IRANICAI IRANICAI
دوره پیشرفته تخصصی یادگیری ماشین و علم داده
دوره پیشرفته تخصصی یادگیری ماشین و علم داده
این دوره کاملاً پروژه‌محور ۳۶ ساعته یادگیری عمیق و هوش مصنوعی پیشرفته، شما را از پیاده‌سازی شبکه‌های عصبی و مدل‌های یادگیری عمیق تا ساخت، استقرار و نظارت بر سیستم‌های هوشمند دنیای واقعی راهنمایی می‌کند؛ در طول دوره، به صورت عملی با TensorFlow و PyTorch کار خواهید کرد تا شبکه‌های عصبی، CNN، RNN، LSTM، GRU، Transformers و BERT را پیاده‌سازی کنید و پروژه‌های واقعی در سطح صنعتی مانند تشخیص بیماری از روی تصاویر پزشکی، تحلیل احساسات، ترجمه ماشینی انگلیسی–فارسی، پیش‌بینی سری‌های زمانی، تشخیص اشیاء و یادگیری تقویتی با Q-Learning و Deep Q-Learning را توسعه دهید؛ همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشین را با استفاده از Docker، Git، GitHub Actions، DVC، MLflow، BentoML و NVIDIA Triton در محیط تولید مستقر کنید، با تأکید شدید بر کدنویسی عملی، حل مسئله و پروژه‌های واقعی، به طوری که بتوانید با چندین پروژه آماده برای رزومه و آمادگی کامل برای نقش‌های حرفه‌ای در هوش مصنوعی و یادگیری ماشین فارغ‌التحصیل شوید.
9 فصل‌ها
  • معرفی کدها و دیتاست‌های استفاده شده در این فصل برای آموزش شبکه‌های عصبی 6 دقیقه
  • شبکه‌های عصبی چیستند؟ - قسمت ۱ 6 دقیقه
  • شبکه‌های عصبی چیستند؟ - قسمت ۲ 6 دقیقه
  • شبکه‌های عصبی چیستند؟ - قسمت ۳ 6 دقیقه
  • شبکه‌های عصبی عمیق و یادگیری عمیق 6 دقیقه
  • توابع فعال‌سازی و نقش آنها در یادگیری عمیق 6 دقیقه
  • شیب نزولی (Gradient Descent) در شبکه‌های عصبی 6 دقیقه
  • پیاده‌سازی یک شبکه عصبی ساده در پایتون 6 دقیقه
  • شبکه عصبی متراکم (Dense) با TensorFlow (مثال پیش‌بینی بیماری قلبی) - قسمت ۱ 6 دقیقه
  • شبکه عصبی متراکم (Dense) با TensorFlow (مثال پیش‌بینی بیماری قلبی) - قسمت ۲ 6 دقیقه
  • حل مسائل تصاویر دست‌نوشته ارقام با استفاده از شبکه‌های عصبی در TensorFlow و Keras 6 دقیقه
  • شبکه‌های عصبی کانولوشنی (CNN) – قسمت ۱ 6 دقیقه
  • شبکه‌های عصبی کانولوشنی (CNN) – قسمت ۲ 6 دقیقه
  • تشخیص مد با استفاده از شبکه‌های عصبی کانولوشنی - قسمت ۱ 6 دقیقه
  • تشخیص مد با استفاده از شبکه‌های عصبی کانولوشنی - قسمت ۲ 6 دقیقه
  • کار با تصاویر بزرگ با استفاده از CNN (مثال تشخیص تصاویر حیوانات) 6 دقیقه
  • افزایش داده (Data Augmentation) در یادگیری عمیق (مثال تشخیص تصاویر حیوانات) 6 دقیقه
  • تشخیص بیماری ریه با استفاده از تصاویر پزشکی با CNN - قسمت ۱ 6 دقیقه
  • تشخیص بیماری ریه با استفاده از تصاویر پزشکی با CNN - قسمت ۲ 6 دقیقه
  • تشخیص نوع گیاه با استفاده از CNN 6 دقیقه
  • شبکه‌های عصبی بازگشتی مبتنی بر حافظه (RNN) 6 دقیقه
  • پیش‌بینی سری زمانی با استفاده از شبکه‌های عصبی بازگشتی (مثال پیش‌بینی قیمت دلار) – قسمت ۱ 6 دقیقه
  • پیش‌بینی سری زمانی با استفاده از شبکه‌های عصبی بازگشتی (مثال پیش‌بینی قیمت دلار) - قسمت ۲ 6 دقیقه
  • شبکه‌های LSTM و GRU (مثال پیش‌بینی سهام) - قسمت ۱ 6 دقیقه
  • شبکه‌های LSTM و GRU (مثال پیش‌بینی سهام) - قسمت ۲ 6 دقیقه
  • معماری‌های مختلف در شبکه‌های عصبی بازگشتی 6 دقیقه
  • آزمون پایان فصل 6 دقیقه
  • معرفی کدها و دیتاست‌های استفاده شده در این فصل برای یادگیری عمیق 4 دقیقه
  • کتابخانه PyTorch و شبکه‌های عصبی کانولوشنی (CNN) - قسمت ۱ 4 دقیقه
  • کتابخانه PyTorch و شبکه‌های عصبی کانولوشنی (CNN) - قسمت ۲ 4 دقیقه
  • کتابخانه PyTorch و شبکه‌های عصبی بازگشتی (RNN) 4 دقیقه
  • شبکه عصبی کانولوشنی یک‌بعدی و لایه Embedding (مثال تحلیل احساسات) - قسمت ۱ 4 دقیقه
  • شبکه عصبی کانولوشنی یک‌بعدی و لایه Embedding (مثال تحلیل احساسات) - قسمت ۲ 4 دقیقه
  • شبکه‌های عصبی عمیق چندکاناله (مثال پیش‌بینی قیمت خانه با استفاده از تصاویر خانه) 4 دقیقه
  • حل تحلیل احساسات با استفاده از شبکه‌های عصبی عمیق چندکاناله 4 دقیقه
  • مشکل محو شدن گرادیان (Vanishing Gradient) 4 دقیقه
  • یادگیری انتقالی (Transfer Learning) در یادگیری عمیق 4 دقیقه
  • معماری‌های CNN: AlexNet، VGGNet، ResNet، Inception و MobileNet 4 دقیقه
  • طبقه‌بندی تصاویر حیوانات با استفاده از یادگیری انتقالی - قسمت ۱ 4 دقیقه
  • طبقه‌بندی تصاویر حیوانات با استفاده از یادگیری انتقالی - قسمت ۲ 4 دقیقه
  • معماری Sequence-to-Sequence (Seq2Seq) در شبکه‌های عصبی بازگشتی 4 دقیقه
  • ساخت یک مترجم هوشمند انگلیسی به فارسی با استفاده از Seq2Seq - قسمت ۱ 4 دقیقه
  • ساخت یک مترجم هوشمند انگلیسی به فارسی با استفاده از Seq2Seq - قسمت ۲ 4 دقیقه
  • ساخت یک مترجم هوشمند انگلیسی به فارسی با استفاده از Seq2Seq - قسمت ۳ 4 دقیقه
  • ترنسفورمرها (Transformers) و شبکه‌های عصبی بازگشتی مبتنی بر توجه (Attention) 4 دقیقه
  • BERT در معماری Transformer (مثال تشخیص هرزنامه SMS) - قسمت ۱ 4 دقیقه
  • BERT در معماری Transformer (مثال تشخیص هرزنامه SMS) - قسمت ۲ 4 دقیقه
  • آزمون پایان فصل 4 دقیقه
  • ... 4 دقیقه
  • ... 4 دقیقه
  • ... 4 دقیقه
  • ... 4 دقیقه
  • ... 4 دقیقه
  • معرفی کدها و دیتاست‌های استفاده شده در این فصل برای ساخت نرم‌افزار یادگیری ماشین 12 دقیقه
  • ساخت نرم‌افزار پیش‌بینی دسته‌بندی اخبار بر اساس متن ورودی - قسمت ۱ 12 دقیقه
  • ساخت نرم‌افزار پیش‌بینی دسته‌بندی اخبار بر اساس متن ورودی - قسمت ۲ 12 دقیقه
  • ساخت نرم‌افزار تشخیص خواب‌آلودگی راننده - قسمت ۱ 12 دقیقه
  • ساخت نرم‌افزار تشخیص خواب‌آلودگی راننده - قسمت ۲ 12 دقیقه
  • Streamlit و ساخت برنامه‌های وب داده‌محور - قسمت ۱ 12 دقیقه
  • Streamlit و ساخت برنامه‌های وب داده‌محور - قسمت ۲ 12 دقیقه
  • Streamlit و ساخت برنامه‌های وب داده‌محور - قسمت ۳ 12 دقیقه
  • مبانی سرور لینوکس و Docker برای استقرار نرم‌افزار 12 دقیقه
  • استقرار نرم‌افزار مبتنی بر یادگیری ماشین روی سرور لینوکس 12 دقیقه
  • نرم‌افزار تشخیص ماسک صورت - قسمت ۱ 12 دقیقه
  • نرم‌افزار تشخیص ماسک صورت - قسمت ۲ 12 دقیقه
  • نرم‌افزار تشخیص ماسک صورت - قسمت 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 از پیش ساخته شده Docker - قسمت ۱ 13 دقیقه
  • دانلود، نصب و استفاده از تصاویر از پیش ساخته شده Docker - قسمت ۲ 13 دقیقه
  • دانلود، نصب و استفاده از تصاویر از پیش ساخته شده Docker - قسمت ۳ 13 دقیقه
  • اجرای سیستم تشخیص حرکت با TensorFlow و Docker 13 دقیقه
  • نصب و استفاده از GitLab در Docker - قسمت ۱ 13 دقیقه
  • نصب و استفاده از GitLab در Docker - قسمت ۲ 13 دقیقه
  • استفاده از GitHub 13 دقیقه
  • استفاده از GitHub Actions و CI/CD - قسمت ۱ 13 دقیقه
  • استفاده از GitHub Actions و CI/CD - قسمت ۲ 13 دقیقه
  • فضای ذخیره‌سازی S3 و نرم‌افزار MinIO 13 دقیقه
  • راه‌اندازی سرور و اجرای Docker روی آن 13 دقیقه
  • آموزش DVC و کنترل نسخه داده – قسمت ۱ 14 دقیقه
  • آموزش DVC و کنترل نسخه داده - قسمت ۲ 14 دقیقه
  • آموزش DVC و کنترل نسخه داده - قسمت ۳ 14 دقیقه
  • آموزش DVC و خودکارسازی فرآیندهای آموزش/یادگیری با GitHub Actions 14 دقیقه
  • خطوط لوله (Pipelines) در DVC – قسمت ۱ 14 دقیقه
  • خطوط لوله (Pipelines) در DVC – قسمت ۲ 14 دقیقه
  • خطوط لوله (Pipelines) در DVC - قسمت ۳ 14 دقیقه
  • مدیریت گردش‌های کاری یادگیری ماشین با MLflow - قسمت ۱ 14 دقیقه
  • مدیریت گردش‌های کاری یادگیری ماشین با MLflow - قسمت ۲ 14 دقیقه
  • مدیریت گردش‌های کاری یادگیری ماشین با MLflow - قسمت ۳ 14 دقیقه
  • مدیریت گردش‌های کاری یادگیری ماشین با MLflow - قسمت ۴ 14 دقیقه
  • آموزش BentoML و مدیریت برنامه‌های وب ML با API - قسمت ۱ 22 دقیقه
  • آموزش BentoML و مدیریت برنامه‌های وب ML با API - قسمت ۲ 22 دقیقه
  • آموزش BentoML و مدیریت برنامه‌های وب ML با API - قسمت ۳ 22 دقیقه
  • آموزش BentoML و مدیریت برنامه‌های وب ML با API - قسمت ۴ 22 دقیقه
  • ادغام BentoML با Prometheus و Grafana برای نظارت بر سیستم در Docker 22 دقیقه
  • ادغام BentoML با GitHub Actions برای استقرار خودکار برنامه 22 دقیقه
  • آموزش NVIDIA Triton برای استقرار مدل‌های یادگیری ماشین – قسمت ۱ 22 دقیقه
  • آموزش NVIDIA Triton برای استقرار مدل‌های یادگیری ماشین – قسمت ۲ 22 دقیقه
  • معرفی کدها و دیتاست‌های استفاده شده در این فصل برای یادگیری تقویتی و یادگیری تقویتی 13 دقیقه
  • یادگیری تقویتی چیست؟ 13 دقیقه
  • حل مسئله مسیردهی تاکسی با Q-Learning – قسمت ۱ 13 دقیقه
  • حل مسئله مسیردهی تاکسی با Q-Learning – قسمت ۲ 13 دقیقه
  • حل مسئله مسیردهی تاکسی با Q-Learning – قسمت ۳ 13 دقیقه
  • حل مسئله CartPole با Q-Learning - قسمت ۱ 13 دقیقه
  • حل مسئله CartPole با Q-Learning - قسمت ۲ 13 دقیقه
  • شبیه‌سازی و حل مسئله ربات خودکار کارخانه - قسمت ۱ 13 دقیقه
  • شبیه‌سازی و حل مسئله ربات خودکار کارخانه - قسمت ۲ 13 دقیقه
  • شبیه‌سازی و حل مسئله ربات خودکار کارخانه - قسمت 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 - قسمت اول 13 دقیقه
  • تشخیص تومور مغزی با یادگیری عمیق - قسمت دوم 13 دقیقه
  • تشخیص تومور مغزی با یادگیری عمیق - قسمت سوم 13 دقیقه
  • تشخیص پوسیدگی دندان با استفاده از تصاویر رادیولوژی - قسمت اول 13 دقیقه
  • تشخیص پوسیدگی دندان با استفاده از تصاویر رادیولوژی - قسمت دوم 13 دقیقه
  • تشخیص پوسیدگی دندان با استفاده از تصاویر رادیولوژی - قسمت سوم 13 دقیقه
  • پیش‌بینی بیماری بر اساس علائم - قسمت اول 13 دقیقه
  • پیش‌بینی بیماری بر اساس علائم - قسمت دوم 13 دقیقه
  • پیش‌بینی بیماری بر اساس علائم - قسمت سوم 13 دقیقه
  • پیش‌بینی بیماری قلبی بر اساس نوار قلب (ECG) - قسمت اول 13 دقیقه
  • پیش‌بینی بیماری قلبی بر اساس نوار قلب (ECG) - قسمت دوم 13 دقیقه
  • پیش‌بینی بیماری بر اساس تصویر قرنیه چشم - قسمت اول 13 دقیقه
  • پیش‌بینی بیماری بر اساس تصویر قرنیه چشم - قسمت دوم 13 دقیقه
  • کار با Google Colab (Colab) و اجرای نوت‌بوک‌های Jupyter در آن 11 دقیقه
  • کار با Google Colab (Colab) و اجرای نوت‌بوک‌های Jupyter در آن 11 دقیقه
  • ترجمه فارسی به انگلیسی/فرانسوی با استفاده از مدل‌های از پیش آموزش‌دیده و یادگیری انتقالی 11 دقیقه
  • تمرین: پیاده‌سازی نمره‌دهی خودکار به املاای دانش‌آموزان 11 دقیقه
  • حل تمرین: پیاده‌سازی نمره‌دهی خودکار به املا دانش‌آموزان - قسمت اول 11 دقیقه
  • حل تمرین: پیاده‌سازی نمره‌دهی خودکار به املا دانش‌آموزان - قسمت دوم 11 دقیقه
  • قطعه‌بندی تصویر مبتنی بر پرامپت با مدل SAM فیسبوک 11 دقیقه
  • یادگیری صفر-نمونه (Zero-Shot Learning) 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 - قسمت اول 11 دقیقه
  • حل تمرین: پیش‌بینی بیماری دیابت با استفاده از تصویر قرنیه چشم - قسمت دوم 11 دقیقه
  • تولید تصویر با استفاده از متن ورودی به کمک Stable Diffusion 11 دقیقه
  • ساخت سیستم تولید توضیح برای ویدئو (Video Captioning) به زبان فارسی 11 دقیقه
  • ماژول Diffusers و ساخت 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

4500000تومان

4500000تومان!

iranic