و انجام پروژه های واقعی بهبود دهید تا برای ورود به بازار کار و مقاطع بالای تحصیلی در این رشته آماده شوید. 

طی این دوره جامع شما دانش‌ و مهارت لازم برای دیتا ساینس و ماشین لرنینگ، ازجمله ریاضی و آمار، پایتون، شبکه‌های عصبی، پایگاه داده را می‌آموزید. همچنین در کار با ابزار مختلف جمع‌آوری و پالایش و تحلیل داده، مصورسازی داده، کار با کتابخانه‌های مختلف پایتون، پایگاه داده‌ها و غیره مهارت کافی را کسب می‌کنید. 

✔️ بشنوید: صفر تا صد دوره جامع دیتا ساینس و ماشین لرنینگ

در این فایل صوتی رضا شکرزاد مسیر یادگیری دیتا ساینس و ماشین لرنینگ را در دوره جامع ترسیم می‌کند و به مباحث آموزشی دوره می‌پردازد؛ همین‌طور توضیح می‌دهد که چطور شما با هر پیشینه دانش و تحصیلات می‌توانید یادگیری را شروع کنید.

✔️ مزیت‌های دوره جامع دیتا ساینس و ماشین لرنینگ کافه‌تدریس چیست؟

مهم‌ترین مزیت دوره جامع علم داده و ماشین لرنینگ کافه‌تدریس آموزش گام‌به‌گام و همین‌طور عملی دانش و مهارت این حوزه است.
دیگر مزیت‌های این دوره جامع از این قرار است: 
◼️ دربرگرفتن تمامی پیش‌نیازها 
◼️ مشاوره تخصصی جامع از ابتدا تا پایان دوره 
◼️ آموزش کاملاً تعاملی و پویا 
◼️ آموزش تمامی سرفصل‌های مهم هوش مصنوعی 
◼️ آموزش عملی و کارگاهی و کار روی پروژه‌های واقعی

✔️ مسیر یادگیری دیتا ساینس و ماشین لرنینگ کافه‌تدریس 

مسیر یادگیری دوره جامع دیتا ساینس و ماشین لرنینگ کافه‌تدریس از این قرار است: 

➕ ۳۲ ساعت ویدیوی پیش‌‌نیاز (برای متقاضیانی که از رشته‌های غیرمرتبط وارد این حوزه می‌شوند)
➕ ۶۶ ساعت کلاس نظری
➕ ۴۲ ساعت ورک‌شاپ برنامه‌نویسی
➕ ۱۰ ساعت ورک‌شاپ شرکت در رقابت‌های کگل 
➕ ۶ ساعت آموزش پایگاه داده
➕ ۵ ساعت ورژن کنترل
➕ پرزنتیشن پروژه دانشجوهای کلاس 
➕ انجام‌دادن تمرینات دوره‌ای به‌صورت تیم‌ورک 

✔️ سرفصل‌های ویدیوی پیش‌مطالعه دوره جامع دیتا ساینس و ماشین لرنینگ 

سرفصل‌های ویدیوی پیش‌مطالعه دوره جامع دیتا ساینس و ماشین لرنینگ کافه‌تدریس از این قرار است: 

آمار و احتمال برای دیتا ساینس

◻️ احتمال و احتمال شرطی 
◻️ متغیرهای تصادفی گسسته و پیوسته مهم
◻️ آمار توصیفی (میانگین، واریانس و متغیر استاندارد)
◻️ رگرسیون خطی
◻️ قضیه حد مرکزی و قانون اعداد بزرگ

ریاضی برای دیتا ساینس

◻️ قاعده مشتق زنجیره‌ای
◻️ مشتق مراتب بالاتر
◻️ گرادیان
◻️ جبر خطی و ماتریس و جبر مجموعه‌ها
◻️ شبیه‌سازی مونتی‌کارلو (Monte carlo)
◻️ p-value و t-value
◻️ زنجیره مارکوف  (Markov Chain)
◻️ توابع کرنل
◻️ مقدار ویژه، بردار ویژه و تجزیه منفرد ماتریس (Eigen Value/Vector | Singular Value Decomposition)

پردازش انواع داده

◻️ پردازش متن  (Text mining)
◻️ پردازش تصویر  (Image processing)
◻️ پردازش صوت  (Speech processing)
◻️ پردازش تصاویر پزشکی (Medical Imaging)
◻️ ورودی بر مقدمات یادگیری ماشین و یادگیری عمیق
◻️ مهندسی ویژگی (Feature Engineering)

زبان برنامه‌نویسی پایتون برای دیتا ساینس

◻️ انواع محیط‌های برنامه‌نویسی پایتون
◻️ نصب و راه‌اندازی
◻️ انواع داده در پایتون
◻️ گزاره‌های شرطی در پایتون
◻️ پیاده‌سازی مفاهیم آمار توصیفی در پایتون
◻️ پیاده‌سازی بردارها و انواع عملیات روی آن‌ها در پایتون
◻️ پیاده‌سازی ماتریس‌ها و انواع عملیات روی آن‌ها در پایتون به همراه تصویرسازی
◻️ پیاده‌سازی مشتق و گرادیان در پایتون
◻️ پیاده‌سازی حلقه و تابع در پایتون
◻️ کتابخانه پایتورچ (PyTorch)
◻️ کتابخانه تنسورفلو (TensorFlow)
◻️ کتابخانه کراس (Kras)

✔️ سرفصل‌های دوره دیتا ساینس و ماشین لرنینگ 

سرفصل‌های دوره جامع دیتا ساینس و ماشین لرنینگ استاد شکرزاد از این قرار است: 

انواع ماشین لرنینگ

• یادگیری نظارت‌شده   (Supervised Learning)
• یادگیری بدون ناظر  (Unsupervised Learning)
• یادگیری تقویتی  (Reinforcement Learning)

مفاهیم اساسی

• پیش پردازش داده  (Preprocessing)
• مهندسی ویژگی  (Feature Engineering)
• انتخاب مدل  (Model Selection)
• بیش‌برازش و کم‌برازش  (Over fitting and Under fitting)
• انواع دسته‌بندها ( Classifiers)
• گرادیان کاهشی  (Gradient Descent)
• تابع هزینه  (Loss Function)
• تنظیم (Regularization)
• آموزش، اعتبارسنجی و آزمودن مدل  (Train, Validation, and Test)
• آموزش مدل  (training The Model)
• اعتبارسنجی  (Validation)
• آزمودن مدل  (Test The Model)

انواع روش‌های یادگیری نظارت‌شده:

• رگرسیون خطی  (Linear Regression)
• رگرسیون لجستیک  (Logistic Regression)

مقدمه‌ای بر شبکه‌های عصبی

• پرسپترون چندلایه  (Multilayer Perceptron)
• شبکه عصبی مصنوعی  (Artificial Neural Networks)
• شبکه عصبی کلاسیک  (Fully-connected Neural Netwroks)
• تابع فعال‌ساز  (Activation Function)
• وزن‌ و بایاس  (Weight and Biase)
• تابع هزینه  (Loss Function)
• الگوریتم حرکت رو به جلو  (Forward Pass)
• الگوریتم پس‌انتشار خطا  (Backpropagation)
• انواع گرادیان کاهشی  (Gradient Descent Types)
• تابع بهینه‌ساز  (Optimizer)
• اندازه دسته داده‌ها  (Batch Size)
• مشکلات شبکه عصبی کلاسیک

شبکه‌های عصبی کانولوشنی

• شبکه‌ عصبی کانولوشنی  (Convolutional Neural Networks)
• فیلتر و انواع آن  (Kernel)
• پولینگ  (Pooling)
• دراپ‌اوت  (Dropout)
• عادی‌سازی دسته داده  (Batch Normalization)
• دایلیشن  (Dilation)

ماشین لرنینگ

• پیش‌پردازش داده   (Preprocessing)
• بیش‌برازش (Overfitting) مباحث پیشرفته
• مهندسی ویژگی  (Feature Engineering)

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)

یادگیری عمیق

• کلاس‌بندی   (Classification)
• رگرسیون   (Regression)
• کلاسترینگ  (Clustering)
• بخش‌بندی   (Segmentation)
• شناسایی موجودیت   (Object Detection)
• مکان‌یابی  (Localization)
• مدل‌های هوشمند مولد  (Generative AI)
• انواع شبکه عصبی  (Neural Networks)
• شبکه‌های عصبی کانولوشنی پیشرفته
• شبکه‌های بازگشتی  (RNNs)
• شبکه‌های بازگشتی با حافظه طولانی  (GRU - LSTM)
• شبکه‌های بازگشتی دوسویه   (Bidirectional)
• معماری انکودر دیکودر   (Encoder-Decoder Architecture)
• معماری اتوانکودر  (Auto Encoder Architecture)
• مکانیزم توجه   (Attention Mechanisms)
• ترنسفورمرز   (Transformers)
• بینایی ماشین   (Computer Vision)
• مدل‌های زبانی بزرگ  (LLMs)
• سیستم‌های پیشنهاددهنده   (Recommender Systems)
• شبکه‌های مولد خصمانه   (GANs)
• شبکه‌های سیامی   (siamese Networks)
• شبکه‌های بخش‌بندی و شناسایی   (YOLO – RCNN)
• الگوریتم‌های بهینه‌سازی   (Optimization Algorithms)

پردازش داده غیرساختاریافته

• پردازش زبان طبیعی (NLP)  
• تعبیه کلمات  (Word Embedding)
• انواع مدل‌های زبانی (tf/idf | Word2vec | Glove | FastText | BERT | GPT | ELMo)  
• پردازش صوت خودکار  (Automated Speech Recognition)
• پردازش تصویر  (Image Processing) 

✔️ سرفصل‌های ورک‌شاپ برنامه‌نویسی

سرفصل‌های ورک‌شاپ برنامه‌نویسی دوره جامع دیتا ساینس و ماشین لرنینگ کافه‌تدریس از این قرار است: 

مقدمات اساسی پایتون برای علم داده

◼️ آشنایی با کتابخانه  Matplotlib
◼️ آشنایی با کتابخانه  SKlearn
◼️ آشنایی با کتابخانه  Scipy
◼️ آشنایی با داده ست‌های مشهور

انواع پیش‌پردازش داده‌

◼️ داده‌ متنی
◼️ داده صوتی
◼️ داده تصویر

پروژه‌های عملی

◼️ دست‌کم ۲۰ پروژه کاربردی برای کار با انواع شبکه‌های عصبی

سرفصل‌های پایتون برای دیتا ساینس و ماشین لرنینگ

◼️ معرفی پلتفرم   Keras
◼️ معرفی پلتفرم   Pytorch
◼️ معرفی پکیج   tqdm
◼️ معرفی پکیج   pickle

سرفصل‌های عمومی

◼️ دستورهای Git
◼️ معرفی Ubuntu
◼️ پایگاه داده با MySQL (از مقدماتی تا پیشرفته)
◼️ پای اسپارک (PySpark) ابزار کار با بیگ‌دیتا

✔️ دوره جامع دیتا ساینس و ماشین لرنینگ چه اهدافی را دنبال می‌کند؟

◼️ آشنایی با مفاهیم اساسی کار با داده (شناخت ادبیات موضوع و مفاهیم اصلی)
◼️ درک مفاهیم علوم مرتبط با علم داده، شامل ریاضی، آمار و علوم کامپیوتر
◼️ آشنایی با ابزارها، زبان‌های برنامه‌نویسی، پلتفرم‌های موردنیاز حوزه
◼️ توانایی تشخیص انواع مسائل واقعی و نحوه مدل‌سازی آن‌ها
◼️ شناخت کامل الگوریتم‌ها و روش‌های اصلی یادگیری ماشین و یادگیری عمیق
◼️ شناخت عملی کاربردهای اساسی علم داده
◼️ آشنایی با مفاهیم پیشرفته دیتا ساینس و ماشین لرنینگ
◼️ انتخاب معماری شبکه، پیاده‌سازی و اجرای پروژه‌های کاربردی
◼️ ایجاد یک پایپ‌لاین end-to-end برای انجام‌دادن پروژه‌های واقعی

✔️ مخاطبان این دوره آموزشی چه کسانی هستند؟

دوره جامع دیتا ساینس و ماشین لرنینگ کافه‌تدریس به‌صورتی طراحی شده است که هر علاقه‌مندی با هر پیش‌زمینه دانش و تحصیلات بتواند صفر تا صد یادگیری را طی کند. مطمئناً سرعت یادگیری دوره به میزان دانش قبلی هر فرد و زمانی که برای یادگیری اختصاص می‌دهد و زمانی که می‌گذارد بستگی دارد.

به‌صورت کلی مخاطبان این دوره از این قرار است:

➕ دانشجویان و دانش‌آموختگان مهندسی کامپیوتر و IT و علوم کامپیوتر
➕ دانشجویان و دانش‌آموختگان فنی و مهندسی
➕ دانشجویان و دانش‌آموختگان رشته‌های مدیریت و اقتصاد و مدیریت کسب‌وکار (MBA)
➕ علاقه‌مندان به یادگیری دیتا ساینس و ماشین لرنینگ از دیگر شاخه‌ها و رشته‌ها 

✔️ ویدئو جلسه اول کلاس آنلاین علم داده