ستارگان Machine Learning


  • مدرس: احسان بابائی
  • مخاطب: برنامه‌نویسان

7,960,000 تومان


برای مشاهده ویدئوهای آموزشی، ابتدا به بخش «دوره‌های ویژه» در حساب کاربری خود رفته و روی گزینه «اطلاعات بیشتر» کنار دوره مورد نظر کلیک کنید. سپس، راهنمای نصب اسپات پلیر را مطالعه نمایید. پس از وارد کردن لایسنس در اسپات پلیر، امکان مشاهده ویدئوها فراهم خواهد شد.

دوره کاربردی یادگیری ماشین با دات نت

 

به این مهارت خارق‌العاده در پروژه‌های تجاری خود دست یابید! من، احسان بابائی، با بیش از 12 سال سابقه در برنامه‌نویسی و توسعه نرم‌افزار، دوره ستارگان Machine Learning را تدوین کرده‌ام. این یک فرصت است برای شما تا توانایی‌هایتان در زمینه یادگیری ماشین را افزایش دهید.

 

در این دوره به شما نشان خواهم داد که یادگیری ماشین فقط یک مفهوم علمی نیست، بلکه ابزار قدرتمندی برای رسیدن به بهبودی‌های چشمگیر در برنامه‌های تجاری و Enterprise شما است. تصور کنید بتوانید توصیه‌های شخصی‌سازی‌شده به کاربران خود ارائه دهید یا فعالیت‌های مشکوک را در سامانه‌های خود تشخیص دهید. با این دوره، این همه و بیشتر در دسترس شما خواهد بود!

 

محتوای این دوره شامل موضوعاتی مانند جمع‌آوری و پیش‌پردازش داده‌ها، رگرسیون، دسته‌بندی، خوشه‌بندی، سیستم‌های توصیه‌گر، شناسایی ناهنجاری و یادگیری عمیق است. همه این‌ها با رویکردی کاربردی و با مثال‌هایی که به نیازهای یک برنامه‌نویس می‌پردازد.

 

این دوره به شما مهارت‌های عملی را می‌آموزد تا بتوانید از قدرت یادگیری ماشین در پروژه‌های خود استفاده کنید. نگرانی از پیچیدگی‌های ریاضی نداشته باشید! تمرکز ما بر روی کاربردهای عملی است. بعد از این دوره، شما قادر خواهید بود که مدل‌های یادگیری ماشین را ایجاد، آموزش دهید و در پروژه‌های خود به کار بگیرید.

 

برای ساخت برنامه‌هایی که واقعاً متمایز کننده هستند، به مهارت‌های فراتر از برنامه‌نویسی عادی نیاز دارید. من در این دوره، آماده‌ام تا به شما کمک کنم در این راه قدم بردارید. با تسلط کامل بر کتابخانه‌های یادگیری ماشین در دات نت، می‌خواهم دانش خود را به شما منتقل کنم.

با ما همراه شوید و از قدرت یادگیری ماشین برای افزایش توانایی‌های برنامه‌های خود بهره ببرید. این فرصت را از دست ندهید و به جمع برنامه‌نویسان حرفه‌ای بپیوندید که قدم به دنیای یادگیری ماشین گذاشته‌اند.

 

معرفی فصل ها :


جمع‌آوری و پیش‌پردازش داده‌ها

در این فصل، من به شما نشان خواهم داد که چگونه داده‌های مربوطه را جمع‌آوری کنید و آن‌ها را تمیز کنید، از جمله حذف نویز، داده‌های گم‌شده یا غیرمرتبط. همچنین، با تکنیک‌هایی مانند نرمال سازی، تبدیلات مقیاس و خوشه‌بندی برای کاهش ابعاد آشنا خواهید شد.


رگرسیون (Regression)

 در این فصل، شما با روشی برای پیش‌بینی مقدار یک متغیر هدف بر اساس یک یا چند متغیر ورودی آشنا خواهید شد. من با شما روش‌های مختلف رگرسیون را مرور خواهم کرد، از جمله رگرسیون خطی ساده، رگرسیون خطی چندگانه، و رگرسیون لجستیک.


دسته‌بندی (Classification)

 در این فصل، شما با عملیاتی آشنا خواهید شد که برای پیش‌بینی گروه یا دسته از یک نمونه استفاده می‌شود. من با شما الگوریتم‌های مختلفی را برای دسته‌بندی مرور خواهم کرد، از جمله درخت تصمیم، رگرسیون لجستیک، و شبکه‌های عصبی.


خوشه‌بندی (Clustering)

در این فصل، شما با روشی برای تقسیم‌بندی داده‌ها به گروه‌های مشابه آشنا خواهید شد. من با شما الگوریتم‌هایی مانند K-میانگین، DBSCAN و خوشه‌بندی توده‌ای را مرور خواهم کرد که معمولاً در این زمینه مورد استفاده قرار می‌گیرند.


سیستم‌های توصیه‌گر (Recommender Systems)

 در این فصل، شما با سیستم‌هایی آشنا خواهید شد که برای پیشنهاد محصولات یا خدمات به کاربران بر اساس علایق و رفتارهای گذشته‌ی آن‌ها استفاده می‌شوند. من با شما روش‌های مختلفی را برای ایجاد سیستم‌های توصیه‌گر مرور خواهم کرد، از جمله فیلترینگ مبتنی بر محتوا، فیلترینگ تعاونی و فاکتور بندی ماتریس.


شناسایی ناهنجاری‌ها (Anomaly Detection Model)

در این فصل، شما با روشی در یادگیری ماشین آشنا خواهید شد که برای شناسایی الگوهای ناهنجار یا غیر عادی در داده‌ها استفاده می‌شود. من با شما الگوریتم‌های مختلفی را مرور خواهم کرد، از جمله SVM های غیر نظارتی، شبکه‌های عصبی Autoencoder و Isolation Forest که می‌توانند برای شناسایی ناهنجاری‌ها استفاده شوند.


یادگیری عمیق و شبکه‌های عصبی

 در این فصل، شما با یادگیری عمیق، که یک زیرمجموعه از یادگیری ماشین است، آشنا خواهید شد. من با شما نحوه کار با شبکه‌های عصبی، از جمله شبکه‌های عصبی کانولوشنی (CNNs) برای پردازش تصویر، شبکه‌های عصبی بازگشتی (RNNs) برای پردازش داده‌های توالی، و شبکه‌های عصبی تغذیه‌ی رو به جلو برای دسته‌بندی و رگرسیون را مرور خواهم کرد.


استفاده از TensorFlow

 در این فصل، شما با TensorFlow، یک کتابخانه یادگیری عمیق توسعه یافته توسط Google، آشنا خواهید شد. من به شما نحوه استفاده از TensorFlow را نشان خواهم داد، این کتابخانه از طیف وسیعی از الگوریتم‌های یادگیری ماشین پشتیبانی می‌کند و در پردازش تصویر، زبان طبیعی، و تشخیص گفتار کاربرد دارد. همچنین شما خواهید دید که چگونه می‌توان با استفاده از محاسبات موازی گرافیکی (GPU)، محاسبات را با سرعت بسیار بالا انجام داد.


استفاده از CNTK

 در این فصل، به شما CNTK (Microsoft Cognitive Toolkit)،که یک کتابخانه دیگر برای یادگیری عمیق توسعه یافته توسط Microsoft، معرفی خواهم کرد. با استفاده از CNTK، شما قادر خواهید بود مدل‌های یادگیری عمیق بزرگ و پیچیده را بر روی سخت‌افزارهای متعدد آموزش دهید.


استفاده از ONNX

 در این قسمت، شما با ONNX (Open Neural Network Exchange)، یک استاندارد باز برای مدل‌های یادگیری ماشین، آشنا خواهید شد. من به شما نحوه جابجایی مدل‌ها بین کتابخانه‌های مختلف یادگیری ماشین، مانند PyTorch، TensorFlow، و CNTK، را نشان خواهم داد.


پردازش تصویر با استفاده از Accord.Net

 در آخرین فصل این دوره، من شما را با Accord.Net آشنا خواهم کرد. این یک کتابخانه یادگیری ماشین برای .NET است که در پردازش تصویر کاربرد فراوانی دارد. در این بخش، با مفاهیمی مانند تشخیص چهره، بازشناسی الگو، و کشف ویژگی‌های تصویر آشنا خواهید شد. من به شما خواهم آموخت که چگونه از این کتابخانه برای پردازش و تحلیل تصاویر استفاده کنید.

 

به عنوان یک برنامه‌نویس، شما حتماً می‌دانید که دنیا به سرعت در حال تغییر است و فناوری‌های جدیدی همواره در حال ظهور هستند. یادگیری ماشین یکی از این فناوری‌هایی است که دارای تاثیر قابل‌توجهی بر روی آینده‌ی توسعه نرم‌افزار است. اگر امروز نسبت به این موضوع بی‌توجه بمانید، فردا ممکن است خود را از رقابت خارج یافته ببینید.

این دوره با هدف رفع این نگرانی‌ها برنامه‌ریزی شده است. این دوره به شما این فرصت را می‌دهد تا با تکنولوژی‌های جدید و نحوه‌ی استفاده از آنها در پروژه‌های خود آشنا شوید. با شرکت در این دوره، شما می‌توانید خود را برای آینده آماده کنید و از دست دادن فرصت‌های شغلی و کسب‌وکاری جلوگیری کنید.

آیا می‌خواهید پروژه‌های خود را با استفاده از قدرت یادگیری ماشین به سطح بالاتری برسانید؟
 آیا می‌خواهید به جمع برنامه‌نویسان پیشرو بپیوندید که به روزرسانی دانش و مهارت‌های خود را از سرعت تغییرات فناوری عقب نمی‌اندازند؟

اگر پاسخ شما مثبت است، این دوره دقیقاً برای شما طراحی شده است. با شرکت در این دوره، شما نه تنها با یادگیری ماشین آشنا می‌شوید، بلکه می‌توانید این دانش را به طور کاربردی در پروژه‌های واقعی خود به کار ببرید.

پس از دست ندهید! همین حالا در این دوره ثبت‌نام کنید و قدمی بزرگ به سوی آینده‌ی  پر از فرصت‌ها بردارید. به یاد داشته باشید، هر لحظه که در یادگیری ماشین تأخیر می‌اندازید، فرصت‌ها و پیشرفت‌ها را از دست می‌دهید. با توجه به نقش مهمی که یادگیری ماشین در آینده توسعه نرم‌افزار ایفا می‌کند، هر روزی که بیشتر می‌گذرد، فاصله شما با رقبا بیشتر می‌شود.

این دوره این فرصت را به شما می‌دهد که به روز رسانی دانش و مهارت‌های خود را در این حوزه مهم با سرعت تغییرات فناوری هماهنگ کنید. همچنین، با کسب مهارت‌های عملی در این زمینه، شما می‌توانید خودتان را برای یک دنیایی پر از فرصت‌های شغلی و کسب‌وکاری آماده کنید که تنها برای کسانی است که می‌توانند از قدرت یادگیری ماشین به خوبی استفاده کنند.

اگر می‌خواهید در رقابت با دیگر برنامه‌نویسان پیشی بگیرید، اگر می‌خواهید پروژه‌های خود را با استفاده از تکنیک‌های پیشرفته و فناوری‌های جدید به سطح بالاتری برسانید، همین حالا در این دوره ثبت‌نام کنید.

با تأخیر در شرکت در این دوره، شما فرصت تبدیل شدن به یک برنامه‌نویس  توانمند و پیشرو را از دست می‌دهید. پس همین حالا عمل کنید و قدمی بزرگ به سمت آینده‌ی پر از فرصت بردارید. یادگیری ماشین در انتظار شماست.



نگاهی به دوره ستارگان Machine Learning
مدرس احسان بابائی
مخاطب برنامه‌نویسان
فصل 12‌
مدت زمان 09:23:30 دوره در حال برگزاری می‌باشد و قسمت‌های جدید اضافه می‌شوند
سطح پیشرفته
وضعیت در حال برگزاری 🟢
تعداد جلسات 41 دوره در حال برگزاری می‌باشد و قسمت‌های جدید اضافه می‌شوند
فرمت فیلم محافظت‌شده (مشاهده آنلاین در پلیر مخصوص)
قابل مشاهده در دو سیستم ویندوز یا اندروید
قیمت 7,960,000 تومان
سرفصل‌های دوره ستارگان Machine Learning

فصل 1 : جمع‌آوری و پیش‌پردازش داده‌ها

فصل 2 : رگرسیون (Regression)

فصل 3 : دسته‌بندی (Classification)

فصل 4 : خوشه‌بندی (Clustering)

فصل 5 : سیستم‌های توصیه‌گر (Recommender Systems)

فصل 6 : شناسایی ناهنجاری‌ها (Anomaly Detection Model)

فصل 7 : یادگیری عمیق و شبکه‌های عصبی

فصل 8 : استفاده از TensorFlow

فصل 9 : استفاده از CNTK

فصل 11 : استفاده از ONNX

فصل 11 : فاکتور بندی ماتریس (Matrix Factorization Model)

فصل 12 : پردازش تصویر با استفاده از Accord.Net

برای ارسال دیدگاه، لطفاً وارد حساب کاربری خود شوید.

2 دیدگاه برای ستارگان Machine Learning
Ali Kamankesh
1402/06/06

سلام
در این دوره یادگیری ماشین، در مورد پیاده سازی مدلهایی که چارت های مالی فارکس یا بورس را تحلیل کند و آینده قیمت را با احتمال بالا حدس بزند، مطلب یا پروژه ای بررسی می شود ؟
من میخام یه مدل یا استراتژی هوشمند پیاده سازی کنم، که بتونه از روی اطلاعات چارت طلا یا جفت ارزها، قیمت آتی بازار را در چند ساعت یا چند روز آینده حدس بزنه و سیگنالهای این مدل را به  زیان mql برای متاتریدر ارسال نمایم.

1- آیا این دوره، مورد فوق را پوشش می دهد ؟
2- چه منابعی برای پیاده سازی همچین مدلی، پیشنهاد میدین ؟ 

پاسخ توسط احسان بابائی
1402/06/09

سلام

نکته اول این که من تخصصی در بازار های مالی ندارم 

از نظر فنی، مدل‌های یادگیری ماشین می‌توانند در تحلیل و پیش‌بینی داده‌های بازارهای مالی کاربرد داشته باشند. اما چند نکته مهم وجود دارد:

 

نیاز به داده‌های کافی: یکی از موانع اصلی، تهیه داده‌های با کیفیت بالا و تعداد مناسب می باشد. که تهیه این داده ها شاید کار دشواری باشد.

 

پیچیدگی بازار: بازارهای مالی تحت تاثیر عوامل بسیاری هستند که همه آن‌ها در مدل‌های یادگیری ماشین قابل‌ پیاده سازی نیستند.

 

ریسک براورد غلط: حتی با یک مدل با دقت بالا، همچنان ریسک وجود دارد. هیچ مدلی 100٪ قطعیت ندارد.

 

مهارت‌های متخصص: برای تولید یک مدل موفق، علاوه بر دانش برنامه نویسی نیاز به دانش عمیق در بازارهای مالی هم دارید.

 

با Ml.Net می توانید همچین مدلی ایجاد کنید. اما من در دوره ستارگان ماشین لرنینگ همچین مثالی رو پیاده سازی نمیکنم.

 

توصیه من این است که برای یادگیری تخصصی این موضوع، به دنبال کتاب‌ها، مقالات علمی، و دوره‌های تخصصی در حوزه "فین‌تک" در معاملات مالی باشد.


x
💣400.000 هزارتومان تخفیف دوره Background Tasks در Asp.Net Core