دوره ستارگان Machine Learning ML.NET

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

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

4,480,000 تومان

8,960,000
50% تخفیف


توضیحات دوره ستارگان Machine Learning ML.NET

یادگیری ماشین برای برنامه‌نویسان سی شارپ: هوش مصنوعی را به برنامه‌هایتان وارد کنید!

در دنیای امروز، داده‌ها به عنوان ارزشمندترین دارایی‌ها شناخته می‌شوند. برنامه‌نویسانی که می‌توانند از این داده‌ها به طور موثر استفاده کنند، حرف اول را در بازار کار می‌زنند. یادگیری ماشین به عنوان زیرشاخه‌ای قدرتمند از هوش مصنوعی، به شما این امکان را می‌دهد تا از داده‌ها برای حل چالش‌های پیچیده، پیش‌بینی دقیق و ساخت برنامه‌های هوشمند استفاده کنید.

با این دوره یادگیری ماشین، قدرت هوش مصنوعی را به برنامه‌های سی شارپ خود اضافه کنید!


با این دوره چه چیزی به دست خواهید آورد؟

  1.  تسلط بر مفاهیم کلیدی یادگیری ماشین: در این دوره، با مبانی و الگوریتم‌های اصلی یادگیری ماشین مانند رگرسیون، دسته‌بندی، خوشه‌بندی، سیستم‌های توصیه‌گر، تشخیص ناهنجاری و یادگیری عمیق آشنا خواهید شد.
  2. مهارت‌های عملی در سی شارپ: شما یاد خواهید گرفت که چگونه از کتابخانه‌های قدرتمند یادگیری ماشین در سی شارپ مانند TensorFlow و ONNX برای ساخت مدل‌های یادگیری ماشین خود استفاده کنید.
  3. توانایی حل چالش‌های واقعی: با پروژه‌های عملی این دوره، یاد خواهید گرفت که چگونه از یادگیری ماشین برای حل مسائل واقعی در دنیای واقعی مانند  دسته‌بندی تصاویر ، پیش‌بینی تقاضا ، شناسایی داده های ناهنجا،   تجزیه و تحلیل و... استفاده کنید.
  4.  آمادگی برای آینده: یادگیری ماشین به سرعت در حال تحول است و این دوره به شما کمک می‌کند تا با آخرین پیشرفت‌ها و تکنیک‌های این حوزه آشنا شوید و برای چالش‌های آینده آماده باشید.


چرا این دوره را انتخاب کنید؟

  1. مدرس باتجربه: این دوره توسط احسان بابائی، مدرسی با بیش از 13 سال سابقه در برنامه‌نویسی و توسعه نرم‌افزار، تدریس می‌شود.
  2. محتوای جامع: این دوره تمام مفاهیم کلیدی یادگیری ماشین را به طور کامل و با زبانی ساده و قابل فهم برای برنامه‌نویسان سی شارپ ارائه می‌دهد.و ما می‌توانیم ادعا کنیم که تنها تیمی هستیم که در این سطح به آموزش ماشین لرنینگ در دات نت می پردازیم.
  3. تمرکز بر کاربرد عملی: در این دوره، تمرکز بر روی آموزش مهارت‌های عملی و نحوه استفاده از یادگیری ماشین در پروژه‌های واقعی دات نت است است.

 

این دوره برای چه کسانی مناسب است؟

  1. برنامه‌نویسان سی شارپ: اگر یک برنامه‌نویس سی شارپ هستید و می‌خواهید مهارت‌های خود را در زمینه یادگیری ماشین ارتقا دهید، این دوره برای شما مناسب است.
  2. متخصصان داده: اگر یک متخصص داده هستید و می‌خواهید از یادگیری ماشین برای تجزیه و تحلیل داده‌ها و استخراج اطلاعات مفید استفاده کنید، این دوره برای شما مناسب است.
  3. کارآفرینان: اگر یک کارآفرین هستید و می‌خواهید از قدرت یادگیری ماشین برای ساخت محصولات و خدمات هوشمند استفاده کنید، این دوره برای شما مناسب است.
  4. هر کسی که به یادگیری ماشین علاقه‌مند است: اگر به یادگیری ماشین و هوش مصنوعی علاقه‌مند هستید و می‌خواهید در این زمینه مهارت کسب کنید، این دوره برای شما مناسب است.

 

فصل 1: جمع‌آوری و پیش‌‌پردازش داده‌ها: کلید ورود به دنیای یادگیری ماشین با سی شارپ!

جمع‌آوری و پیش‌‌پردازش داده‌ها: کلید ورود به دنیای یادگیری ماشین با سی شارپ!


در این فصل، گام‌های اولیه و ضروری برای ساخت مدل‌های یادگیری ماشین قدرتمند را یاد می‌گیرید:

  1. جمع‌آوری داده‌ها: از وب‌سایت‌ها، شبکه‌های اجتماعی و پایگاه‌های داده، داده‌های خام را برای مدل خود استخراج کنید.
  2. پاکسازی و آماده‌سازی: داده‌ها را از نویز و ایرادات پاک کنید تا برای مدل‌سازی آماده شوند.
  3. تجزیه و تحلیل داده‌ها: با زبان R و تکنیک‌های EDA، داده‌های خود را به طور کامل بشناسید.
  4. شناسایی الگوها: با استفاده از نمودارها و همبستگی، الگوهای پنهان در داده‌ها را کشف کنید.

آماده‌ی ساخت مدل‌های یادگیری ماشین دقیق و کارآمد با داده‌های واقعی شوید!

 


فصل 2: رگرسیون: پیش‌بینی آینده با قدرت سی شارپ!

فصل دوم ستارگان ماشین لرنینگ:  رگرسیون: پیش‌بینی آینده با قدرت هوش مصنوعی در سی شارپ!

 

در این فصل، با دنیای شگفت‌انگیز رگرسیون آشنا می‌شوید و یاد می‌گیرید که چگونه:

  1. مدل‌های پیش‌بینی دقیق بسازید: روابط بین متغیرها را کشف کنید و با رگرسیون خطی و چندگانه، پیش‌بینی‌های درست و قابل اعتماد انجام دهید.
  2. داده‌ها را تحلیل کنید: با استفاده از نمودارها و تکنیک‌های EDA، به عمق اطلاعات خود نفوذ کرده و الگوهای پنهان در داده ها را بدست بیاورید.
  3. قدرت ML.NET را به کار بگیرید: از کتابخانه قدرتمند ML.NET برای ساخت و آموزش مدل‌های رگرسیون در سی شارپ استفاده کنید.
  4. انواع رگرسیون را بشناسید: با رگرسیون خطی، چندگانه، لوجستیک و Polynomial آشنا شوید و بهترین مدل را برای داده‌هایتان انتخاب کنید.
  5. مدل‌هایتان را ارتقا دهید: با تکنیک‌های مختلف بهینه‌سازی، دقت مدل‌هایتان را افزایش دهید و به بهترین نتایج دست پیدا کنید.

در پایان فصل دوم، شما می‌توانید با بهره‌گیری از تکنیک‌های پیشرفته رگرسیون و ML.NET، آینده را با دقت بیشتری پیش‌بینی کنید.
 

 

 

فصل 3: دسته‌بندی

در این فصل، به دنیای  هیجان‌انگیز دسته‌بندی قدم می‌گذارید و یاد می‌ گیرید که چگونه:

  1. دسته‌بندی هوشمندانه: داده‌هایتان را به طور خودکار در گروه‌های مختلف دسته‌بندی کنید.
  2. الگوریتم‌های قدرتمند: با KNN، درخت تصمیم، جنگل تصادفی، SVM، رگرسیون لوجستیک و Naive Bayes آشنا شوید و بهترین الگوریتم را برای نیازتان انتخاب کنید.
  3. پیاده‌سازی عملی: مدل‌های دسته‌بندی را برای حل مسائلی مانند پیش‌بینی ترک مشتری، تحلیل احساسات و دسته‌بندی اسناد پیاده‌سازی کنید.
  4. پردازش متن: متن‌ها را به طور کامل تجزیه و تحلیل کنید و از آنها برای دسته‌بندی دقیق‌تر استفاده کنید.
  5. کالیبراسیون: مدل‌هایتان را برای ارائه نتایج دقیق‌تر و قابل اعتمادتر تنظیم کنید.
  6. ارزیابی دقیق: با استفاده از معیارهای مختلف، عملکرد مدل‌های دسته‌بندی خود را به طور کامل ارزیابی کنید.
  7. دسته‌بندی چند کلاسه: داده‌ها را به بیش از دو گروه دسته‌بندی کنید و از این تکنیک قدرتمند در چالش‌های مختلف استفاده کنید.

 با تسلط بر دسته‌بندی، می‌توانید پتانسیل‌های پنهان داده‌هایتان را شناسایی کرده و به طور مؤثر از آنها برای دستیابی به اهداف خود استفاده کنید!

 


فصل 4: خوشه‌بندی - گروه‌های پنهان در داده‌هایتان را کشف کنید!

در دنیای داده‌های پیچیده، خوشه‌بندی به شما کمک می‌کند تا نظم را از میان آشفتگی استخراج کنید. با این تکنیک قدرتمند، می‌توانید گروه‌های طبیعی و معناداری را در داده ها پیدا کنید و به درک عمیق‌تری از اطلاعاتتان دست پیدا کنید.
در این فصل، با الگوریتم‌های قدرتمند خوشه‌بندی مانند K-Means و DBSCAN آشنا می‌شوید و یاد می‌گیرید که چگونه:

  1. ساختار پنهان در داده‌ها را پیدا کنید: گروه‌های طبیعی و ذاتی موجود در داده‌هایتان را شناسایی کنید.
  2. الگوریتم‌های مختلف را به کار بگیرید:  الگوریتم K-Means   را برای خوشه‌بندی داده‌هایتان در سناریوهای مختلف استفاده کنید.
  3. خوشه‌بندی را در R و ML.NET پیاده‌سازی کنید: از زبان R و کتابخانه ML.NET برای ساخت و آموزش مدل‌های خوشه‌بندی قدرتمند استفاده کنید.
  4. تعداد خوشه‌ها را بهینه کنید: با تکنیک Elbow Method، تعداد خوشه‌های بهینه را برای داده‌هایتان تعیین کنید.
  5. داده‌های هر خوشه را ذخیره و تحلیل کنید: اطلاعات هر خوشه را به طور جداگانه ذخیره و تحلیل کنید تا به درک عمیق‌تری از داده‌هایتان برسید.
  6. مثال‌های عملی را دنبال کنید: با مثال‌های کاربردی مانند خوشه‌بندی کاربران یک وب‌سیات، نحوه استفاده از خوشه‌بندی در دنیای واقعی را یاد بگیرید.

با تسلط بر خوشه‌بندی، به بینش‌های عمیق‌تری از داده‌هایتان دست پیدا کنید و از آنها برای حل چالش‌های مختلف استفاده کنید!


فصل 5: سیستم‌های توصیه‌گر - پیشنهاداتی که مشتریان شما عاشقش می‌شوند!


توصیه‌گرها سیستم‌هایی هوشمند اند که بر اساس علایق و رفتارهای قبلی کاربران، به آنها پیشنهاداتی جذاب و مرتبط ارائه می‌کنند.
در این فصل، به دنیای شگفت‌انگیز سیستم‌های توصیه‌گر قدم می‌گذارید و یاد می‌گیرید که چگونه:

  1. سیستم‌های توصیه‌گر قدرتمند بسازید: با استفاده از تکنیک‌های یادگیری ماشین، الگوریتم‌هایی بسازید که به طور خودکار علایق کاربران را شناسایی کرده و بهترین پیشنهادات را به آنها ارائه دهند.
  2. داده‌های مناسب را جمع‌آوری کنید: یاد می‌گیرید که چگونه داده‌های لازم برای ساخت سیستم‌های توصیه‌گر را از منابع مختلف جمع‌آوری و آماده‌سازی کنید.
  3. مدل‌های مختلف را بشناسید: با انواع مختلف مدل‌های توصیه‌گر مانند مبتنی بر محتوا، مبتنی بر هم‌بستگی و مبتنی بر قاعده آشنا می‌شوید و بهترین مدل را برای نیازتان انتخاب می‌کنید.
  4. مدل‌های خود را ارزیابی کنید: با استفاده از معیارهای مختلف، عملکرد مدل‌هایتان را به طور دقیق ارزیابی کرده و آنها را بهینه کنید.
  5. مدل‌ها را در دنیای واقعی پیاده‌سازی کنید: با استفاده از مثال‌های عملی مانند سیستم پیشنهاد مطلب، نحوه پیاده‌سازی سیستم‌های توصیه‌گر در پروژه‌های واقعی Asp.Net Core را یاد می‌گیرید.

با تسلط بر سیستم‌های توصیه‌گر، می‌توانید رضایت مشتریان خود را افزایش داده، فروش را ارتقا دهید و تجربه‌ای منحصر به فرد برای آنها رقم بزنید!

 


فصل 6: شناسایی ناهنجاری‌ها
 

شناسایی ناهنجاری‌ها یعنی یافتن نقاطی در داده‌ها که با الگوی کلی و معمول داده‌ها متفاوت هستند و ممکن است نشان‌دهنده خطا، تقلب یا مشکل باشند.
در این فصل، یاد می‌گیرید که چگونه:

  1. ناهنجاری‌ها را در داده‌های سری زمانی شناسایی کنید: نوسانات غیرمنتظره، نقاط تغییر و الگوهای غیرمعمول را در داده‌هایتان پیدا کنید.
  2. از الگوریتم‌های مختلف ML.NET استفاده کنید: با الگوریتم‌های قدرتمند مانند Spike Detection، Change Point Detection و PCA، ناهنجاری‌ها را در انواع مختلف داده‌های سری زمانی شناسایی کنید.
  3. ناهنجاری‌ها را به صورت تصویری مشاهده کنید: با استفاده از نمودارها و ابزارهای بصری، ناهنجاری‌ها را به طور واضح و گویا نمایش دهید.
  4. داده‌هایتان را از آلودگی پاک کنید: با حذف ناهنجاری‌ها، کیفیت داده‌هایتان را ارتقا داده و از آنها برای تحلیل‌های دقیق‌تر استفاده کنید.

با تسلط بر شناسایی ناهنجاری‌ها، می‌توانید از بروز مشکلات و خطرات در سیستم‌هایتان پیشگیری کرده و در زمان و هزینه خود صرفه‌جویی کنید!

 

فصل 7: آشنایی با یادگیری عمیق و شبکه‌های عصبی

در این فصل، با مفاهیم بنیادی و کلیدی  یادگیری عمیق آشنا می‌شوید و پایه و اساس لازم برای یادگیری و پیاده‌سازی شبکه‌های عصبی پیچیده در فصل‌های بعدی را خواهید ساخت.

  1. با شبکه‌های عصبی مصنوعی آشنا می‌شوید: نحوه عملکرد و ساختار این سیستم‌های هوشمند را درک می‌کنید.
  2. شبکه‌های عصبی در بدن انسان را بررسی می‌کنیم: از الهام‌گیری طبیعت در ساخت این سیستم‌های مصنوعی شگفت‌زده خواهید شد.
  3. با یک شبکه عصبی مصنوعی ساده آشنا می‌شوید: نحوه کار و اجزای اصلی یک شبکه عصبی را به طور عملی مشاهده می‌کنید.
  4. نحوه کار شبکه عصبی مصنوعی را درک می‌کنید: فرآیند یادگیری و آموزش شبکه‌های عصبی را بررسی می‌کنیم.
  5. با الگوریتم‌های Feed-Forward و Backpropagation آشنا می‌شوید: الگوریتم‌های اصلی آموزش شبکه‌های عصبی را خواهید شناخت.
  6. انواع شبکه‌های عصبی را بررسی می‌کنیم: با تنوع و کاربردهای مختلف شبکه‌های عصبی آشنا می‌شوید.

بعد از این فصل، گامی مهم در مسیر یادگیری هوش مصنوعی و تسلط بر شبکه‌های عصبی مصنوعی برداشته‌اید و آماده ورود به دنیای یادگیری عمیق در فصل‌های بعدی خواهید بود!

 


فصل 8: استفاده از TensorFlow و Keras در سی شارپ


TensorFlow یک کتابخانه متن‌باز و قدرتمند برای یادگیری عمیق از شرکت گوگل است، که به شما امکان می‌دهد شبکه‌های عصبی پیچیده را به زبان سی شارپ بسازید و آموزش دهید.
در این فصل، یاد می‌گیرید که چگونه:

  1. از TensorFlow در پروژه‌های دات نت خود استفاده کنید: TensorFlow را با دات نت ادغام کرده و از قدرت آن در زبان سی شارپ استفاده میکنیم.
  2. با مفاهیم کلیدی TensorFlow مانند تنسورها و NumPy آشنا شوید: پایه و اساس کار با TensorFlow را یاد گرفته و برای ساخت مدل‌های یادگیری عمیق آماده می شوید.
  3. یک پروژه یادگیری عمیق واقعی را از ابتدا تا انتها پیاده‌سازی میکنیم: با پیش‌پردازش داده‌ها، ساخت مدل، آموزش، ارزیابی و ذخیره‌سازی مدل، گام به گام در دنیای یادگیری عمیق با TensorFlow قدم بردارید.
  4. استفاده از Keras در  سی شارپ : از Keras، کتابخانه محبوب یادگیری عمیق در TensorFlow، برای ساخت مدل‌های عصبی با سطح بالا استفاده کنید.

با تسلط بر TensorFlow و Keras در سی شارپ، به دنیای بی‌حد و مرز یادگیری عمیق و هوش مصنوعی قدم گذاشته و به یک متخصص واقعی در این حوزه تبدیل شوید!

 

فصل 9: استفاده از ONNX - یکپارچه‌سازی آسان مدل‌های یادگیری عمیق!
 

ONNX یک فرمت مدل متن‌باز برای تبادل مدل‌های یادگیری عمیق بین چارچوب‌های مختلف است.
در این فصل، یاد می‌گیرید:

  1. با ONNX و مزایای آن آشنا می شوید: از یکپارچه‌سازی آسان مدل‌ها در پلتفرم‌ها و زبان‌های مختلف لذت ببرید.
  2. مدل‌های ONNX را با استفاده از Netron بصری کنید: به طور کامل درک کنید که مدل‌های یادگیری عمیق شما چگونه کار می‌کنند.
  3. مدل‌های PyTorch را به ONNX تبدیل کنید: مدل‌های خود را از PyTorch به ONNX اکسپورت بگیرید و در سایر پلتفرم‌ها از آنها استفاده کنید.
  4. از PyTorch در ML.Net استفاده کنید: قدرت PyTorch را به دات نت و ML.Net بیاورید.
  5. مدل‌های ONNX را در ML.Net بارگیری و اجرا کنید: از مدل‌های آموزش‌دیده در سایر چارچوب‌ها در پروژه‌های ML.Net خود استفاده کنید.
  6. مدل‌های ML.NET را در زبان پایتون استفاده کنید: مدل‌های ML.Net خود را در پلتفرم‌های مبتنی بر پایتون به کار بگیرید.

با تسلط بر ONNX، می‌توانید به سادگی مدل‌های یادگیری عمیق خود را بین ابزارها، زبان‌ها و پلتفرم‌های مختلف جابجا کرده و از مزایای یادگیری عمیق در هر کجا که هستید بهره ببرید!

 

فصل 10: پردازش تصویر و بینایی کامپیوتر

آیا تا به حال آرزو کرده‌اید که به کامپیوترتان قدرت بینایی و درک تصاویر را بدهید؟
در این فصل ، به دنیای جذاب پردازش تصویر و بینایی کامپیوتر وارد می شویم و یاد می‌گیرید که چگونه:

  1. با مفاهیم پایه پردازش تصویر و اجزای تشکیل‌دهنده تصاویر آشنا شوید.
  2. از کتابخانه قدرتمند OpenCV برای ویرایش، دستکاری و تحلیل تصاویر استفاده کنید.
  3. چهره افراد را در تصاویر با استفاده از تکنیک‌های پیشرفته تشخیص چهره شناسایی کنید.
  4. یک مدل یادگیری عمیق پیچیده برای تشخیص دست‌نوشته طراحی و آموزش دهید.
  5. تصاویر را بر اساس دسته‌بندی‌های مختلف مانند حیوانات، اشیاء یا منظره‌ها طبقه‌بندی کنید.
  6. اشیاء را در تصاویر با استفاده از الگوریتم‌های پیشرفته تشخیص اشیاء شناسایی و ردیابی کنید.

 

این فصل شامل 3 پروژه عملی جذاب است که به شما امکان می‌دهد مهارت‌های خود را در دنیای واقعی به کار ببرید:

 

  1. پروژه تشخیص اعداد دست‌نویس: یک مدل یادگیری عمیق برای تشخیص اعداد نوشته شده با دست بسازید و آن را بر روی مجموعه داده‌های واقعی امتحان کنید.

 

  1. پروژه دسته‌بندی تصاویر: تصاویر را بر اساس دسته‌بندی‌های مختلف مانند حیوانات، اشیاء یا منظره‌ها به طور خودکار دسته‌بندی کنید.

 

  1. پروژه تشخیص اشیاء: اشیاء را در تصاویر با استفاده از الگوریتم‌های پیشرفته تشخیص اشیاء شناسایی و ردیابی کنید.
     

 


با دیدن این دوره قدمی بزرگ به سوی آینده‌ای پر از فرصت برمی‌دارید!
با 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.

 

نگاهی به دوره ستارگان Machine Learning ML.NET



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 4,480,000 تومان

ویدئوهای دوره ستارگان Machine Learning ML.NET

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
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.