آموزش هوش مصنوعی با پایتون در تبریز | دوره AI و یادگیری ماشین | آموزشگاه ذهن برنده
برگشت به بالا
دوره جامع هوش مصنوعی با پایتون

آموزش هوش مصنوعی با پایتون

از مبانی پایتون تا ساخت و ارزیابی مدل‌های هوش مصنوعی

چرا هوش مصنوعی با پایتون؟

ترکیب برنامه‌نویسی، داده و حل مسئله

هوش مصنوعی به ما کمک می‌کند از داده‌ها الگو پیدا کنیم و پیش‌بینی یا دسته‌بندی انجام دهیم. در این دوره، مفاهیم را با مثال‌های قابل‌فهم و پیاده‌سازی در پایتون یاد می‌گیریم.

مسیر یادگیری از آماده‌سازی داده‌ها و شناخت مسئله شروع می‌شود و به آموزش مدل‌های پایه یادگیری ماشین، سنجش عملکرد و اجرای یک پروژه کوچک می‌رسد.

از پایه

شروع مفهومی و مرحله‌به‌مرحله

عملی

یادگیری همراه با تمرین

فنی و حرفه‌ای

تمرین با داده و مدل

مهارت‌هایی که یاد می‌گیرید

در این دوره چه چیزهایی یاد می‌گیرید؟

مسیر یادگیری از مبانی پایتون تا ساخت و ارزیابی مدل‌های یادگیری ماشین

مبانی Python

متغیرها، شرط‌ها، حلقه‌ها، توابع و ساختارهای اصلی برنامه‌نویسی.

آماده‌سازی داده

آشنایی با داده‌های جدولی و آماده‌سازی آن‌ها برای تحلیل و آموزش مدل.

تحلیل داده

بررسی ویژگی‌ها، الگوها و ارتباط میان داده‌ها با مثال‌های ساده.

یادگیری ماشین

شناخت مسئله‌های پیش‌بینی و دسته‌بندی و آشنایی با مدل‌های پایه.

الگوریتم‌های پایه

تمرین با رگرسیون، KNN، درخت تصمیم، Naive Bayes و SVM در سطح دوره.

ارزیابی مدل

تقسیم داده‌ها، سنجش دقت و بررسی خطاهای پیش‌بینی مدل.

ویدیوی کلاس

بخشی از کلاس آموزش هوش مصنوعی با پایتون

فضای واقعی کلاس و بخشی از تجربه آموزشی کارآموزان

این دوره مناسب شماست اگر...

چه کسانی در دوره هوش مصنوعی با پایتون شرکت کنند؟

می‌خواهید کار با کامپیوتر را شروع کنید

آموزش از مفاهیم پایه شروع می‌شود و برای افراد مبتدی مناسب است.

به دنبال مهارت‌های اداری هستید

مهارت‌های مورد نیاز برای کار با نرم‌افزارهای اداری را یاد می‌گیرید.

برای ورود به بازار کار آماده می‌شوید

مهارت‌های کاربردی کامپیوتر برای محیط‌های کاری را تمرین می‌کنید.

برای آزمون فنی و حرفه‌ای آماده می‌شوید

مفاهیم هوش مصنوعی و یادگیری ماشین را همراه با مثال و تمرین برنامه‌نویسی دنبال می‌کنید.

مسیر یادگیری

سرفصل‌های دوره هوش مصنوعی با پایتون

از مبانی برنامه‌نویسی و داده تا آموزش و ارزیابی مدل‌های یادگیری ماشین

آشنایی با مفهوم هوش مصنوعی، کاربردهای آن در زندگی و صنعت، تفاوت هوش مصنوعی و یادگیری ماشین و معرفی مسیر دوره.

آشنایی با گراف، گره و یال و یادگیری جستجوی سطح‌اول (BFS) و عمق‌اول (DFS) با مثال‌های عملی در پایتون.

مقایسه روش‌های جستجو، آشنایی با تابع تخمین (Heuristic) و درک نحوه عملکرد الگوریتم A* برای یافتن مسیر مناسب.

آشنایی با یادگیری ماشین و یادگیری نظارت‌شده؛ ساخت اولین مدل رگرسیون خطی برای پیش‌بینی مقادیر عددی با پایتون.

بررسی تفاوت پیش‌بینی و مقدار واقعی و آشنایی با معیارهایی مانند MAE، MSE، RMSE و مفهوم ارزیابی عملکرد مدل.

شناخت بیش‌برازش و کم‌برازش، تفاوت عملکرد مدل روی داده‌های آموزش و آزمون و روش‌های بهبود تعمیم‌پذیری مدل.

آشنایی با مسئله طبقه‌بندی، احتمال پیش‌بینی کلاس‌ها، تابع سیگموید و پیاده‌سازی رگرسیون لجستیک با پایتون.

درک مفهوم فاصله بین نمونه‌ها، انتخاب مقدار K و استفاده از الگوریتم KNN برای دسته‌بندی داده‌های جدید.

آشنایی با ساختار درخت تصمیم، گره‌ها، شاخه‌ها و معیارهای انتخاب ویژگی و ساخت مدل طبقه‌بندی با پایتون.

آشنایی با ترکیب چند درخت تصمیم، مفهوم رأی‌گیری میان درخت‌ها و استفاده از Random Forest برای پیش‌بینی و طبقه‌بندی.

درک مرز تصمیم، حاشیه (Margin)، بردارهای پشتیبان و نحوه جداسازی کلاس‌ها با الگوریتم SVM.

بررسی داده‌های غیرخطی، محدودیت مرزهای خطی و آشنایی با ایده کرنل و کرنل‌های رایج مانند RBF و Polynomial.

آشنایی با قاعده بیز، فرض استقلال ویژگی‌ها و پیاده‌سازی یک نمونه عملی مانند تشخیص ایمیل‌های اسپم با پایتون.

آشنایی با یادگیری بدون نظارت، مراکز خوشه‌ها، نحوه گروه‌بندی داده‌ها و اجرای الگوریتم K-Means با پایتون.

شناخت روش‌های خوشه‌بندی سلسله‌مراتبی، مفهوم فاصله بین خوشه‌ها و نمایش ساختار خوشه‌ها با نمودار دندروگرام.

آشنایی با کاهش ابعاد، مفهوم مؤلفه‌های اصلی و کاربرد PCA در ساده‌سازی داده‌ها و نمایش ویژگی‌های متعدد.

بررسی داده‌های ناقص و تکراری، کدگذاری ویژگی‌های دسته‌ای، مقیاس‌بندی داده‌ها و آماده‌سازی صحیح داده‌ها برای آموزش مدل‌های یادگیری ماشین.

آماده شروع یادگیری هوش مصنوعی با پایتون هستید؟

قدم‌به‌قدم با پایتون وارد دنیای هوش مصنوعی و یادگیری ماشین شوید.

درخواست ثبت‌نام