IRANICAI IRANICAI
دوره جامع یادگیری ماشین و علم داده
دوره جامع یادگیری ماشین و علم داده
برنامه جامع یادگیری ماشین، داده‌شناسی و هوش مصنوعی پیشرفته، یک مسیر یادگیری کامل و مبتنی بر پروژه است که مفاهیم پایه و پیشرفته را برای آماده‌سازی فراگیران برای نقش‌های حرفه‌ای در حوزه هوش مصنوعی ترکیب می‌کند. این برنامه از برنامه‌نویسی پایتون، تحلیل داده، آمار و تحلیل اکتشافی داده‌ها با ابزارهایی مانند NumPy، Pandas، Matplotlib و Scikit-learn آغاز می‌شود و به‌تدریج پایه‌های قوی را قبل از ورود به الگوریتم‌های یادگیری ماشین، مهندسی ویژگی، تحلیل سری‌های زمانی، پردازش زبان طبیعی (شامل NLP فارسی) و بینایی کامپیوتر می‌سازد. سپس برنامه به یادگیری عمیق و معماری‌های پیشرفته از جمله CNN، RNN، LSTM، GRU، Transformers، BERT و یادگیری تقویتی پیش می‌رود، با پروژه‌های عملی مانند تحلیل تصاویر پزشکی، تشخیص تقلب، تحلیل احساسات، ترجمه ماشینی، پیش‌بینی قیمت سهام و ارز، تشخیص اشیا و سیستم‌های توصیه‌گر. در نهایت، فراگیران با استقرار مدل‌ها با استفاده از Docker، Git/GitHub، خطوط لوله CI/CD، DVC، MLflow، BentoML و راه‌حل‌های مقیاس‌پذیر ارائه مدل، مهارت‌های سطح تولید را کسب می‌کنند و یک جریان کاری کامل در سطح صنعت از داده‌های خام تا استقرار را تضمین می‌کنند. با تأکید قوی بر مجموعه‌داده‌های واقعی، تمرین مستمر و پروژه‌های قابل ارائه در نمونه کارها، این برنامه جامع شرکت‌کنندگان را با عمق فنی، تجربه عملی و اعتماد به‌نفس مورد نیاز برای موفقیت به‌عنوان دانشمندان داده، مهندسان یادگیری ماشین و متخصصان هوش مصنوعی تجهیز می‌کند.
21 فصل‌ها
  • داده‌شناسی و یادگیری ماشین چیست؟ 22 دقیقه
  • کاربردهای داده‌شناسی و یادگیری ماشین در صنعت - بخش ۱ 22 دقیقه
  • کاربردهای داده‌شناسی و یادگیری ماشین در صنعت و بخش‌های تخصصی - بخش ۲ 22 دقیقه
  • تفاوت‌های هوش مصنوعی، داده‌شناسی و یادگیری ماشین 22 دقیقه
  • زبان‌های برنامه‌نویسی در داده‌شناسی و یادگیری ماشین 22 دقیقه
  • ابزارهای نرم‌افزاری در حوزه داده‌شناسی 22 دقیقه
  • روش‌شناسی CRISP در پروژه‌های یادگیری ماشین 22 دقیقه
  • آزمون پایان فصل و نکات کلیدی 22 دقیقه
  • نصب Python و Anaconda 60 دقیقه
  • کار با Jupyter Notebook 60 دقیقه
  • نرم‌افزارهای عملی برای توسعه پایتون 60 دقیقه
  • معرفی کدها و مجموعه‌داده‌های مورد استفاده برای یادگیری در این فصل 12 دقیقه
  • آشنایی با جبر خطی و فضاهای برداری - بخش ۱ 12 دقیقه
  • آشنایی با جبر خطی و فضاهای برداری - بخش ۲ 12 دقیقه
  • کتابخانه NumPy و جبر خطی در پایتون - بخش ۱ 12 دقیقه
  • کتابخانه NumPy و جبر خطی در پایتون - بخش ۲ 12 دقیقه
  • کتابخانه NumPy و جبر خطی در پایتون - بخش ۳ 12 دقیقه
  • کتابخانه NumPy و جبر خطی در پایتون - بخش ۴ 12 دقیقه
  • کتابخانه NumPy و جبر خطی در پایتون - بخش ۵ 12 دقیقه
  • کتابخانه NumPy و جبر خطی در پایتون - بخش ۶ 12 دقیقه
  • کتابخانه Pandas و جبر رابط‌ای در پایتون - بخش ۱ 12 دقیقه
  • کتابخانه Pandas و جبر رابط‌ای در پایتون - بخش ۲ 12 دقیقه
  • کتابخانه Pandas (مثال عملی: مجموعه داده مسکن ملبورن) - بخش ۱ 12 دقیقه
  • کتابخانه Pandas (مثال عملی: مجموعه داده مسکن ملبورن) - بخش ۲ 12 دقیقه
  • آزمون پایان فصل 12 دقیقه
  • کدها و مجموعه‌داده‌های این بخش 15 دقیقه
  • تحلیل اکتشافی داده‌ها (EDA) و درک داده 15 دقیقه
  • آمار توصیفی و مطالعه موردی داده‌های فرودگاه - بخش ۱ 15 دقیقه
  • آمار توصیفی و مطالعه موردی داده‌های فرودگاه - بخش ۲ 15 دقیقه
  • آمار توصیفی و مطالعه موردی داده‌های فرودگاه - بخش ۳ 15 دقیقه
  • توزیع‌های آماری و کاربردهای آنها - بخش ۱ 15 دقیقه
  • توزیع‌های آماری و کاربردهای آنها - بخش ۲ 15 دقیقه
  • توزیع‌های آماری و کاربردهای آنها - بخش ۳ 15 دقیقه
  • توزیع‌های آماری و واگرایی کولبک-لیبلر (KL Divergence) - بخش ۱ 15 دقیقه
  • توزیع‌های آماری و واگرایی کولبک-لیبلر - بخش ۲ 15 دقیقه
  • توزیع‌های آماری و فاصله جنسن-شنون 15 دقیقه
  • آزمون پایان فصل 15 دقیقه
  • معرفی کدها و مجموعه‌داده‌های مورد استفاده برای یادگیری در این فصل 12 دقیقه
  • آمار استنباطی و آزمون‌های آماری 12 دقیقه
  • آزمون آماری با استفاده از روش شبیه‌سازی تصادفی (مثال اثر دارو) - بخش ۱ 12 دقیقه
  • آزمون آماری با استفاده از روش شبیه‌سازی تصادفی (مثال اثر دارو) - بخش ۲ 12 دقیقه
  • آزمون آماری با استفاده از شبیه‌سازی و توزیع‌های آماری (مثال داده‌های تجارت الکترونیک) - بخش ۱ 12 دقیقه
  • آزمون آماری با استفاده از شبیه‌سازی و توزیع‌های آماری (مثال داده‌های تجارت الکترونیک) - بخش ۲ 12 دقیقه
  • آزمون t-test (مثال مجموعه داده کشاورزی) 12 دقیقه
  • آزمون t-test (مثال نمرات IELTS و قرص افزایش وزن) 12 دقیقه
  • آزمون t-test با کد (مثال دانش‌آموزان تیزهوش) 12 دقیقه
  • آزمون من-ویتنی U (مثال نمرات دانشجویان) 12 دقیقه
  • آزمون کای-دو (مثال مجموعه داده منابع انسانی) - بخش ۱ 12 دقیقه
  • آزمون کای-دو (مثال مجموعه داده منابع انسانی) - بخش ۲ 12 دقیقه
  • آزمون شاپیرو برای نرمال‌بودن 12 دقیقه
  • آزمون پایان فصل 12 دقیقه
  • معرفی مجموعه‌داده‌ها و کدهای استفاده‌شده برای مصورسازی 12 دقیقه
  • مصورسازی داده‌ها در پایتون 12 دقیقه
  • مصورسازی داده‌ها با Matplotlib (مثال داده‌های تحقیقاتی خودرو) - بخش ۱ 12 دقیقه
  • مصورسازی داده‌ها با Matplotlib (مثال داده‌های تحقیقاتی خودرو) - بخش ۲ 12 دقیقه
  • مصورسازی داده‌ها با Matplotlib (مثال داده‌های تحقیقاتی خودرو) - بخش ۳ 12 دقیقه
  • مصورسازی داده‌ها با Matplotlib (مثال داده‌های تحقیقاتی خودرو) - بخش ۴ 12 دقیقه
  • مصورسازی داده‌ها با Seaborn (مثال داده‌های تحقیقاتی خودرو) - بخش ۱ 12 دقیقه
  • مصورسازی داده‌ها با Seaborn (مثال داده‌های تحقیقاتی خودرو) - بخش ۲ 12 دقیقه
  • مصورسازی داده‌ها با Seaborn (مثال داده‌های تحقیقاتی خودرو) - بخش ۳ 12 دقیقه
  • مصورسازی تعاملی داده‌ها با Plotly (مثال داده‌های تحقیقاتی خودرو) 12 دقیقه
  • ساخت داشبورد مدیریتی با Dash - بخش ۱ 12 دقیقه
  • ساخت داشبورد مدیریتی با Dash - بخش ۲ 12 دقیقه
  • ساخت داشبورد مدیریتی با Dash - بخش ۳ 12 دقیقه
  • آزمون پایان فصل 12 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل 15 دقیقه
  • پیش‌پردازش داده چیست؟ 15 دقیقه
  • مدیریت مقادیر گم‌شده 15 دقیقه
  • مدیریت داده‌های غیرعددی (متغیرهای طبقه‌بندی‌شده) 15 دقیقه
  • مقیاس‌سازی ویژگی‌ها 15 دقیقه
  • پیش‌پردازش داده‌های مشتریان (مثال: مشتریان فروشگاه آنلاین) - بخش ۱ 15 دقیقه
  • پیش‌پردازش داده‌های مشتریان (مثال: مشتریان فروشگاه آنلاین) - بخش ۲ 15 دقیقه
  • پیش‌پردازش داده (مثال: بیماران دیابتی) - بخش ۱ 15 دقیقه
  • پیش‌پردازش داده (مثال: بیماران دیابتی) - بخش ۲ 15 دقیقه
  • پیش‌پردازش داده (مثال: متقاضیان وام) - بخش ۱ 15 دقیقه
  • پیش‌پردازش داده (مثال: متقاضیان وام) - بخش ۲ 15 دقیقه
  • آزمون پایان فصل 15 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل برای یادگیری ماشین 10 دقیقه
  • یادگیری ماشین و انواع آن 10 دقیقه
  • الگوریتم درخت تصمیم (مثال: مجموعه داده Iris) - بخش ۱ 10 دقیقه
  • الگوریتم درخت تصمیم (مثال: مجموعه داده Iris) - بخش ۲ 10 دقیقه
  • الگوریتم SVM (مثال: داده‌های تصاویر دست‌نویس - پردازش تصویر) - بخش ۱ 10 دقیقه
  • الگوریتم SVM (مثال: داده‌های تصاویر دست‌نویس - پردازش تصویر) - بخش ۲ 10 دقیقه
  • ارزیابی الگوریتم‌های طبقه‌بندی و معیارهای آنها - بخش ۱ 10 دقیقه
  • ارزیابی الگوریتم‌های طبقه‌بندی و معیارهای آنها - بخش ۲ 10 دقیقه
  • الگوریتم K-Nearest Neighbors (KNN) (مثال: داده‌های تصاویر دست‌نویس - پردازش تصویر) 10 دقیقه
  • الگوریتم جنگل تصادفی 10 دقیقه
  • الگوریتم تقویت تطبیقی 10 دقیقه
  • مفهوم بیش‌برازش و کم‌برازش 10 دقیقه
  • الگوریتم XGBoost (مثال: پیش‌بینی لغو رزرو هتل) - بخش ۱ 10 دقیقه
  • الگوریتم XGBoost (مثال: پیش‌بینی لغو رزرو هتل) - بخش ۲ 10 دقیقه
  • الگوریتم XGBoost (مثال: پیش‌بینی لغو رزرو هتل) - بخش ۳ 10 دقیقه
  • روش جستجوی شبکه‌ای (مثال: پیش‌بینی حمله قلبی) - بخش ۱ 10 دقیقه
  • روش جستجوی شبکه‌ای (مثال: پیش‌بینی حمله قلبی) - بخش ۲ 10 دقیقه
  • رگرسیون و الگوریتم‌های آن 10 دقیقه
  • الگوریتم رگرسیون XGBoost (مثال: پیش‌بینی قیمت خانه) - بخش ۱ 10 دقیقه
  • الگوریتم رگرسیون XGBoost (مثال: پیش‌بینی قیمت خانه) - بخش ۲ 10 دقیقه
  • الگوریتم CatBoost (مثال: تخمین مبلغ خسارت بیمه) - بخش ۱ 10 دقیقه
  • الگوریتم CatBoost (مثال: تخمین مبلغ خسارت بیمه) - بخش ۲ 10 دقیقه
  • الگوریتم CatBoost (مثال: تخمین مبلغ خسارت بیمه) - پردازش روی GPU 10 دقیقه
  • خط لوله در یادگیری ماشین (مثال: تشخیص تولید سم از ترکیب مواد در زیست‌شناسی) 10 دقیقه
  • آزمون پایان فصل 10 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل 12 دقیقه
  • متن‌کاوی و پردازش زبان طبیعی (مثال: پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - بخش ۱ 12 دقیقه
  • متن‌کاوی و پردازش زبان طبیعی (مثال: پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - بخش ۲ 12 دقیقه
  • متن‌کاوی و پردازش زبان طبیعی (مثال: پیش‌بینی خودکار دسته‌بندی اخبار فارسی) - بخش ۳ 12 دقیقه
  • تصویرکاوی (مثال: پیش‌بینی خودکار نوع گل در یک تصویر) - بخش ۱ 12 دقیقه
  • تصویرکاوی (مثال: پیش‌بینی خودکار نوع گل در یک تصویر) - بخش ۲ 12 دقیقه
  • تصویرکاوی (مثال: پیش‌بینی خودکار نوع گل در یک تصویر) - بخش ۳ 12 دقیقه
  • کار با داده‌های نامتوازن (مثال: پیش‌بینی تصادفات بیمه جعلی) - بخش ۱ 12 دقیقه
  • کار با داده‌های نامتوازن (مثال: پیش‌بینی تصادفات بیمه جعلی) - بخش ۲ 12 دقیقه
  • کار با داده‌های نامتوازن (مثال: پیش‌بینی تصادفات بیمه جعلی) - بخش ۳ 12 دقیقه
  • سری‌های زمانی (مثال: پیش‌بینی قیمت سهام) - بخش ۱ 12 دقیقه
  • سری‌های زمانی (مثال: پیش‌بینی قیمت سهام) - بخش ۲ 12 دقیقه
  • سری‌های زمانی (مثال: پیش‌بینی قیمت سهام) - بخش ۳ 12 دقیقه
  • آزمون پایان فصل 12 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل برای یادگیری و خوشه‌بندی 14 دقیقه
  • مبانی یادگیری بدون نظارت و خوشه‌بندی 14 دقیقه
  • الگوریتم K-means در خوشه‌بندی 14 دقیقه
  • الگوریتم DBSCAN در خوشه‌بندی 14 دقیقه
  • الگوریتم‌های MeanShift و SpectralClustering در خوشه‌بندی 14 دقیقه
  • خوشه‌بندی سلسله‌مراتبی 14 دقیقه
  • خوشه‌بندی مشتریان با K-means (مثال: سیستم توصیه‌گر دیجی‌کالا) - بخش ۱ 14 دقیقه
  • خوشه‌بندی مشتریان با K-means (مثال: سیستم توصیه‌گر دیجی‌کالا) - بخش ۲ 14 دقیقه
  • خوشه‌بندی مشتریان با K-means (مثال: سیستم توصیه‌گر دیجی‌کالا) - بخش ۳ 14 دقیقه
  • خوشه‌بندی مشتریان با DBSCAN (مثال: سیستم توصیه‌گر دیجی‌کالا) 14 دقیقه
  • خوشه‌بندی متون (مثال: گروه‌بندی تیکت‌های مشتریان) - بخش ۱ 14 دقیقه
  • خوشه‌بندی متون (مثال: گروه‌بندی تیکت‌های مشتریان) - بخش ۲ 14 دقیقه
  • آزمون پایان فصل 14 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل برای تشخیص نقاط پرت 22 دقیقه
  • تشخیص نقاط پرت و کاربردهای آن 22 دقیقه
  • الگوریتم Local Outlier Factor (LOF) - مثال تشخیص تقلب کارت اعتباری 22 دقیقه
  • الگوریتم Angle-Based Outlier Detection (ABOD) - مثال تشخیص تقلب کارت اعتباری 22 دقیقه
  • الگوریتم Isolation Forest - مثال تشخیص تقلب کارت اعتباری 22 دقیقه
  • مثال - شناسایی کاربران با رفتار غیرعادی در شبکه اجتماعی لینکدین 22 دقیقه
  • تشخیص نقاط پرت در داده‌های متنی و ترکیب تشخیص نقاط پرت با طبقه‌بندی 22 دقیقه
  • آزمون پایان فصل 22 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل برای کاهش ابعاد 22 دقیقه
  • کاهش ابعاد چیست؟ 22 دقیقه
  • تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد 22 دقیقه
  • تحلیل مؤلفه‌های اصلی هسته‌ای (Kernel PCA) برای کاهش ابعاد 22 دقیقه
  • تحلیل مؤلفه‌های مستقل (ICA) و ISOMAP برای کاهش ابعاد 22 دقیقه
  • t-SNE و UMAP برای کاهش ابعاد 22 دقیقه
  • مثال کاهش ابعاد در طبقه‌بندی و خوشه‌بندی 22 دقیقه
  • آزمون پایان فصل 22 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل برای آموزش شبکه‌های عصبی 6 دقیقه
  • شبکه‌های عصبی چیستند؟ - بخش ۱ 6 دقیقه
  • شبکه‌های عصبی چیستند؟ - بخش ۲ 6 دقیقه
  • شبکه‌های عصبی چیستند؟ - بخش ۳ 6 دقیقه
  • شبکه‌های عصبی عمیق و یادگیری عمیق 6 دقیقه
  • توابع فعال‌سازی و نقش آنها در یادگیری عمیق 6 دقیقه
  • کاهش گرادیان در شبکه‌های عصبی 6 دقیقه
  • پیاده‌سازی یک شبکه عصبی ساده در پایتون 6 دقیقه
  • شبکه عصبی Dense با TensorFlow (مثال پیش‌بینی بیماری قلبی) - بخش ۱ 6 دقیقه
  • شبکه عصبی Dense با TensorFlow (مثال پیش‌بینی بیماری قلبی) - بخش ۲ 6 دقیقه
  • حل مسائل تصاویر ارقام دست‌نویس با استفاده از شبکه‌های عصبی در TensorFlow و Keras 6 دقیقه
  • شبکه‌های عصبی پیچشی (CNN) - بخش ۱ 6 دقیقه
  • شبکه‌های عصبی پیچشی (CNN) - بخش ۲ 6 دقیقه
  • تشخیص مد با استفاده از شبکه‌های عصبی پیچشی - بخش ۱ 6 دقیقه
  • تشخیص مد با استفاده از شبکه‌های عصبی پیچشی - بخش ۲ 6 دقیقه
  • کار با تصاویر بزرگ با استفاده از CNN (مثال تشخیص حیوانات) 6 دقیقه
  • افزایش داده در یادگیری عمیق (مثال تشخیص حیوانات) 6 دقیقه
  • تشخیص بیماری ریه با استفاده از تصاویر پزشکی با CNN - بخش ۱ 6 دقیقه
  • تشخیص بیماری ریه با استفاده از تصاویر پزشکی با CNN - بخش ۲ 6 دقیقه
  • تشخیص نوع گیاه با استفاده از CNN 6 دقیقه
  • شبکه‌های عصبی بازگشتی مبتنی بر حافظه (RNN) 6 دقیقه
  • پیش‌بینی سری‌های زمانی با استفاده از شبکه‌های عصبی بازگشتی (مثال پیش‌بینی قیمت دلار) - بخش ۱ 6 دقیقه
  • پیش‌بینی سری‌های زمانی با استفاده از شبکه‌های عصبی بازگشتی (مثال پیش‌بینی قیمت دلار) - بخش ۲ 6 دقیقه
  • شبکه‌های LSTM و GRU (مثال پیش‌بینی سهام) - بخش ۱ 6 دقیقه
  • شبکه‌های LSTM و GRU (مثال پیش‌بینی سهام) - بخش ۲ 6 دقیقه
  • معماری‌های مختلف در شبکه‌های عصبی بازگشتی 6 دقیقه
  • آزمون پایان فصل 6 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل برای یادگیری عمیق 8 دقیقه
  • کتابخانه PyTorch و شبکه‌های عصبی پیچشی (CNN) - بخش ۱ 8 دقیقه
  • کتابخانه PyTorch و شبکه‌های عصبی پیچشی (CNN) - بخش ۲ 8 دقیقه
  • کتابخانه PyTorch و شبکه‌های عصبی بازگشتی (RNN) 8 دقیقه
  • شبکه عصبی پیچشی یک‌بعدی و لایه Embedding (مثال تحلیل احساسات) - بخش ۱ 8 دقیقه
  • شبکه عصبی پیچشی یک‌بعدی و لایه Embedding (مثال تحلیل احساسات) - بخش ۲ 8 دقیقه
  • شبکه‌های عصبی عمیق چندکاناله (مثال پیش‌بینی قیمت خانه با استفاده از تصاویر خانه) 8 دقیقه
  • حل تحلیل احساسات با استفاده از شبکه‌های عصبی عمیق چندکاناله 8 دقیقه
  • مشکل محو شدن گرادیان 8 دقیقه
  • یادگیری انتقالی در یادگیری عمیق 8 دقیقه
  • معماری‌های CNN: AlexNet، VGGNet، ResNet، Inception و MobileNet 8 دقیقه
  • طبقه‌بندی تصاویر حیوانات با استفاده از یادگیری انتقالی - بخش ۱ 8 دقیقه
  • طبقه‌بندی تصاویر حیوانات با استفاده از یادگیری انتقالی - بخش ۲ 8 دقیقه
  • معماری Sequence-to-Sequence (Seq2Seq) در شبکه‌های عصبی بازگشتی 8 دقیقه
  • ساخت مترجم هوشمند انگلیسی به فارسی با استفاده از Seq2Seq - بخش ۱ 8 دقیقه
  • ساخت مترجم هوشمند انگلیسی به فارسی با استفاده از Seq2Seq - بخش ۲ 8 دقیقه
  • ساخت مترجم هوشمند انگلیسی به فارسی با استفاده از Seq2Seq - بخش ۳ 8 دقیقه
  • Transformers و شبکه‌های عصبی عمیق بازگشتی مبتنی بر Attention 8 دقیقه
  • BERT در معماری‌های Transformer (مثال تشخیص اسپم پیامک) - بخش ۱ 8 دقیقه
  • BERT در معماری‌های Transformer (مثال تشخیص اسپم پیامک) - بخش ۲ 8 دقیقه
  • آزمون پایان فصل 8 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل برای ساخت نرم‌افزار یادگیری ماشین 12 دقیقه
  • ساخت نرم‌افزار پیش‌بینی دسته‌بندی اخبار بر اساس متن ورودی - بخش ۱ 12 دقیقه
  • ساخت نرم‌افزار پیش‌بینی دسته‌بندی اخبار بر اساس متن ورودی - بخش ۲ 12 دقیقه
  • ساخت نرم‌افزار تشخیص خواب‌آلودگی راننده - بخش ۱ 12 دقیقه
  • ساخت نرم‌افزار تشخیص خواب‌آلودگی راننده - بخش ۲ 12 دقیقه
  • Streamlit و ساخت برنامه‌های وب داده‌محور - بخش ۱ 12 دقیقه
  • Streamlit و ساخت برنامه‌های وب داده‌محور - بخش ۲ 12 دقیقه
  • Streamlit و ساخت برنامه‌های وب داده‌محور - بخش ۳ 12 دقیقه
  • مبانی سرور لینوکس و Docker برای استقرار نرم‌افزار 12 دقیقه
  • استقرار نرم‌افزار مبتنی بر یادگیری ماشین بر روی سرور لینوکس 12 دقیقه
  • نرم‌افزار تشخیص ماسک صورت - بخش ۱ 12 دقیقه
  • نرم‌افزار تشخیص ماسک صورت - بخش ۲ 12 دقیقه
  • نرم‌افزار تشخیص ماسک صورت - بخش ۳ 12 دقیقه
  • آزمون پایان فصل 12 دقیقه
  • MLOps چیست؟ 13 دقیقه
  • آموزش مقدماتی و نصب Docker 13 دقیقه
  • دانلود، نصب و استفاده از تصاویر آماده Docker - بخش ۱ 13 دقیقه
  • دانلود، نصب و استفاده از تصاویر آماده Docker - بخش ۲ 13 دقیقه
  • دانلود، نصب و استفاده از تصاویر آماده Docker - بخش ۳ 13 دقیقه
  • اجرای سیستم تشخیص حرکت با TensorFlow و Docker 13 دقیقه
  • نصب و استفاده از GitLab در Docker - بخش ۱ 13 دقیقه
  • نصب و استفاده از GitLab در Docker - بخش ۲ 13 دقیقه
  • استفاده از GitHub 13 دقیقه
  • استفاده از GitHub Actions و CI/CD - بخش ۱ 13 دقیقه
  • استفاده از GitHub Actions و CI/CD - بخش ۲ 13 دقیقه
  • ذخیره‌سازی S3 و نرم‌افزار MinIO 13 دقیقه
  • راه‌اندازی سرور و اجرای Docker روی آن 13 دقیقه
  • آموزش DVC و کنترل نسخه داده - بخش ۱ 16 دقیقه
  • آموزش DVC و کنترل نسخه داده - بخش ۲ 16 دقیقه
  • آموزش DVC و کنترل نسخه داده - بخش ۳ 16 دقیقه
  • آموزش DVC و خودکارسازی فرآیندهای آموزش/یادگیری با GitHub Actions 16 دقیقه
  • خطوط لوله در DVC - بخش ۱ 16 دقیقه
  • خطوط لوله در DVC - بخش ۲ 16 دقیقه
  • خطوط لوله در DVC - بخش ۳ 16 دقیقه
  • مدیریت گردش‌های کاری یادگیری ماشین با MLflow - بخش ۱ 16 دقیقه
  • مدیریت گردش‌های کاری یادگیری ماشین با MLflow - بخش ۲ 16 دقیقه
  • مدیریت گردش‌های کاری یادگیری ماشین با MLflow - بخش ۳ 16 دقیقه
  • مدیریت گردش‌های کاری یادگیری ماشین با MLflow - بخش ۴ 16 دقیقه
  • آموزش BentoML و مدیریت برنامه‌های وب ML با API - بخش ۱ 22 دقیقه
  • آموزش BentoML و مدیریت برنامه‌های وب ML با API - بخش ۲ 22 دقیقه
  • آموزش BentoML و مدیریت برنامه‌های وب ML با API - بخش ۳ 22 دقیقه
  • آموزش BentoML و مدیریت برنامه‌های وب ML با API - بخش ۴ 22 دقیقه
  • یکپارچه‌سازی BentoML با Prometheus و Grafana برای نظارت بر سیستم در Docker 22 دقیقه
  • یکپارچه‌سازی BentoML با GitHub Actions برای استقرار خودکار برنامه 22 دقیقه
  • آموزش NVIDIA Triton برای استقرار مدل‌های یادگیری ماشین - بخش ۱ 22 دقیقه
  • آموزش NVIDIA Triton برای استقرار مدل‌های یادگیری ماشین - بخش ۲ 22 دقیقه
  • معرفی کدها و مجموعه‌داده‌های استفاده‌شده در این فصل برای یادگیری تقویتی و یادگیری تقویتی عمیق 13 دقیقه
  • یادگیری تقویتی چیست؟ 13 دقیقه
  • حل مسیریابی تاکسی با Q-Learning - بخش ۱ 13 دقیقه
  • حل مسیریابی تاکسی با Q-Learning - بخش ۲ 13 دقیقه
  • حل مسیریابی تاکسی با Q-Learning - بخش ۳ 13 دقیقه
  • حل مسئله CartPole با Q-Learning - بخش ۱ 13 دقیقه
  • حل مسئله CartPole با Q-Learning - بخش ۲ 13 دقیقه
  • شبیه‌سازی و حل مسئله ربات خودکار کارخانه - بخش ۱ 13 دقیقه
  • شبیه‌سازی و حل مسئله ربات خودکار کارخانه - بخش ۲ 13 دقیقه
  • شبیه‌سازی و حل مسئله ربات خودکار کارخانه - بخش ۳ 13 دقیقه
  • یادگیری تقویتی عمیق و حل مسئله CartPole 13 دقیقه
  • یادگیری تقویتی عمیق و حل بازی Pac-Man 13 دقیقه
  • آزمون پایان فصل 13 دقیقه
  • تشخیص تومور مغزی با یادگیری عمیق - بخش ۱ 13 دقیقه
  • تشخیص تومور مغزی با یادگیری عمیق - بخش ۲ 13 دقیقه
  • تشخیص تومور مغزی با یادگیری عمیق - بخش ۳ 13 دقیقه
  • تشخیص پوسیدگی دندان با استفاده از تصاویر رادیولوژی - بخش ۱ 13 دقیقه
  • تشخیص پوسیدگی دندان با استفاده از تصاویر رادیولوژی - بخش ۲ 13 دقیقه
  • تشخیص پوسیدگی دندان با استفاده از تصاویر رادیولوژی - بخش ۳ 13 دقیقه
  • پیش‌بینی بیماری بر اساس علائم - بخش ۱ 13 دقیقه
  • پیش‌بینی بیماری بر اساس علائم - بخش ۲ 13 دقیقه
  • پیش‌بینی بیماری بر اساس علائم - بخش ۳ 13 دقیقه
  • پیش‌بینی بیماری قلبی بر اساس نوار قلب - بخش ۱ 13 دقیقه
  • پیش‌بینی بیماری قلبی بر اساس نوار قلب - بخش ۲ 13 دقیقه
  • پیش‌بینی بیماری بر اساس تصویر قرنیه چشم - بخش ۱ 13 دقیقه
  • پیش‌بینی بیماری بر اساس تصویر قرنیه چشم - بخش ۲ 13 دقیقه
  • کار با Google Colab و اجرای Jupyter notebooks در آن 11 دقیقه
  • تشخیص اشیا با استفاده از مدل‌های از پیش‌آموزش‌دیده و یادگیری انتقالی 11 دقیقه
  • ترجمه فارسی به انگلیسی/فرانسوی با استفاده از مدل‌های از پیش‌آموزش‌دیده و یادگیری انتقالی 11 دقیقه
  • تمرین: پیاده‌سازی نمره‌دهی خودکار املای دانش‌آموزان 11 دقیقه
  • حل تمرین: پیاده‌سازی نمره‌دهی خودکار املای دانش‌آموزان - بخش ۱ 11 دقیقه
  • حل تمرین: پیاده‌سازی نمره‌دهی خودکار املای دانش‌آموزان - بخش ۲ 11 دقیقه
  • بخش‌بندی تصویر مبتنی بر پرامپت با مدل SAM فیسبوک 11 دقیقه
  • یادگیری Zero-Shot و مدل CLIP در OpenAI 11 دقیقه
  • استفاده از مدل CLIP برای جستجوی معنایی در تصاویر 11 دقیقه
  • تمرین: پیش‌بینی بیماری دیابت با استفاده از تصویر قرنیه چشم 11 دقیقه
  • حل تمرین: پیش‌بینی بیماری دیابت با استفاده از تصویر قرنیه چشم - بخش ۱ 11 دقیقه
  • حل تمرین: پیش‌بینی بیماری دیابت با استفاده از تصویر قرنیه چشم - بخش ۲ 11 دقیقه
  • تولید تصویر با استفاده از متن ورودی با کمک Stable Diffusion 11 دقیقه
  • ساخت سیستمی برای تولید توضیح برای ویدیو (Video Captioning) به زبان فارسی 11 دقیقه
  • ماژول Diffusers و ایجاد انیمیشن بر اساس متن 11 دقیقه
  • مدل GAN و تولید تصاویر غیرواقعی توسط شبکه‌های مولد تخاصمی 11 دقیقه

teacher 1

Lorem Ipsum is simply dummy text of the printing

ثبت‌نام و پرداخت

ثبت نام

5000000تومان

5000000تومان!

iranic