دوره ستارگان Machine Learning

دوره آموزش پیشرفته Machine Learning: راهنمایی کامل برای برنامه‌نویسانی که به دنبال تسلط بر یادگیری ماشین با دات نت هستند.

دوره آموزش پیشرفته Machine Learning: راهنمایی کامل برای برنامه‌نویسانی که به دنبال تسلط بر یادگیری ماشین با دات نت هستند.

8,960,000 تومان


توضیحات دوره ستارگان Machine Learning

هوش مصنوعی، دیگر یک رویا نیست؛ در دستان شماست! 

ستارگان Machine Learning برای حرفه‌ای‌های #C

 

تا حالا به این فکر کرده‌اید که کدهایی که می‌نویسید، چقدر می‌توانند هوشمندتر شوند؟ تصور کنید اپلیکیشن‌های #C شما نه تنها دستورات را اجرا کنند، بلکه یاد بگیرند، پیش‌بینی کنند و حتی تصمیم بگیرند! دیگر دوره دستورات خشک و بی‌روح تمام شده؛ امروز، داده‌ها حرف اول را می‌زنند و شما به عنوان یک برنامه‌نویس #C، کلید ورود به این دنیای شگفت‌انگیز را در دست دارید. دوره "ستارگان Machine Learning ML.NET" فقط یک دوره آموزشی نیست، یک سکوی پرتاب است برای شما که می‌خواهید از مرزهای برنامه‌نویسی سنتی فراتر بروید و به یک متخصص کمیاب و پرطرفدار تبدیل شوید.

وقت آن رسیده که اپلیکیشن‌هایتان، چشم و گوش پیدا کنند!

شاید فکر کنید یادگیری ماشین دنیای پیچیده و ترسناکی است، مخصوصاً برای برنامه‌نویسان #C. اما ما اینجاییم تا به شما ثابت کنیم که با ابزارهای قدرتمندی مثل ML.NET، TensorFlow و Keras و... در محیط دات‌نت، نه تنها می‌توانید به راحتی وارد این حوزه شوید، بلکه می‌توانید راه‌حل‌هایی جذاب را برای چالش های پیچیده خلق کنید!

با شرکت در ستارگان Machine Learning، چه چیزهای جدید و کاربردی یاد می‌گیرید؟

  • نگاهتون به داده‌ها حرفه‌ای‌تر میشه: یاد می‌گیرید چطور داده‌های خام و زیادی که دارید رو بررسی و تحلیل کنید. یعنی چطور داده‌های لازم رو از جاهای مختلف جمع کنید، اون‌ها رو تمیز و مرتب کنید و برای ساختن مدل‌های یادگیری ماشین آماده‌شون کنید.
  • می‌تونید اتفاقات آینده رو بهتر پیش‌بینی کنید: با کمک روشی به اسم رگرسیون، یاد می‌گیرید چطور چیزهایی مثل قیمت‌ها یا میزان تقاضا در آینده رو با دقت خوبی تخمین بزنید. اینطوری تصمیم‌هاتون بر اساس داده و تحلیل خواهد بود، نه فقط حدس و گمان.
  • تو دسته‌بندی هوشمند داده‌ها ماهر میشید: یاد می‌گیرید چطور کارهایی مثل تشخیص ایمیل‌های اسپم، گروه‌بندی مشتری‌ها برای تبلیغات هدفمندتر، یا کارهای مشابهی که نیاز به دسته‌بندی اتوماتیک دارن رو انجام بدید و به داده‌هاتون نظم بدید.
  • الگوهای مخفی تو داده‌ها رو پیدا می‌کنید: با روش خوشه‌بندی، می‌تونید گروه‌های طبیعی و مهمی رو تو داده‌هاتون شناسایی کنید که شاید قبلاً به چشمتون نیومده باشن؛ مثلاً انواع مشتری‌ها، محصولات مرتبط، یا فرصت‌های جدیدی که میشه ازشون استفاده کرد.
  • سیستم‌های پیشنهاددهنده‌ای می‌سازید که برای کاربرا مفید و جذابه: یاد می‌گیرید چطور سیستم‌هایی طراحی کنید که به کاربر، چیزهایی رو پیشنهاد بدن که احتمالاً دوست داره یا لازمشون داره. این کار می‌تونه به رضایت بیشتر کاربر و حتی فروش بهتر کمک کنه.
  • جلوی خیلی از مشکلات رو از قبل می‌گیرید: با یادگیری روش‌های تشخیص ناهنجاری، می‌تونید موارد غیرعادی مثل احتمال تقلب، مشکلات فنی تو سیستم‌ها، یا اتفاقات پیش‌بینی نشده دیگه رو زودتر تشخیص بدید و ازشون جلوگیری کنید.
  • وارد دنیای جالب یادگیری عمیق میشید: با ابزارهایی مثل TensorFlow و Keras در سی شارپ، شبکه‌های عصبی‌ای می‌سازید که کارهای پیشرفته‌ای انجام میدن؛ مثلاً تصاویر رو تحلیل می‌کنن یا مفاهیم اولیه زبان رو می‌فهمن. کارهایی که شاید قبلاً فکر نمی‌کردید تو #C بشه راحت انجام داد!
  • راحت‌تر با ابزارها و زبان‌های مختلف کار می‌کنید: با ONNX یاد می‌گیرید که چطور مدل‌های یادگیری ماشینی که ساختید رو بین پلتفرم‌ها و زبان‌های برنامه‌نویسی مختلف جابجا کنید و دیگه محدود به یک محیط خاص نباشید.
  • به برنامه‌هاتون قابلیت دیدن و تحلیل تصاویر رو اضافه می‌کنید: با یادگیری پردازش تصویر و بینایی کامپیوتر، اپلیکیشن‌هایی می‌سازید که می‌تونن چیزهای مختلفی رو تو عکس‌ها تشخیص بدن، مثلاً چهره افراد یا اشیاء مختلف رو شناسایی کنن.

 

چرا این دوره، انتخاب هوشمندانه ای برای شماست؟

  • مدرس : احسان بابائی، با بیش از ۱۵ سال تجربه عملی در برنامه‌نویسی و اجرای پروژه‌های متعدد، در این مسیر همراه شماست. در این دوره، در کنار مباحث تئوری لازم، تمرکز اصلی بر این است که مفاهیم یادگیری ماشین را به صورت کاربردی بیاموزید و با چالش‌های واقعی این حوزه در پروژه‌های سی شارپ دست و پنجه نرم کنید تا برای ورود قدرتمند به دنیای هوش مصنوعی آماده شوید.
  • جامع و بدون شاخ و برگ اضافه: هر چیزی که یک برنامه‌نویس #C برای ورود قدرتمند به دنیای یادگیری ماشین نیاز دارد، در این دوره گنجانده شده. ادعا می‌کنیم کامل‌ترین آموزش ML.NET و کاربرد یادگیری ماشین در دات‌نت فارسی را پیش روی شما گذاشته‌ایم.
  • تمرکز روی "انجام دادن": از روز اول، آستین‌ها را بالا می‌زنید و با پروژه‌های عملی، یادگیری را به تجربه‌ای ملموس تبدیل می‌کنید. هدف ما این است که بعد از دوره، با اعتماد به نفس کامل، مدل‌های خودتان را بسازید و در پروژه‌های واقعی به کار بگیرید.

 

این دوره برای چه کسانی است؟ دقیقاً برای شما، اگر:

  • یک برنامه‌نویس کارکشته #C هستید با حداقل دو سال تجربه واقعی در سنگر کدنویسی، و حالا آماده‌اید تا مهارت‌هایتان را به سطح بعدی، یعنی دنیای هوش مصنوعی، ارتقا دهید. دیگر وقت آن رسیده که کدهایتان نه تنها اجرا شوند، بلکه فکر کنند و یاد بگیرند.
  • می‌خواهید بدون نیاز به دست و پنجه نرم کردن با زبان‌ها و پلتفرم‌های ناآشنا، قدرت یادگیری ماشین را مستقیماً به پروژه‌های #C خود تزریق کنید. این دوره منحصراً برای برنامه‌نویسان #C طراحی شده و تمام مفاهیم و ابزارها (مثل ML.NET، TensorFlow و ONNX در #C) را در بستر آشنای دات‌نت به شما آموزش می‌دهد. ما زبان شما را می‌فهمیم!
  • در سرتان ایده‌های بزرگی برای اپلیکیشن‌های هوشمندتر و کارآمدتر دارید، اما نمی‌دانید از کجا شروع کنید تا قابلیت‌هایی مثل پیش‌بینی دقیق رفتار کاربران، دسته‌بندی هوشمند داده‌های حجیم، ساخت سیستم‌های توصیه‌گر شخصی‌سازی شده، یا حتی تحلیل تصاویر را به نرم‌افزارهایی که با عشق و #C می‌نویسید، اضافه کنید.
  • به دنبال یک جهش کوانتومی در مسیر شغلی خود به عنوان یک توسعه‌دهنده #C هستید. می‌خواهید از یک برنامه‌نویس ماهر به یک معمار راه‌حل‌های پیشرفته و خلاق تبدیل شوید که شرکت‌ها برای داشتن تخصص‌تان سر و دست می‌شکنند. این دوره سکوی پرتاب شما برای ورود به لیگ ستارگان #C در حوزه یادگیری ماشین است، جایی که می‌توانید ارزش واقعی خودتان و پروژه‌هایتان را چندین برابر کنید.

 


نقشه راه شما برای تبدیل شدن به یک ستاره یادگیری ماشین با #C

فصل ۱: گنجینه داده‌ها – از وب‌سایت‌ها و شبکه‌های اجتماعی تا تحلیل‌های آماری با R!

دیگر نگران "داده از کجا بیارم؟" نباشید! در این فصل، آستین‌ها را بالا می‌زنید و با تکنیک‌های عملی مثل XPath، داده‌های مورد نیازتان را مستقیماً از وب‌سایت‌هایی مانند StackOverflow یا حتی شبکه‌های اجتماعی استخراج می‌کنید. سپس یاد می‌گیرید چطور این داده‌های خام و اغلب به‌هم‌ریخته را مثل یک جراح ماهر پاکسازی و تبدیل (Data Cleaning & Transformation) کنید. تازه، با ورود به دنیای زبان R، با قدرت تحلیل اکتشافی داده (EDA)، آمار توصیفی، تجسم داده‌ها و شناسایی همبستگی‌ها و نقاط پرت، به عمق داده‌هایتان نفوذ می‌کنید و آن‌ها را برای ساخت مدل‌های هوشمند آماده می‌سازید. این فصل، فونداسیون موفقیت شما در کل مسیر یادگیری ماشین است.


فصل ۲: پیش‌بینی آینده با #C – از رگرسیون خطی ساده تا مدل‌های چندجمله‌ای و لجستیک در ML.NET! 

تصور کنید بتوانید قیمت مسکن، میزان فروش بعدی یا هر متغیر کلیدی دیگری را با دقت بالایی پیش‌بینی کنید! در این فصل، با انواع مدل‌های رگرسیون (خطی ساده، چندگانه، چندجمله‌ای و لجستیک) آشنا می‌شوید و یاد می‌گیرید چطور آن‌ها را قدم به قدم، از جمع‌آوری و تجسم داده‌ها (حتی به صورت سه‌بعدی با R) گرفته تا آموزش، پیش‌بینی و ارزیابی دقیق با متریک‌های استاندارد (MAE, MSE, RMSE, R-Squared) در محیط قدرتمند ML.NET پیاده‌سازی کنید. همچنین با فرمول‌های ریاضی پشت پرده، روش‌های بهینه‌سازی مدل، Trainers مختلف در ML.NET و ابزار کاربردی ML.NET Model Builder آشنا شده و مدل‌هایتان را برای استفاده‌های بعدی ذخیره خواهید کرد. آینده دیگر یک راز نیست، با #C و ML.NET آن را پیش‌بینی کنید!


فصل ۳: مرتب‌سازی هوشمند – از پیش‌بینی ریزش مشتری (Customer Churn) تا تحلیل احساسات کاربران در #C!

وقت آن رسیده که داده‌هایتان را به طور خودکار و هوشمند دسته‌بندی کنید! در این فصل، غواصی عمیقی در دنیای Classification خواهید داشت. با زرادخانه‌ای از الگوریتم‌های قدرتمند مثل KNN، درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVMرگرسیون لجستیک و Naive Bayes آشنا شده و یاد می‌گیرید چطور بهترین گزینه را برای مسئله خود انتخاب کنید. سپس در پروژه‌های واقعی مثل پیش‌بینی ریزش مشتری (Customer Churn) و تحلیل احساسات (Sentiment Analysis) با استفاده از پردازش متن، این الگوریتم‌ها را در ML.NET پیاده‌سازی می‌کنید. مفاهیم کلیدی مانند کالیبراسیون مدل، انواع کالیبراتورها و Trainer ها برای دسته‌بندی دودویی و چندکلاسه، و معیارهای ارزیابی دقیق (از جمله Log Loss) را به طور کامل فرا خواهید گرفت. با این فصل، می‌توانید پتانسیل عظیم داده‌های متنی و ساختاریافته را برای تصمیم‌گیری‌های هوشمند آزاد کنید.


فصل ۴: کشف گروه‌های پنهان – از خوشه‌بندی کاربران وبلاگ تا بهینه‌سازی با Elbow Method در ML.NET و R!

در میان انبوه داده‌هایتان، گروه‌ها و الگوهای ناشناخته‌ای وجود دارد که منتظر کشف شدن هستند! با خوشه‌بندی (Clustering) و الگوریتم‌های معروفی چون K-Means و DBSCAN، این ساختارهای پنهان را آشکار می‌کنید. یاد می‌گیرید چطور با Elbow Method (هم در R و هم پیاده‌سازی مستقیم) تعداد بهینه خوشه‌ها را پیدا کنید، مدل‌های خوشه‌بندی را در ML.NET بسازید و حتی داده‌های هر خوشه را برای تحلیل‌های بعدی در فایل ذخیره کنید. با یک مثال عملی جذاب، کاربران یک وبلاگ را خوشه‌بندی کرده و به بینش‌های ارزشمندی برای شخصی‌سازی تجربه آن‌ها دست پیدا می‌کنید.


 

فصل ۵: پیشنهاداتی که مشتریان نمی‌توانند رد کنند – ساخت سیستم توصیه‌گر حرفه‌ای برای وب‌سایت ASP.NET Core! 

کاربران عاشق سیستم‌هایی هستند که سلیقه آن‌ها را می‌فهمند! در این فصل، قدم به قدم یک سیستم توصیه‌گر (Recommender System) قدرتمند را با ML.NET از صفر می‌سازید. از جمع‌آوری داده‌های مناسب گرفته تا ساخت پایپ‌لاین (Pipeline) پردازش، بررسی آپشن‌های مختلف مدل، ارزیابی دقیق و نهایتاً ذخیره و استفاده از مدل نهایی، همه چیز را به صورت عملی یاد می‌گیرید. شیرین‌ترین بخش ماجرا؟ این مدل را مستقیماً در یک پروژه وبلاگ مبتنی بر ASP.NET Core ادغام می‌کنید تا ببینید چطور پیشنهادات هوشمند شما می‌تواند تجربه کاربری را دگرگون کرده و فروش یا تعامل را به شکل چشمگیری افزایش دهد.


فصل ۶: شناسایی نقاط تاریک – شکار ناهنجاری‌ها در داده‌های سری زمانی با الگوریتم‌های ML.NET! 

جلوی بحران را قبل از وقوع بگیرید! در این فصل، به یک کارآگاه داده تبدیل می‌شوید و با انواع ناهنجاری‌ها (Anomalies) در داده‌های سری زمانی (چه تک‌متغیره و چه چندمتغیره، چه IID و چه فصلی) آشنا می‌شوید. یاد می‌گیرید چطور با استفاده از الگوریتم‌های تخصصی ML.NET مانند Spike Detection، Change Point Detection و حتی PCA (تحلیل مؤلفه‌های اصلی) برای داده‌های چندمتغیره، این نقاط غیرعادی را که می‌توانند نشانگر تقلب، خطا یا فرصت باشند، شناسایی کنید و آن‌ها را به زیبایی روی چارت به تصویر بکشید. با این مهارت، امنیت و پایداری سیستم‌هایتان را تضمین خواهید کرد.


فصل ۷: ورود به مغز متفکر – از نورون‌های انسانی تا الگوریتم‌های Feed-Forward و Backpropagation در شبکه‌های عصبی!

آماده جهشی بزرگ به دنیای یادگیری عمیق هستید؟ این فصل، دروازه ورود شماست! با الهام از شبکه‌های عصبی در بدن انسان، ساختار و نحوه کار شبکه‌های عصبی مصنوعی (ANNs) را به زبانی ساده درک می‌کنید. با یک شبکه عصبی ساده شروع کرده و با مفاهیم بنیادین مانند الگوریتم‌های Feed-Forward و Backpropagation که قلب تپنده یادگیری در این شبکه‌ها هستند، آشنا می‌شوید. همچنین مروری بر انواع مختلف شبکه‌های عصبی خواهید داشت تا با دیدی باز، وارد فصل‌های عملیاتی بعدی شوید.


فصل ۸: گوگل در دستان شما – ساخت اولین پروژه یادگیری عمیق با TensorFlow و Keras در قلمرو #C! 

قدرت بی‌نظیر TensorFlow، کتابخانه یادگیری عمیق گوگل، حالا در دستان شما و در محیط #C است! در این فصل یاد می‌گیرید چطور از TensorFlow در دات‌نت استفاده کنید، با ساختارهای پایه‌ای مانند تنسورها کار کرده و حتی از قدرت NumPy در دات‌نت بهره ببرید. سپس، در یک پروژه یادگیری عمیق کامل، از پیش‌پردازش داده‌ها گرفته تا ایجاد مدل شبکه عصبی (با استفاده از مفاهیم Keras)، آموزش مدل، ارزیابی دقیق و در نهایت ذخیره و استفاده از آن را به صورت کاملاً عملی تجربه خواهید کرد. بله، شما می‌توانید مدل‌های Deep Learning پیشرفته را مستقیماً در #C بسازید!


فصل ۹: شکستن مرزها با ONNX – استفاده از مدل‌های PyTorch در ML.NET و بالعکس! 

دیگر محدود به یک فریمورک یا زبان نخواهید بود! با ONNX (Open Neural Network Exchange)، استاد تبادل مدل‌های یادگیری عمیق بین دنیاهای مختلف می‌شوید. یاد می‌گیرید چطور مدل‌هایی که با PyTorch در پایتون ساخته شده‌اند را به فرمت ONNX تبدیل و به راحتی در ML.NET استفاده کنید. همچنین می‌آموزید که چطور مدل‌های ML.NET خودتان را به ONNX خروجی بگیرید تا در زبان پایتون قابل استفاده باشند. ابزار قدرتمند Netron هم به شما کمک می‌کند تا ساختار داخلی این مدل‌ها را به صورت بصری درک کنید. این فصل، کلید همکاری و انعطاف‌پذیری بی‌نهایت در پروژه‌های هوش مصنوعی شماست.


فصل ۱۰: وقتی کد #C شما دنیا را می‌بیند – از تشخیص چهره با OpenCV تا ساخت CNN برای تشخیص دست‌نوشته و اشیاء! 

به اپلیکیشن‌های #C خود قدرت بینایی ببخشید! در این فصل هیجان‌انگیز، وارد دنیای پردازش تصویر و بینایی کامپیوتر می‌شوید. با مفاهیم پایه و اجزای تصویر آشنا شده و با کتابخانه قدرتمند OpenCV، کارهای شگفت‌انگیزی مثل ویرایش تصویر و تشخیص چهره را در #C انجام می‌دهید. اما این تازه شروع ماجراست! سه پروژه عملی نفس‌گیر در انتظار شماست:

تشخیص چهره در سی شارپ - با OpenCV

پروژه تشخیص اعداد دست‌نویس:

یک شبکه عصبی کانولوشنی (CNN) عمیق را از پایه طراحی، آموزش و ارزیابی می‌کنید.

 

برنامه نویسی هوش مصنوعی و یادگیری ماشین برای پیشبینی اعداد در تصاویر با زبان سی شارپ و شبکه های عصبی tensorflow -  طراحی شبکه عصبی پیشبینی اعداد دست نویس در سی شارپ

پروژه دسته‌بندی تصاویر:

با استفاده از مفاهیم یادگیری انتقالی (Transfer Learning)، مدل‌هایی می‌سازید که تصاویر را به دقت دسته‌بندی می‌کنند.

دسته بندی تصاویر با Transfer Learning  و ماشین لرنینگ در سی شارپ

پروژه تشخیص اشیاء:

یاد می‌گیرید چطور اشیاء مختلف را در تصاویر شناسایی و مکان‌یابی کنید. این فصل، مهارت‌های شما را به سطحی می‌رساند که می‌توانید اپلیکیشن‌هایی با درک بصری واقعی بسازید!

پروژه تشخیص اشیاء ماشین لرنینگ تشخیص اشیا در ml-dot-net و سی شارپ

 

 

نگاهی به دوره ستارگان Machine Learning



مدرس احسان بابائی
مخاطب برنامه‌نویسان
فصل 10‌
مدت زمان 27:41:59
سطح پیشرفته
وضعیت تکمیل شده
تعداد جلسات 137
فرمت

فیلم محافظت‌شده (مشاهده آنلاین در پلیر مخصوص)

قابل مشاهده

در دو سیستم ویندوز یا اندروید

قیمت 8,960,000 تومان

ویدئوهای دوره ستارگان Machine Learning

1
مقدمه

00:04:03

2
انواع روش های جمع آوری داده ها

00:08:13

3
آشنائی با XPath

00:21:41

4
پروژه جمع اوری داده ها از سایت stackoverflow

00:36:38

5
جمع آوری اطلاعات از شبکه های اجتماعی

00:09:53

6
پاکسازی داده ها

00:31:21

7
تبدیل داده ها

00:29:17

8
آشنایی با زبان R

00:19:51

9
Exploratory data analysis(EDA)

00:05:38

10
آمار توصیفی

00:13:59

11
تجسم داده ها

00:13:07

12
همبستگی

00:08:14

13
شناسایی نقاط پرت

00:12:25

14
خلاصه فصل

00:02:14

1
مقدمه

00:16:05

2
معرفی رگرسیون خطی ساده

00:04:20

3
جمع اوری داده ها

00:07:29

4
تجسم داده ها

00:25:18

5
نمودار رگرسیون خطی ساده در R

00:06:18

6
آموزش مدل رگرسیون خطی ساده

00:14:33

7
پیشبینی با مدل رگرسیون خطی ساده

00:05:44

8
ارزیابی مدل رگرسیون خطی ساده

00:11:10

9
ارزیابی یک مدل ساده با R

00:22:41

10
بررسی متریک MAE

00:15:57

11
بررسی متریک MSE

00:09:44

12
بررسی متریک RMSE

00:09:26

13
بررسی متریک R-Squared

00:14:28

14
روش های بهینه سازی مدل

00:14:28

15
آشنایی با فرمول شیب خط

00:17:00

16
بررسی فرمول رگرسیون خطی ساده

00:15:41

17
معرفی رگرسیون خطی چندگانه

00:09:10

18
EDA برای داده های رگرسیون خطی

00:18:16

19
نمایش سه بعدی داده ها

00:13:08

20
آموزش مدل رگرسیون خطی چندگانه با ML.NET

00:12:12

21
آشنایی با Polynomial

00:06:55

22
مثال ساده از Polynomial

00:07:02

23
بررسی درجه Polynomial

00:10:06

24
مقایسه پیشبینی Polynomial با خطی ساده

00:11:10

25
پیاده سازی در ML.NET

00:29:53

26
معرفی Logistic Regression

00:02:32

27
معرفی Trainers

00:16:10

28
ذخیره و استفاده از مدل

00:10:39

29
ML.NET Model Builder

00:09:25

1
معرفی Classification

00:12:59

2
آشنایی با KNN

00:08:09

3
آشنایی با Decision Tree

00:16:57

4
آشنایی با Random Forest

00:05:16

5
آشنایی با Support Vector Machine(SVM)

00:09:19

6
آشنایی با Logistic Regression

00:05:11

7
آشنایی با Naive Bayes

00:08:06

8
پیاده سازی BinaryClassification - Customer Churn

00:24:43

9
تحلیل احساسات با BinaryClassification

00:17:05

10
آشنایی با پردازش متن

00:10:01

11
آشنایی با کالیبره

00:19:30

12
انواع کالیبراتور در ML.Net

00:10:03

13
انواع Trainer برای Binary Classification

00:07:38

14
روش های ارزیابی الگوریتم های Classification

00:16:04

15
ارزیابی مدل Binary Classification

00:10:34

16
تجزیه و تحلیل مجموعه داده های طبقه بندی چند کلاسه

00:09:53

17
پیاده سازی Multiclass Classification

00:12:56

18
انواع Trainer برای Multiclass Classification

00:07:46

19
معیار های ارزیابی Multiclass

00:16:22

20
آشنایی با معیار ارزیابی Log Loss

00:06:23

1
آشنایی با Clustering

00:03:19

2
معرفی الگوریتم K-Means

00:06:06

3
آشنائی با الگوریتم DBSCAN

00:04:35

4
مثال K-Means در R

00:10:38

5
آشنایی با Elbow Method

00:08:02

6
بررسی DataSet

00:06:50

7
پیاده سازی مثال در R

00:10:53

8
پیاده سازی Elbow

00:07:00

9
خوشه بندی در ML.Net

00:10:22

10
بررسی KMeans Options در Ml.Net

00:12:27

11
ذخیره داده های هر خوشه در فایل

00:14:28

12
مثال خوشه بندی کاربران وبلاگ

00:11:43

13
نکات خوشه بندی

00:07:06

1
قسمت اول

00:03:00

2
قسمت دوم

00:03:00

3
بررسی پروژه

00:06:04

4
جمع آوری داده‌های مناسب

00:07:47

5
ساخت PipeLine

00:11:25

6
بررسی آپشن‌های Model

00:13:36

7
ارزیابی مدل

00:05:40

8
نحوه استفاده و ذخیره مدل

00:08:40

9
استفاده از مدل در پروژه وبلاگ - بخش اول

00:14:24

10
استفاده از مدل در پروژه وبلاگ - بخش دوم

00:10:00

1
آشنایی با Anomaly Detection

00:08:34

2
داده های سری زمانی

00:14:55

3
سری زمانی تک متغیره و چند متغیره

00:03:01

4
سه نوع اصلی ناهنجاری‌ها

00:03:38

5
الگوریتم‌ها و روش‌های تشخیص ناهنجاری در ML.NET

00:05:21

6
تشخیص Spike برای داده های IID

00:25:18

7
تشخیص نقاط تغییر برای داده های IID

00:09:00

8
تشخیص Spike برای داده های فصلی

00:21:30

9
تشخیص نقاط تغییر برای داده های فصلی

00:07:11

10
استفاده از PCA برای سری زمانی چند متغیره

00:11:59

11
نمایش ناهنجاری ها بر روی چارت

00:09:04

1
معرفی شبکه های عصبی مصنوعی

00:12:03

2
بررسی شبکه‌های عصبی در بدن انسان

00:10:51

3
بررسی شبکه عصبی مصنوعی ساده

00:09:42

4
نحوه کار شبکه عصبی مصنوعی

00:14:21

5
آشنایی با Feed-Forward و Backpropagation

00:06:25

6
انواع شبکه های عصبی

00:08:55

1
معرفی تنسورفلو

00:15:08

2
استفاده از تنسورفلو در دات نت

00:05:07

3
آشنایی با تنسور و استفاده از آن

00:15:35

4
استفاده از NumPy در دات نت

00:15:08

5
پروژه یادگیری عمیق - پیش پردازش داده ها

00:17:25

6
پروژه یادگیری عمیق - ایجاد مدل شبکه عصبی

00:14:07

7
پروژه یادگیری عمیق - آموزش مدل

00:11:42

8
پروژه یادگیری عمیق - ارزیابی مدل

00:06:28

9
پروژه یادگیری عمیق - ذخیره واستفاده از مدل

00:12:26

1
معرفی ONNX

00:07:07

2
معرفی مدل های ONNX

00:12:07

3
کار با Netron

00:07:27

4
ایجاد مدل با PyTorch در پایتون

00:09:13

5
استفاده از PyTorch در ML.Net

00:19:45

6
خروجی گرفتن مدل ONNX در ML.Net

00:10:28

7
استفاده از مدل های ML.NET در زبان پایتون

00:10:43

1
آشنایی با پردازش تصویر

00:07:28

2
آشنایی با اجزای تصویر

00:11:42

3
کار با OpenCV - ویرایش تصویر

00:14:21

4
کار با OpenCV - تشخیص چهره

00:14:16

5
کار با OpenCV - تنظیمات مهم برای تشخیص چهره

00:18:35

6
پروژه تشخیص اعداد دست‌نویس - معرفی مسئله

00:13:11

7
پروژه تشخیص اعداد دست‌نویس - بارگذاری داده ها

00:19:15

8
پروژه تشخیص اعداد دست‌نویس - ساخت CNN عمیق

00:24:18

9
پروژه تشخیص اعداد دست‌نویس - آموزش و ارزیابی

00:09:40

10
پروژه تشخیص اعداد دست‌نویس - استفاده از مدل

00:29:26

11
آشنایی با Transfer Learning

00:18:29

12
پروژه دسته بندی تصاویر - آماده سازی دیتاست

00:10:45

13
پروژه دسته بندی تصاویر - آموزش مدل بخش اول

00:14:59

14
پروژه دسته بندی تصاویر - آموزش مدل بخش دوم

00:16:16

15
پروژه دسته بندی تصاویر - استفاده از مدل

00:15:04

16
پروژه تشخیص اشیاء - بخش اول

00:09:26

17
پروژه تشخیص اشیاء - بخش دوم

00:13:41

18
پروژه تشخیص اشیاء - بخش پایانی

00:13:49

ثبت دیدگاه

برای افزودن دیدگاه خود، نیاز است ابتدا وارد حساب کاربری‌تان شوید

دیدگاه کاربران

avatar
Mahdi Nabavi Fard
1403/09/23

تخفیف برای شب یلدا هم دارید؟ بتونیم دوره را با تخفیف بخریم؟

avatar
پاسخ توسط روشن احمدی
1403/09/25

سلام وقتتون بخیر
بله برای شب یلدا روی تمام دوره ها تخفیف داریم.


avatar
mrcrypto trader
1403/07/23

سلام و عرض ادب
واسه یادگیری هوش مصنوعی فرض بگیریم بخوایم ایده های متنوع پیاده مثلا (سایت هایی مثل دابینگ ویدیو که ویدیو رو با زبان های مختلف ترجمه میکنه یا مثلا یه پلتفرم هوش مصنوعی برای تحلیل بازار فارکس یا هر مدل ایده ای و ...) با ml.net قابل پیاده سازی هست یا اینکه امکان داره یه جاهایی نتونیم پیاده کنیم و باید از پایتون استفاده کنیم؟

avatar
پاسخ توسط احسان بابائی
1403/07/29

سلام و عرض ادب،

برای پروژه‌های مثل ترجمه متن یا پروژه‌های پیچیده‌تر، معمولاً از مدل‌های از پیش آموزش‌دیده استفاده می‌شود. اگر مدل مورد نظر خروجی ONNX داشته باشد، می‌توانید آن را در ML.NET استفاده کنید. همچنین می‌توانید از مدل‌های از پیش آموزش‌دیده پایتون نیز در ML.NET استفاده کنید. در فصل‌های آخر دوره، نحوه استفاده از این مدل‌ها در ML.NET را آموزش داده‌ایم، اما برای سناریوی خاص شما بهتر است جستجو کنید و بررسی نمایید که آیا مدلی برای ان کار از قبل اموزش دیده و آماده هست یا نه؟ و اگر مدلی وجود داشت آن را می‌توانید در ML.NET استفاده کنید یا خیر.

پایتون مدل های آماده بیشتری نسبت به ML.NET در اختیار شما قرار میدهد.


avatar
امیرحسین سلیمانی
1403/03/23 (خریدار محصول)

با سلام و خسته نباشید 

لطفا آموزش استفاده از Azure AI services و مدل های Hugging Face را هم بزارید

avatar
پاسخ توسط پشتیبانی باگتو
1403/04/18

سلام
در فصل اخر از مدل های Hugging Face  استفاده شده است.


avatar
نیما دانشفر
1402/12/26 (خریدار محصول)

سلام 

آیا در این دوره بررسی صدا ی طبیعی و دست خط هم مورد بررسی قرار میگیرد؟

avatar
پاسخ توسط احسان بابائی
1402/12/28

سلام در مورد صدا خیر، اما برای پردازش تصویر اموزش هایی داریم که برای این منظور هم می توانید استفاده کنید.


avatar
Soroush momtahan
1402/09/26

با سلام و وقت بخیر

این دوره بطور کامل با زبان سی شارپ آموزش داده شده و یا از زبان های دیگری در کنار سی شارپ استفاده شده ؟

 

اگر از زبان های دیگری نیز استفاده شده ممنون میشم دلیل اینکار رو بدونم

avatar
پاسخ توسط احسان بابائی
1402/09/26

سلام 

فعلا تا اینجای دوره از زبان R هم استفاده کرده ایم. 


avatar
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 ؟ 

avatar
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.