کلاس آنلاین علم داده ۲
زمان برگزاری:
در حال برگزاری (شنبه‌ها و يکشنبه‌ها ساعت ۱۹ تا ۲۲)
هزینه
کلاس:
۷ میلیون تومان
۵ میلیون و ۲۵۰ هزار تومان
تخفیف عید تا ۵ فروردین
مدت:
۱۲۰ ساعت
از طریق برنامه‌ی ادوبی کانکت بر روی کامپیوتر شخصی، لپ تاپ، موبایل و تبلت می‌توانید در کلاس زنده شرکت کنید.
ویدیوی این کلاس ضبط می‌شود و روی یک سیستم و تحت سیستم عامل ویندوز به تعداد دفعات نامتناهی قابل پخش است.
توضیحات
هدف دوره:
▪️
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 انجام پروژه‌های واقعینحوه برگزاری دوره:
▪️
۲۰ ساعت ویدیوی پیش نیاز▪️
۵۰ ساعت کلاس نظری▪️
۳۰ ساعت ورک‌شاپ برنامه‌نویسی▪️
۱۰ ساعت ورک‌شاپ شرکت در رقابت‌های کگل▪️
۱۰ ساعت پرزنتیشن پروژه دانشجوهای کلاس▪️
انجام تمرینات دوره‌ای بصورت تیمورکسرفصلهای ویدیوی پیش مطالعه:
آمار و احتمال:
▪️ آزمون فرض
▪️ p-value و t-value
▪️ زنجیره مارکوف (Markov Chain)
▪️ توابع کرنل
پایتون:
▪️ پردازش متن (Text mining)
▪️ پردازش تصویر (image processing)
▪️ پردازش صوت (speech processing)
سرفصل‌های کلاس درس:
یادگیری ماشین:
▪️ پیش پردازش داده (Preprocessing)
▪️ بیش برازش (Overfitting) مباحث پیشرفته
انواع روش‌های یادگیری نظارت شده:
▪️ 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 مسایل 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 دو سویه (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:
مقدمات اساسی پایتون:
▪️ آشنایی با کتابخانه Pandas
▪️ آشنایی با کتابخانه Sci-Fi
▪️ آشنایی با داده ست‌های مشهور ۲
انواع پیش پردازش داده ۲:
▪️ داده متنی
▪️ داده صوتی
▪️ داده تصویر
▪️ داده تصاویر سه‌بعدی پزشکی
پروژه‌های عملی:
▪️ حداقل ۲۰ پروژه کاربردی برای کار با انواع شبکه‌های عصبی
سرفصل‌های پایتون:
▪️ معرفی پلتفرم Keras
▪️ معرفی پلتفرم Pytorch
▪️ معرفی پکیج tqdm
▪️ معرفی پکیج pickle
سرفصل‌های عمومی:
▪️ دستورات Git
▪️ معرفی Ubuntu
