جلسه اول کلاس آنلاین علم داده ۱ - کد ۶ (رایگان)
زمان برگزاری:
شروع این کلاس اعلام خواهد شد ( چهارشنبه ها )
هزینه
کلاس:
رایگان
مدت:
۳ ساعت
از طریق کامپیوتر شخصی، لپ تاپ، موبایل و تبلت می‌توانید در این کلاس شرکت کنید.
توضیحات
هدف دوره:
▪️
آشنایی با مفاهیم اساسی کار با داده (شناخت ادبیات موضوع و مفاهیم اصلی)▪️
درک مفاهیم علوم مرتبط با علم داده شامل ریاضی، آمار و علوم کامپیوتر▪️
آشنایی با ابزارها، زبان‌های برنامه‌نویسی، پلتفرم‌های مورد نیاز حوزه▪️
توانایی تشخیص انواع مسایل واقعی و نحوه مدلسازی آن‌ها▪️
شناخت کامل الگوریتم‌ها و روش‌های اصلی یادگیری ماشین و یادگیری عمیقنحوه برگزاری دوره:
▪️
۱۲ ساعت ویدیوی پیش نیاز (برای متقاضی‌هایی که از رشته‌های غیرمرتبط وارد این حوزه می‌شوند)▪️
۱۶ ساعت کلاس نظری▪️
۱۲ ساعت ورکشاپ برنامه‌نویسی▪️
انجام تمرینات دوره‌ای بصورت تیمورکسرفصلهای ویدیوی پیش مطالعه:
آمار و احتمال:
▪️ احتمال و احتمال شرطی
▪️ متغیرهای تصادفی گسسته و پیوسته مهم
▪️ آمار توصیفی (میانگین، واریانس و متغیر استاندارد)
▪️ رگرسیون خطی
▪️ قضیه حد مرکزی و قانون اعداد بزرگ
ریاضی:
▪️ قاعده مشتق زنجیره‌ای
▪️ مشتق مراتب بالاتر
▪️ گرادیان
▪️ جبر خطی و ماتریس و جبر مجموعه‌ها
پایتون
▪️ انواع محیط‌های برنامه‌نویسی پایتون
▪️ نصب و راه‌اندازی
▪️ انواع داده در پایتون
▪️ گزاره‌های شرطی در پایتون
▪️ پیاده‌سازی مفاهیم آمار توصیفی در پایتون
▪️ پیاده‌سازی بردارها و انواع عملیات روی آن‌ها در پایتون
▪️ پیاده‌سازی ماتریس‌ها و انواع عملیات روی آن‌ها در پایتون به همراه تصویرسازی
▪️ پیاده‌سازی مشتق و گرادیان در پایتون
▪️ پیاده‌سازی حلقه و تابع در پایتون
سرفصل‌های کلاس درس:
انواع یادگیری ماشین:
▪️ یادگیری نظارت شده (Supervised Learning)
▪️ یادگیری بدون ناظر (Unsupervised Learning)
▪️ یادگیری تقویتی (Reinforcement Learning)
مفاهیم اساسی:
▪️ پیش پردازش داده (Preprocessing)
▪️ مهندسی ویژگی (Feature Engineering)
▪️ انتخاب مدل (Model Selection)
▪️ بیش برازش و کم برازش (Over fitting and Under fitting)
▪️ انواع دسته‌بندها (Classifiers)
▪️ گرادیان کاهشی (Gradient Descent)
▪️ تابع هزینه (Loss Function)
▪️ تنظیم (رگولاریزیشن) (Regularization)
▪️ آموزش، اعتبارسنجی و آزمودن مدل (Train, Validation, and Test)
▪️ آموزش مدل (training The Model)
▪️ اعتبارسنجی (Validation)
▪️ آزمودن مدل (Test The Model)
انواع روش‌های یادگیری نظارت شده:
▪️ رگرسیون خطی (Linear Regression)
▪️ رگرسیون لجستیک (Logistic Regression)
مقدمه‌ای بر شبکه‌های عصبی:
▪️ پرسپترون چندلایه (Multilayer Perceptron)
▪️ شبکه عصبی مصنوعی (Artificial Neural Networks)
▪️ شبکه عصبی کلاسیک (Fully-connected Neural Netwroks)
▪️ تابع فعال‌ساز (Activation Function)
▪️ وزن و بایاس (Weight and Biase)
▪️ تابع هزینه (Loss Function)
▪️ الگوریتم حرکت رو به جلو (Forward Pass)
▪️ الگوریتم پس انتشار خطا (Backpropagation)
▪️ انواع گرادیان کاهشی (Gradient Descent Types)
▪️ تابع بهینه‌ساز (Optimizer)
▪️ اندازه دسته داده‌ها (Batch Size)
▪️ مشکلات شبکه عصبی کلاسیک
شبکه‌های عصبی کانولوشنی:
▪️ شبکه عصبی کانولوشنی (Convolutional Neural Networks)
▪️ فیلتر و انواع آن (Kernel)
▪️ پولینگ (Pooling)
▪️ دراپ اوت (Dropout)
▪️ نرمالسازی دسته داده (Batch Normalization)
▪️ دایلیشن (Dilation)
سرفصل‌های ورکشاپ برنامه‌نویسی:
مقدمات اساسی پایتون:
▪️ آشنایی با کتابخانه Matplotlib
▪️ آشنایی با کتابخانه SKlearn
▪️ آشنایی با کتابخانه Scipy
▪️ آشنایی با داده ست‌های مشهور
انواع پیش پردازش داده:
▪️ داده متنی
▪️ داده صوتی
▪️ داده تصویر
▪️ داده تصاویر سه‌بعدی پزشکی
