ویدیوی علم داده ۱ (آفلاین)

ویدیوی آموزش علم داده ۱ کافه‌تدریس در ۴۰ ساعت تنظیم شده است. این دوره دو بخش ویدیوهای پیش‌مطالعه و کلاس درس را دربرمی‌گیرد. در ویدیوی آموزش علم داده ۱ استاد شکرزاد شما به‌صورت تعاملی و کاملاً پویا مفاهیم پایه و اساسی دیتا ساینس را می‌آموزید.

✔️ جزئیات ویدیوی آموزش علم داده ۱

➕ ۱۲ ساعت ویدیوی پیش‌‌نیاز (برای متقاضیانی که از رشته‌های غیرمرتبط وارد این حوزه می‌شوند)
➕ ۱۶ ساعت کلاس نظری
➕ ۱۲ ساعت ورک‌شاپ برنامه‌نویسی
➕ انجام‌دادن تمرینات دوره‌ای به‌صورت تیم‌ورک

✔️ سرفصل‌های ویدیوی پیش‌مطالعه کلاس آنلاین علم داده ۱

سرفصل‌های ویدیوی پیش‌مطالعه کلاس آنلاین علم داده ۱ از این قرار است:

آمار و احتمال

◻️ 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

◻️ قاعده مشتق زنجیره‌ای
◻️ مشتق مراتب بالاتر
◻️ گرادیان
◻️ جبر خطی و ماتریس و جبر مجموعه‌ها

زبان برنامه‌نویسی پایتون برای علم داده

◻️ 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

✔️ سرفصل‌های کلاس درس

سرفصل‌های کلاس درس ویدیوی علم داده ۱ استاد شکرزاد از این قرار است:

انواع یادگیری ماشین

• 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 نظارت‌شد:

• 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)

✔️ برنامه درسی ویدیوی آموزش علم داده ۱ 

برنامه درسی ویدیوی آموزش علم داده ۱ کافه‌تدریس، به‌ترتیب جلسه‌ها، از این قرار است:

1️⃣ جلسه اول ویدیوی آموزش علم داده ۱

تعریف یادگیری ماشین به‌صورت مفهومی

▪️ کاربردهای  prediction، automation  وoptimization  ماشین لرنینگ
▪️ ماشین قرار است چه چیزی را یاد بگیرد؟
▪️ ماشین چطور در تکرار و با چه روش درون‌یابی می‌کند؟
▪️ نحوه توسعه الگوریتم‌های یادگیری ماشین چیست؟
▪️ بررسی تئوری مدل‌های ماشین لرنینگ در پایتون

فرایند پیاده‌سازی یادگیری ماشین (Machine learning Pipeline)

▪️ جمع‌آوری داده  (Data collection)
▪️ آنالیز و تحلیل آماری داده  (Exploratory Data Analysis)
▪️ پیش‌پردازش  (preprocessing)
▪️ آموزش مدل  (Training Phase)
▪️ ارزیابی مدل آموزش‌دیده  (Evaluation Phase)
▪️ تعبیه مدل و تبدیل‌کردن آن به محصول  (Deployment and Productionizing)

معرفی پیش‌نیازها و منابع

▪️ معرفی شبکه‌های کامپیوتری
▪️ معرفی پیش‌نیازهای ریاضی، آمار و برنامه‌نویسی
▪️ معرفی منابع

انواع داده و دسته‌بندی داده

2️⃣ جلسه دوم ویدیوی آموزش علم داده ۱

▪️ بررسی انواع زبان‌های برنامه‌نویسی برای یادگیری ماشین
▪️ بررسی انواع کتابخانه‌های پایتون که در ماشین لرنینگ کاربرد دارند
▪️ کد پایتون برای نشان‌دادن تفاوت سرعت و میزان پیچیدگی پکیج‌های پایتون به‌همراه مفهوم Big O
▪️ انواع یادگیری در ماشین لرنینگ (با ناظر، بدون ناظر، تقویتی)
▪️ بررسی یک مورد خاص و مثال عملی

3️⃣ جلسه سوم ویدیوی آموزش علم داده ۱

▪️ معرفی تسک رگرسیون خط
▪️ مفهوم تابع هزینه و اررور
▪️ انواع تابع هزینه مسئله رگرسیون شامل MSE  | RMSE | SSE | MAE | SAE
▪️ تفسیر هندسی تابع هزینه رگرسیون
▪️ کد پایتون برای ترسیم اشکال سه‌بعدی
▪️ انواع رگرسیون خطی
▪️ روش‌های بهینه‌سازی تابع هزینه شامل گرادیان کاهشی (Gradient Descent) و معادله نرمال  (Normal Equation)
▪️ تفسیر ریاضی روش گرادیان کاهشی
▪️ روش‌های عادی‌سازی و استانداردسازی

4️⃣ جلسه چهارم ویدیوی آموزش علم داده ۱

▪️ ورک‌شاپ برنامه‌نویسی پایتون برای تسک رگرسیون
▪️ معرفی کامل حال‌تهای مختلف datasets در پکیج  sklearn
▪️ کد پایتون با استفاده از پکیج sklearn برای پیاده‌سازی تسک رگرسیون خطی
▪️ کد پایتون با استفاده از پکیج sklearn برای پیاده‌سازی تسک رگرسیون چندمتغیره
▪️ استانداردسازی به‌روش‌های z-score یا min-max-scaler

5️⃣ جلسه پنجم ویدیوی آموزش علم داده ۱

▪️ معرفی روش kmeans برای مسئله clustering بدون نظارت
▪️ مثال عملی برای درک مفهوم پیچیدگی زمانی و حافظه
▪️ انواع مسائل کلاس‌بندی
▪️ معرفی تسک کلاس‌بندی دوکلاسی و  Logistic Regression
▪️ کد پیاده‌سازی تابع سیگموید در پایتون
▪️ روش حداکثر درست‌نمایی maximum likelihood برای ساختن تابع هزینه مسئله کلاس‌بندی
▪️ معرفی تابع هزینه کراس آنتروپی  (Cross Entropy)
▪️ بررسی دلیل fit_transform و transform برای داده‌های Train  و Test

6️⃣ جلسه ششم ویدیوی آموزش علم داده ۱

▪️ ورک‌شاپ پیاده‌سازی تسک‌های کلاس‌بندی
▪️ تفسیر هندسی مفهوم  logistic regression
▪️ کلاس‌بندی چندکلاسی با دو روش Multiple Cross Entropy  و  One vs Rest
▪️ تعریف مفهوم مرز تصمیم‌گیری  decision boundary
▪️ ارزیابی مدل کلاسیفایر یا کمک ماتریس درهم‌ریختگی
▪️ متریک‌های  accuracy | recall | precision | f1-score
▪️ پیش‌پردازش تبدیل داده کتگوریکال به داده نیومریکال با یکی از سه روش LabelEncoder | get_dummies | OneHotEncoder
▪️ کد پایتون برای کلاس‌بندی دوکلاسی، چندکلاسی با کمک پکیج و از  scratch
▪️ کد پایتون برای دیتاست‌هایcancer  و  titanic

7️⃣ جلسه هفتم ویدیوی آموزش علم داده ۱

▪️ مفهوم بیش‌برازش یا  overfitting
▪️ بررسی و نحوه ارزیابی learning curve مرحله اموزش و ارزیابی
▪️ مفهوم  generalization
▪️ راهکارهای regularization که شامل L1 و L2 هستند
▪️ مفهوم نرم و اندازه بردار با انواع روش‌های میندوسکی Mindowsky شامل منهتن  Manhatan، اقلیدسی Euclidean  و چبیشف  Chebyshev
▪️ تابع هدف روش  Regularization
▪️ تعبیر هندسی روش  Regularization
▪️ روش کراس ولیدیشن برای ارزیابی مدل  Cross Validation

8️⃣ جلسه هشتم ویدیوی آموزش علم داده ۱

▪️ پیاده‌سازی روش Regularization در کد با پایتون
▪️ مفهوم grid search به‌صورت دستی و در پکیج  sklearn
▪️ بررسی مفاهیم L1 و L2 به‌صورت جداگانه در کد پایتون
▪️ استفاده از cross validation برای انواع داده در کد پایتون

9️⃣ جلسه نهم و دهم ویدیوی آموزش علم داده ۱

▪️ مرور کلی دوره به‌صورت تئوری و کد
▪️ مهندسی فیچر چیست و روش‌های آن
▪️ روش‌های هندل‌کردن null values در عمل
▪️ روش‌های پیداکردن و هندل‌کردن outliers یا داده‌های پرت
▪️ تحلیل منحنی‌های آموزش و ارزیابی
▪️ رابطه میان شبکه‌های عصبی و مدل‌های سنتی یادگیری ماشین
▪️ شبکه عصبی مصنوعی چیست؟
▪️ پردازش تصویر
▪️ شمارش تعداد پارامترها در شبکه‌های عصبی
▪️ معرفی تابع هزینه شبکه‌های عصبی
▪️ مشکل شبکه‌های dense یا همان fully connected و روش‌های جایگزین
▪️ شبکه عصبی ساده و کم‌عمق MLP یا  Multi Layer Perceptron
▪️ روش یادگیری انتقالی  Transfer Learning
▪️ شبکه عصبی کانولوشنی  convolutional neural networks (CNN)
▪️ مفاهیم اصلی درCNN ها، شامل فیلتر، گام، پدینگ، پولینگ، بیش‌برازش

✔️ سرفصل‌های ورک‌شاپ برنامه‌نویسی

سرلفصل‌های ورک‌شاپ برنامه‌نویسی ویدیوی آموزش علم داده ۱ 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

✔️ هدف ویدیوی آموزش علم داده ۱ کافه‌تدریس

با شرکت در ویدیوی آموزش علم داده ۱ کافه‌تدریس به این هدف‌ها دست می‌یابید:
◻️  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

✔️ ویدئو جلسه اول کلاس آنلاین علم داده مقدماتی