تعداد ساعت | سطح | مدرس |
|---|---|---|
۱۷ ساعت و ۲۹ دقیقه | مقدماتی | حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) |
تمرین | گواهینامه | پشتیبانی |
|---|---|---|
دارد | دارد | گروه VIP تلگرامی |
آشنایی با دوره یادگیری ماشین کاربردی
میخواهم از یادگیری ماشین استفاده کنم !
همین الان machine learning را در گوگل جست و جو کنید. بیش از 1000 منبع وجود دارد. انواع دوره های آموزشی از انواع دانشگاه ها و شرکت ها و …
ولی شاید برای شما هم پیش آماده باشد که در نهایت نمی توانید کاری انجام دهید و پروژه خود را نمی توانید انجام دهید !
یا آنکه اصلا آنقدر مطلب سطح بالاست و ریاضیات زیادی دارد که برای شما قابل فهم نیست !
حتی اگر آن مطلب را بفهمید وقتی می روید و کدها را بررسی میکنید و با یک کد 1000 خطی مواجه می شوید و کلا همه چیز را بی خیال می شوید !
ما در اینجا صرفا به دنبال برگزار یک دوره نیستیم. ما میخواهیم تفکر یادگیری ماشین در ذهن شما شکل بگیرد. که اگر روزی یک پروژه یادگیری ماشین داشتید بفهمید چگونه با آن برخورد کنید. ذهن شما باید ساختار یافته باشه. باید مثل یک مهندس بتوانید مساله خود را ابتدا تحلیل کنید و سپس حل کنید.
دمو دوره
ما یک نقشه راه جامع داریم ...
ما در ربوتک یک نقشه راه جامع داریم برای افراد زیر :
- کسایی که رشته تحصیلی شان مهندسی های برق و کامپیوتر و … نبوده است ولی علاقه مند یادگیری هوش مصنوعی هستند.
- کسانی که میخواهند مباحث را به زبان ساده یاد بگیرند. از این که ویدیویی میبینند و آن را نمیفهمند خسته شده اند.
- میخواهند خودشان با دستان خودشان خط به خط کدنویسی کنند و پروژه شان را انجام دهند.
- کسانی که میخواهند مباحث پیشرفته در یادگیری عمیق را یاد بگیرند.
- و هر آن که میخواهد با هوش مصنوعی آشنا گردد
در تصویر زیر نقشه راه جامع آکادمی ربوتک آورده شده است.
نظرات شرکت کنندگان
برنامه ریزی روزانه و هفتگی !
در این سری از دوره فایل های برنامه ریزی هفتگی و روزانه در نظر گرفته ایم که دانشجو طبق برنامه ریزی هفته و روزانه پیش رود و هر روز بخشی از برنامه را مشاهده کند. البته این برنامه اختیاری است و اگر زمان بیشتر یا کمتری نیاز دارید میتوانید طبق برنامه خودتان پیش روید ولی برنامه پیشنهادی آکادمی ربوتک به صورت هفتگی است که میتوانید آنها را هر هفته دانلود کنید و طبق برنامه جلو روید.
نکته : تاکنون برنامه ریزی ۳ هفته قرار داده شده است که در یکی دو هفته آینده برنامه ۴ هفته باقی مانده نیز تکمیل خواهد شد.
در زیر بخشی از برنامه روز دوشنبه از هفته سوم دوره قرار داده شده است :
پروژه های میانی دوره
ما اینجا نیستیم که صرفا یک سری مطالب مرتبط با دیپ لرنینگ بخوانیم ! ما می خواهیم در پایان این دوره بتوانیم کاری انجام دهیم و یاد بگیریم چگونه می توانیم پروژه ها را انجام دهیم.
به همین خاطر دو پروژه میانی در طول دوره تعریف شده است که به آن می پردازیم :
پروژه میانی شماره 1 : تشخیص آتش سوزی جنگل
در این پروژه دانشجویان یاد میگیرند که چگونه به کمک الگوریتم های طبقه بندی میتوانند یک تصویر از جنگل دریافت دریافت کرده و با دقت بالایی تشخیص دهند که این تصویر آتش سوزی دارد یا خیر.
پروژه میانی شماره 2 : شکستن کد کپچا
در پروژه 1 شرکت کنندگان از OpenCV و Tensorflow و با استفاده از یک شبکه عصبی چند لایه پرسپترونی می توانند کدهای کپچای ساده را بشکنند. نمونه ای از تصویری که در کلاس تمرین بر روی آن انجام خواهد پذیرفت به شکل زیر است :
مدرس دوره
حامد قاسمی
- دانشجوی دکتری هوش مصنوعی دانشگاه تهران
- مدرس دوره مقاله کاوی و بینایی ماشین و دیپ لرنینگ در آکادمی ربوتک
- تخصص در زمینه بینایی ماشین و یادگیری عمیق
پشتیبانی ؟
برای پشتیبانی یک گروه ویژه تلگرامی در نظر گرفته شده است که شما به محض ثبت نام می توانید عضو این گروه شوید.
پس از ثبت نام به لینک گروه دسترسی خواهید داشت.
لینک گروه تلگرامی
سرفصل های دوره
یادگیری ماشین و مفاهیم پایه در آن
بخش اول : معرفی دوره ویدئو
معرفی دوره و چند نکته برای استفاده بهتر
بخش دوم : مقدمه ای بر یادگیری ماشین ویدئو
یادگیری ماشینی چیست؟ انواع شاخه ها در یادگیری ماشین
بخش سوم: دیتاست ها در یادگیری ماشین ویدئو
اهمیت دیتاست ها و بررسی موردی چند دیتاست معروف
بخش چهارم : نحوه عملکرد الگوریتم های یادگیری ماشین ویدئو
الگوریتم های یادگیری ماشین چگونه کار میکنند ؟شبکه های عصبی چطور ؟
بخش پنجم : سری ها در کتابخانه pandas ویدئو
آموزش کار با ساختار داده سری در کتابخانه pandas (قسمت اول)
بخش ششم: سری ها در کتابخانه pandas - قسمت ۲ ویدئو
آموزش کار با ساختار داده سری در کتابخانه pandas ( قسمت دوم)
بخش هفتم : دیتافریم ها در pandas ویدئو
آموزش کار با داده ساختار DataFrame در کتابخانه Pandas
بخش هشتم : فایل های csv ویدئو
کار با فایل های csv در کتابخانه pandas
طبقه بندی (Classification) و رگرسیون (regression)
الگوریتم KNN ویدئو
بررسی اولین الگوریتم یادگیری ماشین و نحوه طبقه بندی با آن
کد KNN با پایتون - بخش اول ویدئو
حل مثال دیتاست iris به کمک KNN - بخش اول
کد KNN با پایتون - بخش دوم ویدئو
حل مثال دیتاست iris به کمک KNN - بخش دوم
طبقه بندی افراد دیابتی با KNN ویدئو
حل مثال دوم از KNN برای طبقه بندی افراد دیابتی - قسمت اول
بخش دوم از مثال تشخیص افراد دیابتی با KNN ویدئو
حل مثال دوم از KNN برای طبقه بندی افراد دیابتی - قسمت دوم
رگرسیون چیست و رگرسیون خطی چگونه کار می کند؟ ویدئو
بررسی رگرسیون و کاربردهای آن و حل یک مثال عددی از آن
حل یک مثال از رگرسیون با پایتون ویدئو
حل مثال تشخیص نمره افراد از میزان ساعت درس خواندن افراد با رگرسیون خطی
ادامه الگوریتم های طبقه بندی و رگرسیون
رگرسیون خطی چند متغیره ویدئو
رگرسیون خطی چند متغیره و حل یک مثال پایتون از آن
نحوه کار بسیاری از الگوریتم ها ویدئو
شبکه های عصبی و بسیاری از الگوریتم ها چگونه کار می کنند؟
گرادیان کاهشی ویدئو
بررسی الگوریتم بهینه سازی گرادیان کاهش برای آپدیت پارامترها
رگرسیون با گرادیان کاهشی ویدئو
حل مثال رگرسیون با الگوریتم گرادیان کاهشی
الگوریتم Logistic regression ویدئو
بررسی طبقه بند Logistic regression و تابع Loss مربوط به آن
حل یک مثال از LR ویدئو
حل یک مثال طبقه بندی به کمک Logistic Regression
مقدمه ای بر بهینه سازی ویدئو
بهینه سازی و درک مفاهیم پایه ای آن
ادامه طبقه بندی و کار با تصاویر
مفهوم Encoding در یادگیری ماشین ویدئو
انکودینگ در یادگیری ماشین و نحوه استفاده با پایتون
حل مثال ترکیب ویژگی - بخش اول ویدئو
بخش اول از تخمین قیمت خانه به کمک ترکیب ویژگی ها
حل مثال ترکیب ویژگی - بخش دوم ویدئو
نحوه ترکیب ویژگی های Numerical و Categorical با پایتون
حل مثال ترکیب ویژگی - بخش سوم ویدئو
آموزش و محاسبه معیار MAPE
آموزش OpenCV - بخش اول ویدئو
آموزش کتابخانه OpenCV و نحوه کار با تصاویر و وبکم - بخش اول
آموزش OpenCV - بخش دوم ویدئو
آموزش کتابخانه OpenCV و نحوه کار با تصاویر و وبکم - بخش دوم
حل مثال دیتاست تصویر و تشخیص جنسیت
بخش اول :نحوه کار با دیتاست های تصویر ویدئو
نحوه خواندن داده های تصویری و نحوه استفاده از آنها
بخش دوم : بردار سازی ویژگی ها و خواندن داده ها با پایتون ویدئو
خواندن داده ها با پایتون و پیش پردازش های لازم برای آن
بخش سوم : train و ذخیره مدل ویدئو
آموزش مدل و نحوه save و load کردن یک مدل
بخش چهارم : معیارهای ارزیابی ویدئو
بررسی ایرادات معیار accuracy و معرفی معیارهایی در طبقه بندی دو کلاسه
پروژه تشخیص جنسیت : قسمت اول ویدئو
توضیح ساختار کلی پروژه و face detection با MTCNN
پروژه تشخیص جنسیت : قسمت دوم ویدئو
Train الگوریتم پیشنهاد شده
پروژه تشخیص جنسیت : قسمت سوم ویدئو
تست الگوریتم بر روی داده های واقعی (بازیگران ایرانی و خارجی)
خوشه بندی و شبکه های عصبی
بخش اول : الگوریتم K-means ویدئو
آشنایی با الگوریتم k-means و حل یک مثال از آن
بخش دوم : حل مثال k-means ویدئو
حل مثال k-means بر روی دیتاست تصویر
بخش سوم : شبکه های عصبی ویدئو
آشنایی با نرون عصبی و نحوه ایجاد یک شبکه عصبی
بخش چهارم :Forward در شبکه های عصبی ویدئو
معرفی عملیات Forward در شبکه های عصبی و حل یک مثال عددی
بخش پنجم : Backward در شبکه های عصبی ویدئو
عملیات Backward و حل یک مثال عددی از آن
بخش ششم : طبقه بندی با شبکه های عصبی ویدئو
نحوه Classification به کمک شبکه های عصبی
شبکه های عصبی چند لایه و حل مثال
بخش اول : پیاده سازی شبکه عصبی با keras - بخش اول ویدئو
نحوه استفاده از keras برای ساخت و آموزش شبکه عصبی - بخش اول
بخش دوم : پیاده سازی شبکه عصبی با keras - بخش دوم ویدئو
نحوه استفاده از keras برای ساخت و آموزش شبکه عصبی - بخش دوم
بخش سوم : استفاده از مدل آموزش داده شده ویدئو
استفاده از مدل آموزش داده شده و مثال رگرسیون در keras
بخش چهارم : پروژ ه شکستن کد کپچا با شبکه عصبی - بخش اول ویدئو
مقدمات شکستن کد کپچا و نحوه استخراج اعداد
بخش پنجم : پروژه شکستن کد کچپا با شبکه عصبی - بخش دوم ویدئو
آموزش شبکه عصبی برای شکستن کد کپچا
بخش ششم : پروژه شکستن کد کپچا با شبکه عصبی - بخش سوم ویدئو
استفاده از مدل آموزش داده شده و تست نهایی شبکه
دسترسی به محتوا (پس از ثبت نام)
سوالات متداول
شما پس از ثبت نام لازم است که لایسنس خود را فعال کنید و با نرم افزار اسپات پلیر ویدیوها را مشاهده کنید. برای این کار کافی است ویدیو “نحوه استفاده از محتوا (پس از ثبت نام)” را در همین صفحه مشاهده کنید.
برای هر کلاس یک گروه تلگرامی ویژه ساخته می شود که در آن استاد دوره به همراه حل تمرین و سایر شرکت کنندگان در آن گروه هستند و شما می توانید سوالات خود را بپرسید و مدرس دوره و یا شرکت کنندگان به سوالات شما پاسخ دهند.
بله – اگر به صورت گروهی ثبت نام کنید، آکادمی ربوتک برای شما تخفیف ویژه ثبت نام گروهی را در نظر می گیرد. برای دریافت تخفیف گروهی خود میتوانید به آیدی پشتیبانی آکادمی ربوتک به آدرس @robotech_support پیام دهید.
پیشنیاز این دوره پایتون و ریاضیات ويژه هوش مصنوعی می باشد.
بله این دوره دارای مدرک نمره دار می باشد و به زبان انگلیسی صادر خواهد شد. نمره نهایی شما مطابق تمرینات انجام شده توسط شما و پروژه پایانی دوره (در صورت وجود) در نظر گرفته می شود.
در آکادمی ربوتک به دلیل شرایط سخت اقتصادی کشور همواره تلاش کرده ایم که دوره ها را با پایین ترین قیمت ممکن برگزار کنیم که تا حدی نیز موفق بوده ایم. اما متاسفانه امکان پرداخت اقساطی دوره وجود ندارد.
ارتباط مستقیم
دوره های مرتبط
کارگاه Policy Gradient (کارگاه اول از یادگیری تقویتی عمیق)
نکته مهم در مورد دوره های ربوتک دوره های آکادمی ربوتک بر بستر نرم افزار spot player هستند و شما…
آینده دنیا با هوش مصنوعی (بررسی دیدگاه Dario Amodei)
نکته مهم در مورد دوره های ربوتک دوره های آکادمی ربوتک بر بستر نرم افزار spot player هستند و شما…
در قلب شبکه های عصبی – ۱
نکته مهم در مورد دوره های ربوتک دوره های آکادمی ربوتک بر بستر نرم افزار spot player هستند و شما…
دوره پایتون عمیق
تعداد ساعت سطح مدرس ۲۶ ساعت و ۴۸ دقیقه متوسط و پیشرفته حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین…
دوره شبکه های بازگشتی و Transformers (ترم دوم یادگیری عمیق)
تعداد ساعت سطح مدرس ۲۲ساعت و ۵۵ دقیقه متوسط و پیشرفته حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین گواهینامه…
دوره تنسورفلو پیشرفته
تعداد ساعت سطح مدرس ۱۶ ساعت و ۴۶ دقیقه متوسط و پیشرفته حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین…
نظرات
1,300,000 تومان
