چرا مهارت آموزی در آکادمی بیرکار؟

علم داده کاربردی

پیشرفت تکنولوژی سبب شده است تا علم داده و هوش مصنوعی، به منظور استخراج، ذخیره سازی، تحلیل و بررسی استراتژی های داده محور به عنوان یک بخش اصلی و مهم در صنعت و تجارت، استفاده شود. به همین سبب بسیاری از صنایع و سازمان ها تمام توان و تجربه خود را جهت ایجاد چارچوب و به وجود آوردن راه حل های مناسب در این زمینه به کار گرفته اند. با استفاده از علم داده، می توان ایده های جدید خلق کرد و با مدیریت جامع در راستای ذخیره سازی و تحلیل انواع اطلاعات، تغییر و تحول اساسی در زمینه صنعت و تجارت به وجود آورد.
در این دوره آموزشی تلاش می شود در زمان کوتاهی محتوای قابل توجهی در حوزه علم داده و هوش مصنوعی به صورت تئوری و عملی آموزش داده شود. این دوره در راستای توانمندسازی نیروهای مشتاق علم داده و هوش مصنوعی برگزار می شود. انجام پروژه‌های عملی به شرکت‌کنندگان کمک می‌کند تا مفاهیم آموخته شده را در محیط‌های واقعی پیاده‌سازی کنند و تجربه عملی کسب کنند. دوره حاضر با ترکیب بخش‌های نظری و عملی، افراد را به یادگیری عمیق‌تر و درک بهتر از مفاهیم این حوزه تشویق می‌کند.

سر فصل ها:
  • 1 معرفی علم داده و ابزارهای آن
    •     1-1- تعریف علم داده
    •     2-1- نقش‌ها و مسئولیت‌های یک دانشمند داده
    •     3-1- مرور کلی فرآیند علم داده
    •     4-1- معرفی ابزارهای مهم: پایتون، Jupyter Notebook و کتابخانه های NumPy، pandas، و matplotlib
  • 2 مبانی برنامه‌نویسی با پایتون
    •     1-2- نصب و راه‌اندازی محیط برنامه‌نویسی
    •     2-2- مبانی زبان برنامه‌نویسی پایتون
    •     3-2- انواع داده‌ها و متغیرها
    •     4-2- عملیات ریاضی و منطقی
    •     5-2- حلقه‌ها و شروط
    •     6-2- توابع و ماژول‌ها
  • 3 مدیریت و تحلیل داده با pandas
    •     1-3- معرفی pandas و ساختار dataframe
    •     2-3- وارد کردن داده ها از فایل های csv و Excel
    •     3-3- پاکسازی و آماده‌سازی داده‌ها
    •     4-3- عملیات پایه‌ای روی داده‌ها
  • 4 تحلیل داده‌های اکتشافی
    •     1-4- توصیف آماری داده‌ها
    •     2-4- توزیع ها و شاخص های آماری
    •     3-4- بصری‌سازی داده‌ها با matplotlib و seaborn
    •     4-4- تحلیل همبستگی و کشف الگوها
  • 5 معرفی یادگیری ماشین
    •     1-5- مفاهیم پایه‌ای یادگیری ماشین
    •     2-5- انواع الگوریتم‌های یادگیری ماشین (نظارت‌شده و نظارت‌نشده)
    •     3-5- مراحل اصلی یک پروژه یادگیری ماشین
  • 6 یش‌پردازش داده‌ها برای یادگیری ماشین
    •     1-6- تقسیم‌بندی داده‌ها به مجموعه‌های آموزشی و تست
    •     2-6- مقیاس‌بندی و نرمال‌سازی داده‌ها
    •     3-6- مدیریت داده‌های گمشده
    •     4-6- ویژگی‌سازی و انتخاب ویژگی‌ها
  • 7 الگوریتم‌های یادگیری ماشین نظارت‌شده
    •     1-7- رگرسیون خطی
    •     2-7- رگرسیون لجستیک
    •     3-7- درخت تصمیم‌گیری
    •     4-7- ارزیابی مدل‌ها: دقت، فراخوانی، F1-score، و ماتریس اغتشاش
  • 8 الگوریتم‌های یادگیری ماشین نظارت‌نشده
    •     1-8- خوشه‌بندی K-Means
    •     2-8- کاهش ابعاد با PCA
    •     3-8- کاربردها و ارزیابی مدل‌های نظارت‌نشده
  • 9 پروژه عملی: پیش‌بینی
    •     1-9- تعریف مسئله
    •     2-9- جمع‌آوری و آماده‌سازی داده‌ها
    •     3-9- انتخاب و پیاده‌سازی مدل مناسب
    •     4-9- ارزیابی و بهینه‌سازی مدل
    •     5-9- ارائه نتایج و تجسم داده‌ها
  • 10 پروژه عملی: تحلیل اکتشافی و خوشه‌بندی
    •     1-10- تعریف مسئله
    •     2-10- جمع‌آوری و آماده‌سازی داده‌ها
    •     3-10- انتخاب و پیاده‌سازی الگوریتم خوشه‌بندی
    •     4-10- تحلیل نتایج و بصری‌سازی خوشه‌ها
    •     5-10- ارائه نتایج و جمع‌بندی
  • 11 جمع‌بندی و مرور نهایی
    •     1-11- مرور مفاهیم کلیدی دوره
    •     2-11- بررسی سوالات و رفع اشکالات
    •     3-11- راهنمایی برای منابع بیشتر و قدم‌های بعدی در علم داده
    •     4-11- انجام یک پروژه کوچک تیمی به عنوان تمرین نهایی
  • برای ارسال پیام باید به حساب کاربری خود وارد شوید.
دکتر ام کلثوم شهریاری( استادیار دانشگاه آزاد اسلامی ) | رزومه مدرس

-

مهارتها

1. اینترنت اشیاء (Internet of Things)
2. رایانش ابری (Cloud Computing)
3. رایانش مهی (Fog Computing)
4. پردازش تصویر
5. یادگیری ماشین

دوره های استاد:
علم داده کاربردی
ام کلثوم شهریاری
هنوز برگزار نشده
هوش مصنوعی و آینده آن
ام کلثوم شهریاری
هنوز برگزار نشده
یادگیری ماشین در پایتون
ام کلثوم شهریاری
هنوز برگزار نشده

تمامی حقوق برای برای آکادمی فناوران بیرکار محفوظ است.

1403 - 1401 ©

جمع :3,439,000 تومان
مشاهده سبد خرید
تسویه حساب
ورود / ثبت نام مدرس شوید