ماشین لرنینگ و یادگیری عمیق
Machine Learning & Deep Learning
از الگوریتم‌های کلاسیک ML تا شبکه‌های عمیق؛ پروژه‌محور و عملیاتی.
درباره‌ی این دوره
جامع‌ترین دوره‌ی ایده‌نت در حوزه‌ی هوش مصنوعی. ۶۰ ساعت محتوای فشرده که از الگوریتم‌های کلاسیک یادگیری ماشین شروع می‌شود و تا شبکه‌های عصبی عمیق و کاربردهای پیشرفته پیش می‌رود.
بخش اول دوره به الگوریتم‌های کلاسیک ML اختصاص دارد: رگرسیون خطی و لجستیک، درخت تصمیم، Random Forest، XGBoost، SVM، K-Means و الگوریتم‌های Unsupervised. بخش دوم وارد یادگیری عمیق می‌شود: شبکه‌های عصبی پایه، CNN برای پردازش تصویر، RNN و LSTM برای داده‌ی دنباله‌ای، و مفاهیم پایه‌ی ترنسفورمرها.
تمرین‌ها در PyTorch و TensorFlow انجام می‌شود. سه پروژه‌ی واقعی در طول دوره ساخته می‌شود: یک سیستم پیشنهاددهنده، یک مدل تشخیص تصویر و یک سیستم تحلیل احساسات متن.
سرفصل دوره
۱۲ فصل · ۱۰۲ سرفصل
دوره جامع Machine Learning & Deep Learning with R — ۶۰ ساعت، سطح متوسط. ابزارها: R، RStudio، caret، tidymodels، TensorFlow و Keras. ساختار دوره برای ۶۰ ساعت متعادل شده است: حدود ۳۵ ساعت Machine Learning، ۱۵ ساعت Deep Learning و ۱۰ ساعت کارگاه و پروژه عملی.
۱بخش اول: آشنایی با هوش مصنوعی، یادگیری ماشین و یادگیری عمیق۹ سرفصل
- معرفی هوش مصنوعی (AI)
- معرفی Machine Learning
- معرفی Deep Learning
- تفاوت AI، Machine Learning و Deep Learning
- کاربردهای یادگیری ماشین و یادگیری عمیق
- انواع یادگیری: Supervised، Unsupervised و Reinforcement Learning
- مفاهیم Dataset، Feature و Target
- انواع داده‌های Numerical و Categorical
- آشنایی با محیط R و RStudio
۲بخش دوم: آماده‌سازی و پیش‌پردازش داده‌ها۱۲ سرفصل
- اهمیت کیفیت داده در مدل‌سازی
- Exploratory Data Analysis (EDA)
- آمار توصیفی و تحلیل اولیه داده
- مدیریت داده‌های گمشده
- تشخیص و مدیریت داده‌های پرت (Outliers)
- Encoding داده‌های کیفی
- Normalization
- Standardization
- Feature Engineering
- Feature Selection
- تقسیم داده به Training، Validation و Test
- پیاده‌سازی مراحل پیش‌پردازش در R
۳بخش سوم: مصورسازی و تحلیل داده‌ها۹ سرفصل
- معرفی ggplot2
- رسم نمودارهای آماری
- Histogram
- Boxplot
- Scatter Plot
- Correlation Analysis
- Heatmap
- تحلیل روابط بین متغیرها
- شناسایی الگوهای اولیه داده
۴بخش چهارم: مبانی یادگیری ماشین۶ سرفصل
- معرفی الگوریتم‌های یادگیری ماشین
- فرآیند ساخت مدل
- مفهوم Bias و Variance
- Regression و Classification
- انتخاب مدل مناسب
- آشنایی با کتابخانه‌های caret و tidymodels
۵بخش پنجم: مدل‌های رگرسیون۶ سرفصل
- Linear Regression: مفاهیم و کاربردها
- آموزش مدل و تفسیر ضرایب
- ارزیابی مدل
- Logistic Regression و مسائل طبقه‌بندی
- تابع Logistic
- آموزش مدل و تفسیر نتایج
۶بخش ششم: مدل‌های طبقه‌بندی و پیش‌بینی۶ سرفصل
- Decision Tree: ساختار درخت تصمیم، معیارهای تقسیم، پیاده‌سازی در R
- Random Forest و مفهوم Ensemble Learning
- Feature Importance
- Support Vector Machine (SVM): Hyperplane، Margin و Kernel Functions
- K-Nearest Neighbors (KNN): مفهوم فاصله و انتخاب K مناسب
- پیاده‌سازی در R
۷بخش هفتم: یادگیری بدون نظارت (Unsupervised Learning)۸ سرفصل
- K-Means Clustering
- انتخاب تعداد خوشه‌ها و تحلیل نتایج
- Hierarchical Clustering
- Dendrogram
- Cluster Interpretation
- کاهش ابعاد داده
- Principal Component Analysis (PCA)
- کاربرد PCA و تفسیر مؤلفه‌های اصلی
۸بخش هشتم: ارزیابی و اعتبارسنجی مدل‌ها۷ سرفصل
- معیارهای Regression: MAE، MSE، RMSE و R²
- معیارهای Classification: Accuracy، Precision، Recall و F1-Score
- Train/Test Split
- Cross Validation
- Confusion Matrix
- ROC Curve و AUC
- تحلیل خطا: Underfitting و Overfitting
۹بخش نهم: مبانی شبکه‌های عصبی و Deep Learning۸ سرفصل
- معرفی Neural Network و نورون مصنوعی
- معماری شبکه‌های عصبی: Input، Hidden و Output Layer
- Weights و Bias
- Activation Functions: Sigmoid، Tanh، ReLU و Softmax
- Forward Propagation
- Backpropagation
- Gradient Descent
- Learning Rate
۱۰بخش دهم: پیاده‌سازی Deep Learning با Keras و TensorFlow۱۴ سرفصل
- معرفی TensorFlow
- معرفی Keras
- نصب و راه‌اندازی محیط
- ساخت مدل Sequential
- ایجاد Dense Layer
- انتخاب Activation Function
- انتخاب Optimizer
- انتخاب Loss Function
- Compile Model
- Train Model
- Validation
- Predict
- ذخیره و بارگذاری مدل
- رسم نمودار Loss و Accuracy
۱۱بخش یازدهم: شبکه‌های عصبی پیشرفته۹ سرفصل
- Deep Neural Networks (DNN) و شبکه‌های چندلایه
- طراحی معماری مناسب
- Convolutional Neural Networks (CNN) و مفهوم Convolution
- Filter و Kernel
- Pooling
- کاربرد CNN در پردازش تصویر
- Recurrent Neural Networks (RNN) و داده‌های ترتیبی
- مفهوم حافظه در شبکه
- Long Short-Term Memory (LSTM) و کاربرد در داده‌های سری زمانی
۱۲بخش دوازدهم: بهینه‌سازی و تنظیم مدل‌ها۸ سرفصل
- انتخاب معماری مناسب: تعداد لایه‌ها و نورون‌ها
- Batch Size
- Epoch
- Learning Rate
- تکنیک‌های جلوگیری از Overfitting: Dropout و Early Stopping
- Regularization
- Batch Normalization
- Hyperparameter Tuning: Grid Search و Random Search
کارگاه عملی
کارگاه‌های عملی (Hands-On Labs)
کارگاه‌های عملی دوره
- پیاده‌سازی پروژه رگرسیون
- پیاده‌سازی پروژه طبقه‌بندی
- خوشه‌بندی داده‌ها
- تحلیل داده با PCA
- طراحی و آموزش شبکه عصبی
- پیاده‌سازی CNN مقدماتی
- پیاده‌سازی LSTM مقدماتی
- اجرای پروژه نهایی End-to-End
پروژه
بخش سیزدهم: پروژه نهایی و پیاده‌سازی End-to-End
- تعریف مسئله
- جمع‌آوری و آماده‌سازی داده
- تحلیل اولیه داده
- انتخاب مدل مناسب
- آموزش مدل
- ارزیابی و اعتبارسنجی
- بهینه‌سازی مدل
- پیش‌بینی روی داده‌های جدید
- تفسیر نتایج
- مستندسازی پروژه
- ارائه پروژه نهایی
پیش‌نیازها
- آشنایی مقدماتی با آمار و برنامه‌نویسی R
نحوه‌ی برگزاری
محیط آموزشی پیشرفته و پویا
کلاس‌های زنده‌ی تعاملی به‌همراه ضبط جلسات.
دوره‌ی فشرده‌ی پروژه‌محور برای ورود سریع به بازار کار.
دوره‌های مرتبط در همین رشته آموزشی
تحلیل داده ۱
Data Analysis I
ورود به تحلیل داده با ابزارهای کاربردی و تمرین‌های پروژه‌محور.
تحلیل داده ۲
Data Analysis II
تکنیک‌های پیشرفته‌ی تحلیل داده، آمار و آماده‌سازی برای مدل‌سازی.
مدل‌سازی در دیتا ساینس
Data Science Modeling
روش‌شناسی مدل‌سازی، انتخاب الگوریتم و ارزیابی مدل‌های یادگیری.