دوره جامع و تخصصی یادگیری ماشین و هوش مصنوعی (Machine Learning Masterclass)
مسیری ۶ ترمه و کاملاً کاربردی برای ورود به دنیای متخصصین داده و هوش مصنوعی؛ از آمار کاربردی و Scikit-Learn تا یادگیری عمیق (PyTorch)، MLOps، پردازش تصویر و مدلهای مولد (LLM).
این دوره چه مهارتهایی به شما میدهد؟
- تسلط کامل بر پایتون تخصصی علم داده، تحلیل دادههای انبوه با NumPy و Pandas
- درک عمیق تفکر آماری، تحلیل اکتشافی دادهها (EDA) و بصریسازی حرفهای دادهها
- طراحی، آموزش و ارزیابی الگوریتمهای یادگیری نظارتشده (Supervised) و بدون نظارت (Unsupervised)
- پیادهسازی شبکههای عصبی عمیق (Deep Learning) و بینایی ماشین با PyTorch و OpenCV
- استقرار آنلاین مدلهای هوش مصنوعی (MLOps)، ساخت Rest API با FastAPI و داکرایز کردن پروژه
- آشنایی کاربردی با معماری Transformerها، Fine-tuning و یکپارچهسازی مدلهای زنده هوش مصنوعی مولد
سرفصلهای جامع دوره (۶ ترم / ۶۰ جلسه)
این دوره در ۶ ترم تخصصی تدوین شده است. هر ترم شامل ۱۰ جلسه ۱ ساعت و ۱۵ دقیقهای به همراه پروژه جامع عملی پایانی است:
ترم اول: پایتون تخصصی علم داده و کار با دادههای ساختاریافته (NumPy & Pandas)
جلسه ۰۱: نقشه راه Machine Learning و محیط توسعه
آشنایی با اکوسیستم علم داده، نصب Anaconda، کار حرفهای با Jupyter Lab و Google Colab
جلسه ۰۲: محاسبات عددی سریع با NumPy
معرفی N-dimensional Arrays، عملیات برداری (Vectorization)، Broadcasting و عملکرد حافظه
جلسه ۰۳: عملیات ماتریسی و جبر خطی کاربردی در NumPy
ضرب ماتریسها، دترمی نان، ترانهاد، مقادیر ویژه (Eigenvalues) و کاربرد آنها در الگوریتمهای ML
جلسه ۰۴: ورود به Pandas و ساختار داده Series و DataFrame
خواندن فایلهای CSV, Excel, JSON، ساختار سریها و داتافریمها، indexing و slicing پیشرفته با loc و iloc
جلسه ۰۵: تمیزکاری دادهها (Data Cleaning)
شناسایی و مدیریت دادههای مفقود (Missing Values)، حذف دادههای تکراری و اصلاح انواع دادهها
جلسه ۰۶: تغییر شکل و ادغام دادهها (Reshaping & Merging)
دستورات concat, merge, join، pivot table و melt برای ساخت ساختارهای داده یکپارچه
جلسه ۰۷: گروهبندی و خلاصهسازی دادهها (Groupby & Aggregation)
عملیات Split-Apply-Combine، محاسبه آمارههای گروهی و اعمال توابع سفارشی روی دادهها
جلسه ۰۸: پردازش سریهای زمانی (Time Series) در Pandas
کار با دادههای تاریخی، Resampling، Window Functions و محاسبه میانگینهای متحرک
جلسه ۰۹: بهینهسازی سرعت و حافظه در Pandas
کار با Vectorized Operations، تبدیل دادههای متنی به Category و مدیریت مجموعهدادههای سنگین
جلسه ۱۰: پروژه پایانی ترم اول
🎯 پروژه پردازش، تمیزکاری و تحلیل دادههای واقعی چندگیگابایتی یک سامانه مالی/فروشگاهی
ترم دوم: آمار کاربردی، تحلیل اکتشافی دادهها (EDA) و بصریسازی
جلسه ۱۱: آمار توصیفی (Descriptive Statistics)
شاخصهای مرکزی (Mean, Median, Mode) و شاخصهای پراکندگی (Variance, Standard Deviation, IQR)
جلسه ۱۲: تصویرسازی استاتیک با Matplotlib
رسم نمودارهای خطی، میلهای، پراکندگی (Scatter)، هیستوگرام و تنظیمات کامل ظاهری نمودارها
جلسه ۱۳: بصریسازی آماری پیشرفته با Seaborn
رسم Boxplot, Violinplot, Pairplot, Heatmap و تحلیل توزیعهای آماری پیچیده
جلسه ۱۴: احتمال و توزیعهای آماری مهم
توزیع نرمال (Gaussian)، توزیع دو جملهای، قضیه حد مرکزی (Central Limit Theorem) و کاربرد در داده
جلسه ۱۵: آمار استنباطی و آزمون فرضیات (Hypothesis Testing)
مفهوم p-value، آزمونهای t-test, Chi-square, ANOVA و تصمیمگیری مبتنی بر داده
جلسه ۱۶: تحلیل همبستگی (Correlation Analysis)
ضریب همبستگی پیرسون و اسپیرمن، تشخیص چندهمخطی (Multicollinearity) و تفسیر ماتریس همبستگی
جلسه ۱۷: شناسایی و مدیریت دادههای پرت (Outlier Detection)
روشهای Z-Score، IQR، Isolation Forest و تاثیر دادههای پرت روی مدلهای یادگیری ماشین
جلسه ۱۸: مهندسی ویژگیهای اولیه (Feature Engineering)
تبدیل متغیرهای کفی به عددی (One-Hot Encoding, Label Encoding)، نرمالسازی و استانداردسازی (Scaling)
جلسه ۱۹: داشبوردهای تعاملی با Plotly
ساخت نمودارهای تعاملی ۳ بعدی، نقشه حرارتی دینامیک و قابلیت دریافت خروجی تعاملی برای گزارشدهی
جلسه ۲۰: پروژه پایانی ترم دوم
🎯 اجرای کامل گزارش EDA به همراه بصریسازی جامع و کشف الگوهای پنهان در رفتار مشتریان یک کسبوکار
ترم سوم: یادگیری نظارتشده (Supervised Learning - رگرسیون و طبقهبندی)
جلسه ۲۱: مفاهیم پایه Machine Learning & Scikit-Learn API
دستهبندی مسائل ML، ساختار Train/Test Split، مفهوم Overfitting و Underfitting
جلسه ۲۲: رگرسیون خطی ساده و چندگانه (Linear Regression)
ریاضیات رگرسیون، تابع زیان (Cost Function - MSE)، الگوریتم کاهشی گرادیان (Gradient Descent)
جلسه ۲۳: تنظیم مدل (Regularization)
جلوگیری از بیشبرازش با روشهای Ridge (L2)، Lasso (L1) و ElasticNet
جلسه ۲۴: رگرسیون لوجستیک (Logistic Regression)
مسائل طبقهبندی دوگانه (Binary Classification)، تابع سیگموئید، احتمالدهی و حد آستانه (Threshold)
جلسه ۲۵: معیارهای ارزیابی مدلهای طبقهبندی
ماتریس درهمریختگی (Confusion Matrix)، معیارهای Accuracy, Precision, Recall, F1-Score و منحنی ROC-AUC
جلسه ۲۶: درخت تصمیم (Decision Trees)
معیارهای انتروپی (Entropy) و شاخص جینی (Gini Index)، ساختار درخت، هرس کردن (Pruning)
جلسه ۲۷: مدلهای انسامبل - جنگل تصادفی (Random Forest)
مفهوم Bagging، ساخت چندین درخت تصادفی، اهمیت ویژگیها (Feature Importance)
جلسه ۲۸: الگوریتمهای پیشرفته Boosting (XGBoost, LightGBM)
فلسفه Gradient Boosting، آموزش الگوریتم قدرتمند XGBoost برای مسابقات Kaggle و دادههای جدولبندی شده
جلسه ۲۹: ماشین بردار پشتیبان (SVM) و K-NN
مفهوم Hyperplane و Margin، ترفند کرنل (Kernel Trick) و الگوریتم K-Nearest Neighbors
جلسه ۳۰: پروژه پایانی ترم سوم
🎯 ساخت مدل پیشبینی دقیق هوشمند قیمت ملک و طبقهبندی ریسک اعتباری مشتریان بانک
ترم چهارم: یادگیری بدون نظارت، کاهش ابعاد و سیستمهای توصیه گر
جلسه ۳۱: مقدمات Unsupervised Learning & K-Means Clustering
خوشهبندی دادهها بدون برچسب، الگوریتم K-Means، تعیین تعداد خوشه بهینه با روش Elbow و Silhouette Score
جلسه ۳۲: خوشهبندی سلسلهمراتبی (Hierarchical Clustering) و DBSCAN
ترسیم دندروگرام، الگوریتم DBSCAN برای خوشهبندی بر اساس چگالی و کشف شکلهای غیرمنظم داده
جلسه ۳۳: کاهش ابعاد با PCA (Principal Component Analysis)
کاهش ویژگیها بدون از دست دادن اطلاعات، محاسبه مولفههای اصلی و فشردهسازی دادههای بزرگ
جلسه ۳۴: روشهای پیشرفته کاهش ابعاد (t-SNE & UMAP)
کاهش ابعاد غیرخطی برای بصریسازی دادههای چندبعدی پیچیده در فضای ۲ بعدی و ۳ بعدی
جلسه ۳۵: سیستمهای توصیه گر (Recommender Systems) - روشهای سنتی
فیلترینگ مبتنی بر محتوا (Content-Based Filtering)، محاسبه شباهت کسینوسی (Cosine Similarity)
جلسه ۳۶: فیلترینگ تعاملی (Collaborative Filtering)
روشهای User-Based و Item-Based، تجزیه ماتریس (Matrix Factorization - SVD) برای پیشنهاد محصول
جلسه ۳۷: تنظیم فوقپارامترها (Hyperparameter Tuning)
روشهای Grid Search CV, Random Search CV و بهینهسازی بایزین با Optuna
جلسه ۳۸: ساخت Pipelineهای هوشمند در Scikit-Learn
اتوماتیکسازی زنجیره پیشپردازش، مهندسی ویژگی و مدلسازی با Pipeline و ColumnTransformer
جلسe ۳۹: مدیریت دادههای نامتوازن (Imbalanced Datasets)
روشهای نمونهبرداری SMOTE, Random Overization/Undersampling و تنظیم وزن کلاسها
جلسه ۴۰: پروژه پایانی ترم چهارم
🎯 پیادهسازی کامل سیستم تقسیمبندی مشتریان (RFM Analysis) + موتور هوشمند پیشنهاد فیلم/محصول
ترم پنجم: یادگیری عمیق (Deep Learning)، شبکههای عصبی و بینایی ماشین
جلسه ۴۱: مقدمهای بر یادگیری عمیق و نورون مصنوعی
مفهوم Perceptron، توابع فعالساز (ReLU, Sigmoid, Tanh, Softmax)، ساختار شبکه عصبی Muti-Layer
جلسه ۴۲: انتشار رو به عقب (Backpropagation) و بهینهسازها
ریاضیات پسانتشار خطا، بهینهسازهای Adam, SGD, RMSprop و نرخ یادگیری (Learning Rate)
جلسه ۴۳: ورود به فریمورک PyTorch
کار با Tensorها، محاسبه خودکار گرادیان (Autograd)، ساخت اولین شبکه عصبی با torch.nn
جلسه ۴۴: آموزش مدل و ساخت چرخهی آموزشی (Training Loop) در PyTorch
مدیریت Dataset و DataLoader، محاسبه Loss، بروزرسانی وزنها، ارزیابی در Epochهای مختلف
جلسه ۴۵: جلوگیری از بیشبرازش در شبکههای عصبی
روشهای Dropout, Batch Normalization, Early Stopping و Weight Decay
جلسه ۴۶: شبکههای عصبی کانولوشنی (CNN) برای تصویر
لایههای Convolution, Pooling, Stride, Padding و استخراج ویژگی از تصاویر
جلسه ۴۷: بینایی ماشین با OpenCV و PyTorch
بارگذاری، فیلترگذاری و پردازش تصویر، تشخیص چهره و لبهها با کتابخانه OpenCV
جلسه ۴۸: یادگیری انتقالی (Transfer Learning)
استفاده از معماریهای پرقدرت پیشالملآموزش یافته مانند ResNet, VGG, MobileNet برای دیتای اختصاصی
جلسه ۴۹: مقدمهای بر پردازش زبان طبیعی (NLP)
پیشپردازش متن، Tokenization, Word Embeddings (Word2Vec) و آشنایی با شبکههای عودتی (RNN/LSTM)
جلسه ۵۰: پروژه پایانی ترم پنجم
🎯 طراحی کلاسیفایر هوشمند تصویر برای تشخیص بیماریهای پزشکی از روی تصاویر رادیولوژی با PyTorch
ترم ششم: MLOps، استقرار مدل (Deployment)، LLMs و ورود به بازار کار
جلسه ۵۱: ذخیرهسازی و سریالسازی مدلهای ML
ذخیرهسازی وزنها با Joblib, Pickle و فرمت استاندارد ONNX برای اجرا در محیطهای مختلف
جلسه ۵۲: تبدیل مدل به REST API با FastAPI
ساخت End-pointهای سروکننده مدلهای هوش مصنوعی، اعتبارسنجی ورودی کاربر با Pydantic
جلسه ۵۳: کانتینریسازی مدلهای ML با Docker
ساخت Dockerfile برای پروژه هوش مصنوعی، ساخت ایمیج سبک و اجرای مدل در کانتینر ایزوله
جلسه ۵۴: مدیریت چرخه حیات مدل با MLflow
ردیابی پارامترها (Experiment Tracking)، ثبت نسخههای مختلف مدل (Model Registry)
جلسه ۵۵: مانیتورینگ مدل و افت کیفیت (Data & Model Drift)
بررسی تغییرات توزیع دادهها در طول زمان و برنامهریزی برای بازآموزی (Retraining) خودکار مدل
جلسه ۵۶: هوش مصنوعی مولد (Generative AI) & Transformers
مفهوم مکانیزم توجه (Self-Attention)، معماری ترنسفورمرها، آشنایی با Hugging Face
جلسه ۵۷: کار با مدلهای زبانی بزرگ (LLM API & RAG)
یکپارچهسازی سرویسهای OpenAI/Claude، مفاهیم Prompt Engineering و ساخت سیستمهای RAG اولیه
جلسه ۵۸: استقرار پروژه روی سرور ابری (Deployment)
آنلاینسازی API هوش مصنوعی روی سرور لینوکس با Nginx, Gunicorn و تنظیمات دامنه
جلسه ۵۹: رزومهنویسی حرفهای و ساخت پورتفولیو Kaggle / GitHub
استفاده از استاندارد کدهای Clean، ارائه پروژهها در گیتهاب و شرکت در مسابقات علم داده
جلسه ۶۰: پروژه نهایی غولپیکر و شبیهسازی مصاحبه شغلی
🏆 ارائه پروژه End-to-End پیشبینی زنده فولاستک (داده + مدل + FastAPI + Docker) به همراه آمادگی مصاحبه استخدامی
شیوه برگزاری و پشتیبانی کلاسها
این دوره به دو صورتحضوریدر فضایی کاملاً مجهز وآنلاین (زنده)برگزار میشود. همچنین هر دانشجو زیر نظر منتور اختصاصی پروژه، پشتیبانی برای رفع اشکال خواهد داشت.
دورههای دیگر رادیس
دوره جامع و تخصصی طراحی و توسعه وب (Front-End Masterclass)
دوره جامع آموزش فرانتاند از صفر تا پیشرفته شامل HTML5، CSS3، JavaScript، Tailwind CSS، Git، GitHub و React همراه با ۶۰ جلسه آموزشی و پروژههای عملی.
مشاهده جزئیات دورهدوره جامع و حرفهای برنامهنویسی پایتون (Python Masterclass)
پایه محکم برنامهنویسی برای ورود به دنیای هوش مصنوعی و علم داده.
مشاهده جزئیات دورهدوره جامع و تخصصی یادگیری عمیق (Deep Learning Masterclass)
ورود به دنیای شبکههای عصبی و ساخت مدلهای پیشرفته هوش مصنوعی.
مشاهده جزئیات دوره