دوره جامع دیتا ساینس و ماشین لرنینگ

مدت: ۱۶۰ ساعت
زمان برگزاری: شنبه‌ها ۱۹:۰۰ الی ۲۲:۰۰ (شروع از ۰۱ مهر ۱۴۰۲)
  • از طریق کامپیوتر شخصی، لپ تاپ، موبایل و تبلت می‌توانید در این کلاس شرکت کنید.
  • فیلم این کلاس ضبط می‌شود و صرفا روی یک دستگاه سیستم عامل ویندوز یا مک یا اندروید به تعداد دفعات نامتناهی قابل پخش است.
ثبت‌نام
  • هزینه‌ی ثبت نام
    ۱۰,۷۵۰,۰۰۰ ۸,۰۶۰,۰۰۰ تومان
ثبت‌نام در کافه‌تدریس
عضویت در کافه تدریس به معنای پذیرفتن قوانین سایت می‌باشد
  • توضیحات
  • سوالات متداول
  • نظرات دانشجویان

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

  • آیا من، با دانش و تحصیلات غیرمرتبط، می‌توانم دیتا ساینس و ماشین لرنینگ را بیاموزم؟

    بله. هر کسی که به تجزیه‌وتحلیل داده‌ها و حل مسئله علاقه داشته باشد، صرف‌نظر از پیشینه تحصیلی‌اش، می‌تواند دیتا ساینس و ماشین لرنینگ را بیاموزد. دوره جامع دیتا ساینس و ماشین لرنینگ کافه‌تدریس تمامی پیش‌نیازهای لازم برای ورود به دنیای علم داده و یادگیری ماشین و هوش مصنوعی را در بر گرفته است. شما با شرکت در دوره دیتا ساینس و ماشین لرنینگ می‌توانید صفر تا صد این دانش و مهارت را به‌صورت گام‌به‌گام از مقدماتی تا پیشرفته طی کنید.

  • پیش‌نیازهای یادگیری دیتا ساینس و ماشین لرنینگ چیست؟

    مهارت‌های اولیه برنامه‌نویسی در زبان‌هایی مانند پایتون و آشنایی با مفاهیم ریاضی و آمار و علوم کامپیوتر و شبکه‌های عصبی از پیش‌نیازهای اصلی هستند. استاد رضا شکرزاد در دوره جامع دیتا ساینس و ماشین لرنینگ کافه‌تدریس تمامی پیش‌نیازهای لازم را پوشش داده و به‌صورت کامل تدریس کرده‌اند. شما، با تماشای ویدیوهای پیش‌نیاز دیتا ساینس و ماشین لرنینگ، بر تمامی پیش‌نیازها تسلط پیدا خواهید کرد.

  • یادگیری دیتا ساینس و ماشین لرنینگ برای من چقدر طول می‌کشد؟

    مدت زمان یادگیری این حوزه براساس دانش قبلی شما و میزان زمانی که قرار است برای یادگیری صرف کنید؛ همچنین اینکه چقدر می‌خواهید در این حوزه عمیق شوید متفاوت است. برخی از مهارت‌های اساسی را می‌توان در چند ماه یاد گرفت، درحالی‌که تسلط بر این رشته می‌تواند زمان بیشتری را ببرد.

  • آیا باید در ریاضیات متخصص باشم؟

    ریاضیات اساس این حوزه است، اما بسیاری از مفاهیم علم داده را می‌توان با ریاضی پایه درک کرد. به تخصص در ریاضیات نیازی نیست. در طول زمان و در صورت نیاز ممکن است موضوع‌های پیشرفته‌تری را هم بررسی کنید؛ ضمن آنکه ریاضیات پایه موردنیاز به‌شکل ویدیوی ضبط‌شده بعد از ثبت‌نام در دوره در اختیارتان قرار می‌گیرد.

  • آیا تجربه کدنویسی برای شرکت در دوره علم داده لازم است؟

    مهارت‌های اولیه کدنویسی، به‌ویژه در زبان‌های برنامه‌نویسی مانند پایتون یا R، مفید هستند. در صورتی که شما هم کدنویسی ندانید، می‌توانید در دوره جامع دیتا ساینس و ماشین لرنینگ شرکت کنید. علاوه بر ویدیوی مقدمات پایتون که جزو پیش‌نیازهاست و در اختیارتان قرار می‌گیرد، در طول دوره جامع دیتا ساینس و ماشین لرنینگ، رفته‌رفته، کدنویسی پایتون برای علم داده و یادگیری ماشین را یاد می‌گیرید و بر آن مسلط می‌شوید.

  • دامنه فرصت‌های شغلی پس از اتمام دوره دیتا ساینس و ماشین لرنینگ چیست؟

    تکمیل دوره فرصت‌های شغلی‌ در نقش‌های مختلف، ازجمله تحلیلگر داده، مهندس یادگیری ماشین، دانشمند داده و متخصص هوش مصنوعی، را برای‌تان فراهم می‌کند. بسته به علاقه‌مندی‌تان به ادامه آموزش و پیشرفت بیشتر، حوزه دیتا ساینس و ماشین لرنینگ و هوش مصنوعی فرصت‌های شغلی بسیار زیادی پیش روی شما قرار می‌دهد. به‌طور کلی این حوزه بیشترین درآمد را در کشورهای مختلف دنیا به خود اختصاص می‌دهد. متخصصان این حوزه جزو دهک‌های بالای حقوق و درآمد در امریکا و کشورهای اروپایی هستند؛ به‌همین دلیل، فرصت‌های شغلی این حوزه را پرتقاضاترین شغل‌های قرن ۲۱ دانسته‌اند.

  • آیا شرکت در دوره جامع دیتا ساینس و ماشین لرنینگ برایم کافی است؟‌

    جواب این سؤال به نیازهای شما و علاقه‌مندی‌های‌تان بستگی دارد. دوره جامع دیتا ساینس و ماشین لرنینگ گام‌به‌گام شما را از سطح مقدماتی به سطح پیشرفته می‌رساند. شما، بسته به اینکه چه نیازهایی دارید و چقدر به این حوزه علاقه‌مندید، می‌توانید قدم‌های بلندتری برای یادگیری علم داده و یادگیری ماشین و هوش مصنوعی بردارید. به‌صورت کلی، ممکن است شما فقط به دنبال یادگیری الگوریتم‌های پایه‌ای یادگیری ماشین برای پیش‌برد کار پایان‌نامه ارشد خود باشید؛ در این صورت می‌توان گفت این دوره، نه‌تنها کافی است، بیش از نیازهای شما را پوشش می‌دهد. اگر به دنبال کار در این حوزه باشید، دوره جامع دیتا ساینس و ماشین لرنینگ می‌تواند مسیر شغلی شما را به‌سوی بهترین فرصت‌های شغلی باز کند.

  • آیا لازم است در رشته علوم کامپیوتر تحصیل کرده باشم؟

    خیر. داشتن پیشینه تحصیلی و کاری در حوزه علوم کامپیوتر اجباری نیست. دوره جامع دیتا ساینس و ماشین لرنینگ به‌گونه‌ای طراحی شده است که افراد از رشته‌های مختلف را در خود جای دهد.

  • آیا این دوره برای مبتدیان مناسب است؟

    بله. دوره دیتا ساینس و یادگیری ماشین تمامی پیش‌نیازهای لازم را پوشش داده است؛ درنتیجه، افرادی با پایه ضعیف و دانش اندک، صرفاً با داشتن علاقه‌مندی، می‌توانند یادگیری علم داده و ماشین لرنینگ را با این دوره شروع کنند و به سطح پیشرفته برسند.

  • آیا می‌توانم با سرعت یادگیری خودم پیش بروم؟

    بله، ضبط ویدیویی این دوره به شما اجازه می‌دهد که سرعت یادگیری خود را با توجه به زمان و برنامه خود تنظیم کنید. بااین‌همه مهم است که طبق برنامه‌ریزی کلاسی پیش بروید.

  • آیا می‌توانم در حین کار تمام وقت در این دوره شرکت کنم؟

    بله، شما می‌توانید با درنظر‌گرفتن زمان آزاد خود برای یادگیری، ویدیوهای دوره جامع دیتا ساینس و ماشین لرنینگ را تماشا کنید؛ بنابراین، حتی اگر شاغل باشید، می‌توانید در این دوره شرکت کنید.

  • آیا به سخت‌افزار یا نرم‌افزار خاصی نیاز دارم؟

    برای شروع یادگیری علم داده و ورود به دیتا ساینس و ماشین لرنینگ سخت‌افزارهای اولیه مانند کامپیوتر و اتصال به اینترنت کافی است. این دوره ممکن است ابزارهای نرم‌افزاری را که معمولاً در این حوزه استفاده می‌شود توصیه کند.

  • ساناز مردانی

    بهترین کلاس در تمام طول تحصیلم بود. استاد با مسولیت و دقت فراوان دوره رو تدریس کردن.اگه صدبار باز پخش رو ببینم باز دوست دارم تکرارکنم به خاطر شیوایی کلام و تدریسشون.ممنونم از استاد شکرزاد 

  • امیر رضا بخشی

    تلفیق مبانی نظری و عملی با تجارب مدرس بسیار تاثیرگذار هست در روند یادگیری و آموزش. توصیه ام اینه که ویدئو های پیش مطالعه برای یادگیری پایتون و زبان sql بیشتر بشن یا یه دوره پیش نیاز پایتون یا sql مربوط به علم داده اضافه بشه. بعلاوه اینکه اگه بشه چالش های به روز و باحال شرکت های بزرگ در کگل رو مرور کرد و کاملا بررسی بشن توی وبینار ها یا تک جلسه های از قبل تعیین شده( به جای اینکه موضوعات وبینار ها تکراری بشن)، خیلی میتونه مفید باشه و بچه ها رو توی مسیر نگه داره. در کل من راضی هستم و به دوستان هم پیشنهاد دادم این دوره ها رو. خیلی ممنون از تیم خوبتون و همینطور استاد شکرزاد که واقعا دانش و تجربه خودشون رو بی منت منتقل میکنند.

  • بنیامین خزلی

    عالی خیلی خوب‌ و با تسلط بودن استاد شکرزاد

  • ابراهیم قاسمی

    تسلط کامل و فن بیان در تدریس توسط مدرس محترم

  • سیدابراهیم حسینی

    عالی‌ عالی‌ عالی

  • پویان فیاضی

    همه چیز به شدت عالی و بهینه 

  • محمدرضا عبدالحسینی

    اقا شکرزاد واقعا از لحاظ دانش این علم قوی هستن و قدرت انتقال اطلاعاتشون هم عالیه همچنین واقعا استاد دلسوزی هستن با اونکه دوره ها تموم شده ولی باز هوای بچه هارو دارن ولی فقط دوست داشتم تو طول دوره یکم قسمت هایی که پایتون گفته میشد بیشتر بازش میکردن ولی بازم عالی بود

  • سپهر حاجی عباسی

    محتوای کلاس بسیار عالی و با کیفیت هست متانسب با شناختی که از جناب شکرزاد داشتم و تجربه خیلی خوب از کلاس ریاضی ایشان ، محتوای کلاس علم داده کامل و کاربردی میباشد.

  • علیرضا نظری

    سیلابس ها بسیار عالی و منسجم  ارائه جناب شکرزاد نیز پر انرژی است و انگیزه ایجاد می کند

  • نسترن

    تدریس استاد شکرزاد عالیه؛ و خیلی خوبه که بعضی از مباحث رو از پایه توضیح میدن؛ درک و فهم مسائل راحت تر میشه. اگر امکانش هست، یک دوره تخصصی پیش پردازش انواع داده ها برگزار بشه. ممنون از استاد شکرزاد و تیم کافه تدریس

  • پریسا عزت پناه

    استاد شکرزاد کارش درسته و واقعا حرف نداره.

  • حسین خدابنده

    خوب و مفید و کاربردی ی مقدار مدتش بیشتر باشه بهتره

  • ندا فتحی

    دوره بسیار مفید و کاملی بود اما ایکاش پیگیری برای انجام تکالیف و پروژه ها سخت تر بود با تشکر و خسته نباشید از استاد شکرزاد عزیز و بچه های پشتیبانی کافه تدریس:))

  • امیررضا صفدر توره یی

    عالی خوب و مسئولانه

  • مریم خوش نیت

    حتوای کلاس عالی کامل و با ذکر جزییات بود

  • حمیده

    هنوز کلاس شروع نشده اما پیش نیازا عالین و فن بیان و تسلط استاد واقعا انگیزه ای هست تا جدی تر دنبال کنیم دروس رو فقط کاش امکان بازبخش کلاسا از طریق سایت هم میبود

رضا شکرزاد
دانش‌آموخته علوم داده از دانشگاه رادبود هلند و مهندسی صنایع از دانشگاه شریف