
کلاس آنلاین جامع علم داده و هوش مصنوعی برای همه
- 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.
-
هزینهی ثبت نام
۱۴,۹۰۰,۰۰۰۱۰,۴۳۰,۰۰۰ تومان
- توضیحات
- سوالات متداول
- نظرات دانشجویان
کلاس جامع علم داده و هوش مصنوعی کافهتدریس مبتنی بر آموزش پروژه محور 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 هوش مصنوعی 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.
➕ برای حضور در این کلاس پیشنیاز ریاضی، آمار و برنامهنویسی ارائه میشود. لذا لازم به داشتن زمینه قبلی در این موارد نیست.
➕ زبانهای برنامهنویسی که در این دوره پوشش داده میشوند: پایتون، جاوا اسکریپت، تایپ اسکریپت و MySQL
✔️ معرفی کلاس آنلاین جامع علم داده و هوش مصنوعی
✔️ تخفیف ثبتنام در کلاس تا ۱۰ خرداد
➕ ۳۰٪ تخفیف ثبتنام
➕ پرداخت در سه قسط (برای پرداخت اقساط به پشتیبانی در چت سایت پیام ارسال کنید)
(در صورتی که امکان پرداخت ریالی ندارین، برای پرداخت یورویی به پشتیبانی در چت سایت پیام ارسال کنید.)
✔️ بعد از شرکت در این کلاس، چه مهارتی دارم؟
بعد از شرکت و گذراندن این دوره، شما قادرید به:
➕ پایاننامه کارشناسی ارشد یا تز دکتری خود را با ماشین لرنینگ ترکیب کنید.
➕ به دنبال کار مرتبط در حوزه دیتاساینس، دیتاآنالیز و هوش مصنوعی باشید.
➕ به صورت فریلنس پروژههای هوشمصنوعی قبول کنید.
➕ در محصول استارتاپ خودتان یا کمپانی که برای آن کار میکنید، هوش مصنوعی را وارد کنید.
✔️ چرا کلاس جامع علم داده و هوش مصنوعی کافهتدریس؟
مهمترین مزیت کلاس جامع علم داده و هوش مصنوعی کافهتدریس آموزش گامبهگام و همینطور عملی دانش و مهارت این حوزه است.
➕ اجرای چندین پروژه واقعی و گواهینامه حضور در دوره
➕ پوشش تمامی پیشنیازها، آموزش گامبهگام و عملی
➕ برگزاری ورکشاپ و بررسی پروژههای مطابق با نیاز صنعت
➕ تمرین پایتون در پلتفرم LeetCode به صورت گروهی
➕ تعریف پروژه در GitHub برای تقویت رزومه دانشجویان
➕ برگزاری رایگان ۴ رقابت کگل به عنوان مکمل برای دانشجویان
➕ در ۴ ماه، از صفر تا اولین پروژه هوش مصنوعی شغلی، حتی بدون سابقه کدنویسی
➕ دورهمیهای هفتگی: نشستهای صمیمی و تعاملی برای گفتوگو و تحلیل فیلمها و محتوای فان مرتبط با AI
✔️ ارتباط با استاد و حل تمرین در این دوره به چه صورت است؟
بعد از تهیه دوره شما در گروه تلگرام و کانال دوره عضو میشوید و میتوانید سوالات خود را از شخص استاد و پشتیبانی کافه تدریس بپرسید. همچنین موارد زیر از سایر ویژگیهای این دوره هستند:
➕ برگزاری دورهمیهای آنلاین با حضور استاد و صحبت درباره مسائل روز
➕ بررسی و حل تمرینات و سوالات دانشجویان توسط استادیار و پاسخ به سوالات
➕ آموزش تعاملی و ارائه تمرینها در کلاس توسط دانشجویان
➕ فرصت حضور در یک کامیونیتی فعال و متخصص
✔️ مسیر یادگیری علم داده و هوش مصنوعی کافهتدریس
مسیر یادگیری کلاس جامع علم داده و هوش مصنوعی کافهتدریس از این قرار است:
➕ پیشمطالعههای اصلی (۲۰ ساعت)
➕ بخش تئوری و مفهومی (۵۰ ساعت)
➕ بخش کد، پیادهسازی مدلها و کار با ابزارها (۵۰ ساعت)
✔️ ویژگیهای کلاس جامع علم داده و هوش مصنوعی
➕ ارائه نقشه راه مطالعاتی یادگیری هوش مصنوعی، ماشین لرنینگ و داده (با برنامه رضا شکرزاد)
➕ داشتن کوییز، تمرین کد و پروژه کاربردی بعد از هر مطلب اصلی (به همراه لیدربورد)
➕ شرکت در ۴ رقابت کگل مرتبط با کورس در قالب کار گروهی
➕ ارائه مطالب کاملا کاربردی برای بازار کار و دانشگاه
➕ پوشش رشتههای مختلف با کار بر روی پروژههای متنوع
✔️ ویدئو جلسه اول کلاس آنلاین علم داده
✔️ محتوای کلاس علم داده و هوش مصنوعی
کلیات محتوای کلاس (۸ بخش):
◻️ بخش ۱: (کار با داده | Data Mastery) - ۴ جلسه - ۱۰ ساعت
◻️ بخش ۲: (مصورسازی داده و تحلیل داده | Data Visualization & Data Analysis) - ۶ جلسه - ۱۵ ساعت
◻️ بخش ۳: (ماشین لرنینگ با نظارت | Supervised Machine Learning) - ۶ جلسه - ۱۵ ساعت
◻️ بخش ۴: (ماشین لرنینگ بدون نظارت | Unsupervised Machine Learning) - ۴ جلسه - ۱۰ ساعت
◻️ بخش ۵: (شبکههای عصبی مصنوعی و دیپ لرنینگ | ANNs & Deep Learning) - ۲ جلسه - ۵ ساعت
◻️ بخش ۶: (پردازش دادههای متن، تصویر و صدا | Text, Image, Audio Processing) - ۱۰ جلسه - ۲۵ ساعت
◻️ بخش ۷: (محصولسازی و پیادهسازی مدلها | Productionization & Deployment) - ۴ جلسه - ۱۰ ساعت
◻️ بخش ۸: (باتها، ایجنتها و هوشمصنوعی در ۲۰۲۵ | Agentenic AI & AI in 2025) - ۴ جلسه - ۱۰ ساعت
کلیات محتوای پیشمطالعهها:
◻️ مطالب پایه ریاضی مورد نیاز برای یک دیتاساینتیست
◻️ مطالب پایه آمار
◻️ مطالب پایه برنامهنویسی
◻️ مطالب پایه ماشین لرنینگ
پکیجهای تخصصی پوشش داده شده در کلاس:
◻️ Sklearn | PyTorch | Tensorflow/Keras | FastAPI/Flask |
پلتفرمهای ارائه شده در کلاس:
◻️ Kaggle | HuggingFace | Ollama | AWS
برای مشاهده کامل سرفصلهای جلسات کلاس در گوگل شیت، اینجا کلیک کنین.
-
آیا من، با دانش و تحصیلات غیرمرتبط، میتوانم علم داده و هوش مصنوعی را بیاموزم؟
-
پیشنیازهای یادگیری علم داده و هوش مصنوعی چیست؟
-
یادگیری علم داده و هوش مصنوعی برای من چقدر طول میکشد؟
-
آیا باید در ریاضیات متخصص باشم؟
-
آیا تجربه کدنویسی برای شرکت در دوره علم داده لازم است؟
-
دامنه فرصتهای شغلی پس از اتمام دوره علم داده و هوش مصنوعی چیست؟
-
آیا شرکت در دوره جامع علم داده و هوش مصنوعی برایم کافی است؟
-
آیا لازم است در رشته علوم کامپیوتر تحصیل کرده باشم؟
-
آیا این دوره برای مبتدیان مناسب است؟
-
آیا میتوانم با سرعت یادگیری خودم پیش بروم؟
-
آیا میتوانم در حین کار تمام وقت در این دوره شرکت کنم؟
-
آیا به سختافزار یا نرمافزار خاصی نیاز دارم؟
-
مسعود هزاویان
-
مهدیه مرتضوی
-
سمیرا علیپور
-
مریم ثابت
-
محتبی ربانی
-
مهرشاد علیپور
-
مصطفی قربانی
-
ساناز مردانی
-
امیر رضا بخشی
-
بنیامین خزلی
-
ابراهیم قاسمی
-
سیدابراهیم حسینی
-
پویان فیاضی
-
محمدرضا عبدالحسینی
-
سپهر حاجی عباسی
-
علیرضا نظری
-
نسترن
-
پریسا عزت پناه
-
حسین خدابنده
-
ندا فتحی
-
امیررضا صفدر توره یی
-
مریم خوش نیت
-
حمیده