دوره تخصصی
مسیر یادگیری هوش مصنوعی
فناوری عصر جدید، هوش مصنوعی است. این علم به دلیل کاربردهای آن و امکانات پیشرفته و منحصر به فردی که در اختیار بشر قرار میدهد، امروزه علاقمندان و طرفداران بسیاری پیدا کرده و سرمایه گذاری های کلانی برای توسعه، پیاده سازی و اجرای آن انجام شده است. بازار داغ این علم، افراد فعال و توسعه دهندگان را بر آن داشته که این علم را آموخته و در آن مهارت کسب نمایند. اما به دلیل گستردگی این علم مسیر یادگیری هوش مصنوعی پیچیده و سردرگم کننده است. شرکت دانش بنیان گیتی افروز، توسعه دهنده برتر هوش مصنوعی در منطقه و برگزار کننده دوره های متنوع در این حوزه، مسیر یادگیری هوش مصنوعی را برای علاقمندان تشریح میکند.
دوره تخصصی شرکت دانش بنیان گیتی افروز
انتخاب
مسیر را هوشمندانه ادامه دهید
هوش مصنوعی در ادامه مسیر به دو شاخه مهندسی داده و علم داده تقسیم میشود.در گام اول علاقمندان به یادگیری مفاهیم پایه ای و اساس هوش مصنوعی میپردازند. در انتهای این مسیرف یکی از دو شاخه موجود را دنبال کرده و مطالعات خود را در یکی از این شاخه ها ادامه میدهند.
مهندس داده، یک مختصص فنی است. مسئولیت این متخصصان طراحی و نگهداری از معماری سیستم‌های داده مانند زیرساخت های تحلیلی و انبارهای داده است. درواقع این افراد پایپ لاین هایی (pipeline) طراحی می کند که از طریق آنها، داده‌ها به گونه ای ذخیره، تبدیل و منتقل شده و آماده تحلیل باشند. این افراد باید درک و مهارت قوی در زبان های اسکریپت نویسی داشته باشند. در ادامه مسیر و عمی تر شدن علاقمندان، مهارت تخصصی تر مهندسی داده، مهندسی کلان داده (بیگ دیتا) است.
علم داده یا دیتا ساینس (Data Science) شاخه ای از هوش مصنوعی و ترکیبی از علوم مختلف مانند ریاضی، آمار، مهندسی داده، شناخت الگوها است. متخصصان علم داده با تحلیل و بررسی داده های مختلف و حجیم سر و کار دارند و به جمع‌آوری، آماده‌سازی، تحلیل و ارزیابی، تصویرسازی، مدیریت و نگهداری اطلاعات در حجم بالا میپردازند. متخصصان و علاقمندان در مسیر یادگیری هوش مصنوعی میتوانند به یادگیری شاخه هایی چون «یادگیری ماشین» و «یادگیری عمیق» مشغول شوند.
مسیر یادگیری هوش مصنوعی
گام اول: آشنایی با مفاهیم پایه
مفاهیم پایگاه داده
- پایگاه داده رابطه ای و غیر رابطه ای
- SQL + Joins (Inner, Outer, Cross, Theta Join)
- NoSQL
فرمت های داده در هوش مصنوعی
- JSON
- XML
- CSV
گام دوم: برنامه نویسی پایتون
مبانی پایتون
- عبارت ها و سینتکس
- متغیر ها
- ساختار داده
- توابع
- نصب پکیج ها
- اصول PEP8
- کتابخانه های مهم (Numpy و Pandas)
- آشنایی با Virtual Environments
- مفاهیم Jupyter Notebooks / Lab
گام سوم: منابع جمع آوری داده
جمع آوری داده ها
- داده کاوی
- وب اسکرپینگ
- بهترین دیتاست ها
- مفاهیم کگل (Kaggle)
گام چهارم: تحلیل داده های اکتشافی و آماده سازی داده ها
تحلیل و اکتشاف
- تحلیل مولفه اصلی (PCA)
- کاهش بعد
- نرمال سازی داده ها
- پاکسازی داده (Data Scrubbing)
- برآورد غیر اریب
- گروه بندی مقادیر گسسته
- استخراج ویژگی (Feature Extraction)
- حذف نویز
- سمپلینگ
مسیر یادگیری مهندسی داده
مفاهیم مهندسی داده
- مروری بر فرمت داده ها
- داده کاوی
- منابع داده و اکتساب داده
- یکپارچه سازی داده
- تلفیق داده
- تبدیل و غنی سازی داده
- اپن رفاین (OpenRefine)
- بررسی داده ها
- استفاده از ELT
- استخر داده در برابر انبار داده
- داکرایز کردن اپلیکیشن (Dockerize)
مسیر یادگیری مهندسی کلان داده (Big Data)
معماری بیگ دیتا
- الگوهای معمای و بهترین روش های موجود
اصول مهندسی بیگ دیتا
- مقیاس بندی افقی در برابر مقیاس بندی عمودی
- پیاده سازی نگاشت کاهش (MapReduce)
- نام و نود های داده
- Data Replication
- Job & Task Tracker
ابزارهای بیگ دیتا
- بهترین فریم ورک های بیگ دیتا
- Hadoop ( آشنایی با HDFها، بارگذاری اطلاعات با Sqoop و Pig، آشنایی با Storm)
- Spark
- RAPIDS (on GPU)
- Flume, Scribe
- انبار داده با Hive
- Elastic (EKL) Stack
- Avro
- Flink
- Dask
- Numba
- Onnx
- OpenVino
- MLFlow
- Kafka & KSQL
- دیتابیس ها ( مفاهیم Cassandra، یادگیری MongoDB, Neo4j)
- انطباق پذیری ( آموزش ZooKeeper، یادگیری Kubernetes)
- سرویس های ابری( مفاهیم AWS SageMaker، یادگیری Google ML Engine، آشنایی با Microsoft Azure, Machine Learning Studio)
مسیر یادگیری علم داده
مفاهیم پایه
-
-
- آمار و احتمال
- توزیع های احتمالی
- نتایج تصادفی، متغیرفای تصادفی و سمپلینگ تصادفی
- احتمالات شریطی و قضیه بیز
- اسقلال آماری
- متغیرهای تصادفی IID
- توزیع مستمر (pdf)
- تابع توزیع تجمعی (cdf)
- تابع چگالی احتمال (pdf)
- تابع جرم احتمال (pmf)
- توزیع مستمر
- توزیع نرمال
- توزیع یکنواخت مداوم
- توزیع بتا
- توزیع دیریکله
- توزیع نمایی
- متغیر تصادفی و توزیع مربع کای
- توزیع یکنواخت گسسته
- توزیع یکنواخت گسسته
- توزیع دوجمله‌ای
- متغیر تصادفی و توزیع چند جمله ای
- متغیر تصادفی و توزیع فوق هندسی
- توزیع پواسون
- توزیع هندسی
- مروری بر علم آمار و احتمال
- مقدار مورد انتظار و میانگین
- واریانس و توزیع استاندارد
- کوواریانس و همبستگی
- میانه و چارک
- دامنه بین چارکی
- درصد و چندک
- مد
- قوانین مهم
- قانون اعداد بزرگ
- قضیه حد مرکزی
- تخمین و برآورد
- برآورد درست‌نمایی بیشینه
- برآورد چگالی
- آزمون های فرض آماری
- مقدار احتمال (p-Value)
- آزمون مربع کای
- آزمون F
- آزمون t
- فاصله اطمینان (Confidence interval)
- متد مونت کارلو
- آمار و احتمال
-
مصورسازی داده‌ها
- آشنایی با نمودارها
- مصور سازی در پایتون
- کتابخانه Matplotlib
- پکیج ggplot2
- کتابخانه Bokeh
- کتابخانه seaborn
- کتابخانه ipyvolume برای مصورسازی سه‌بعدی داده‌ها
- وب
- Vega-Lite
- D3.js
- داشبورد
- Dash
- هوش تجاری
- آموزش tableau
- آموزش PowerBI
مسیر یادگیری “یادگیری ماشین” (Machine learning)
مفاهیم پایه
-
- مفاهیم، ورودی ها و ویژگی های یادگیری ماشین
- متغیرهای طبقه بندی شده
- متغیرهای ترتیبی
- متغیرهای عددی
- توابع هزینه و نزول گرادیان
- بیش برازش (Overfitting)، کم برازش (Underfitting)
- داده های آموزش، اعتبار سنجی و آزمون
- صحت (Precision) و حساسیت (Recall)
- تعصب و واریانس
- Lift
- مفاهیم، ورودی ها و ویژگی های یادگیری ماشین
یادگیری نظارت شده (Supervised Learning)
- رگرسیون(Regression)
-
- رگرسیون خطی (Linear Regression)
- رگرسیون پواسون (Poisson Regression)
- طبقه بندی (classification)
- Classification Rate
- درخت تصمیم (Decision Tree)
- رگرسیون لجستیک (Logistic Regression)
- الگوریتم Naive Bayes
- الگوریتم Knn
- الگوریتم SVM
- Gaussian Mixture Models
-
یادگیری بدون ناظر (Unsupervised Learning)
- خوشه بندی (clustering)
- خوشه بندی سلسله مراتبی (Hierarchical Clustering)
- خوشه بندی k میانگین (k-means Clustering)
- DBSCAN
- HDBSCAN
- Fuzzy C-Means
- Mean Shift
- روش «تجمیعی» (Agglomerative)
- OPTICS
- استخراج قانون وابستگی (association rule mining)
- الگوریتم اپریوری (Apriori Algorithm)
- ECLAT Algorithm
- FP Trees
- کاهش ابعاد (Dimensionality Reduction)
- تحلیل مولفه اساسی (PCA) یا (Principal Component Analysis)
- Random Projection
- NMF
- T-SNE
- UMAP
یادگیری جمعی (ensemble learning)
- Boosting
- Bagging
- Stacking
یادگیری تقویتی (Reinforcement Learning)
- Q-Learning
کاربرد یادگیری ماشین
- تجزیه و تحلیل احساسات (Sentiment Analysis)
- فیلترینگ مشارکتی (collaborative filtering)
- برچسب گذاری (Tagging)
- پیش بینی (Prediction)
ابزار یادگیری ماشین
- scikit-learn
- spacy (NLP)
مسیر یادگیری “یادگیری عمیق” (Deep Learning)
شبکه‌های عصبی مصنوعی (Neural Networks)
-
- آشنایی با شبکه های عصبی مصنوعی
- توابع زیان (Loss Function)
- توابع فعالساز (Activation Functions)
- Weight Initialization
- Vanishing / Exploding
معماری در یادگیری عمیق
- شبکه عصبی پیشخور ( Feedforward Neural Network )
- خودرمزگذارها (Autoencoder)
- شبکه عصبی پیچشی (Convolutional Neural Networks)
- لایه ادغام (Pooling Layer)
- شبکه عصبی بازگشتی (Recurrent Neural Networks)
- شبکه عصبی LSTM
- GRUs
- مدل Transformer
- Encoder
- Decoder
- Scaled dot-product attention
- شبکه عصبی Siamese
- شبکه های مولد تخاصمی (Generative Adversarial Networks)
- NEAT
- Residual neural network
آموزش
- Optimizers
- SGD
- Momentum
- Adam
- AdaGrad
- Adadelta
- Nadam
- RMSProp
- Learning rate schedule
- الگوریتم BatchNormalization
- Batch Size Effects
- نظم دهی ( Regularization )
- Early Stopping
- Dropout
- Parameter Penalties
- Data Augmentation
- Adversarial Training
- Multi-task learning
- یادگیری انتقال (Transfer Learning)
- Curriculum Learning
ابزار یادگیری عمیق
- کتابخانه های مهم
آشنایی با Tensorflow
آشنایی با Pytorch
آشنایی با TensorBoard
آشنایی با MLFlow
مباحث پیشرفته در یادگیری عمیق
- بهینه سازی مدل
- عصاره‌گیری از دانش یا (knowledge distillation)
- مبانی جستجوی معماری عصبی (NAS)
- کوانتیزاسیون (Quantization)
شرکت دانش بنیان فناوران گیتی افروز
برای کسب اطلاعات بیشتر
کارشناسان ما همواره آماده مشاوره و پاسخگویی به سوالات شما هستند.
مشاوره رایگان