مسعود کاویانی
متخصص علوم داده و یادگیری ماشین در پارسپک
تدریس 14 سرفصل
در جریان باش !
متخصص پایتون - علم داده
داده کاوی زمانی جذاب است که شما یک تحلیل‌گر داده حرفه‌ای باشید و نه فقط در آرزوی انجام آن. اگر می‌خواهید از الان تا آینده خیال‌تان را بابت داشتن یک شغل خوب و خوش‌درآمد در هرجای جهان راحت کنید و با خیال آسوده پیر شوید، یادگیری داده کاوی و ماشین لرنینگ همان مهارتی‌ست که جادوگرها در گوی آینده‌نمای خود می‌بینند. آموزش پایتون برای داده‌کاوی چیزی‌ست که بلندپروازها و افراد جسور نمی‌توانند در برابر یادگیری آن مقاومت کنند. حالا که در انتخاب این حوزه جسارت لازم را دارید، بهتر است ادامه راه را هم بررسی کنیم و ببینیم چه مسیر مطمئنی برای یادگیری علم داده با پایتون در پیش‌رو داریم.
مدت زمان پیشنهادی برای اتمام دوره
9 ماه
مدت زمان پشتیبانی از زمان شروع دوره
12 ماه
محتوای دوره
(در حال برگزاری)
206 جلسه،
6 تمرین ،
6 آزمون
معرفی دوره متخصص داده کاوی (علوم داده) با پایتون
آشنایی با دوره متخصص پایتون - علم داده
آشنایی با دوره‌های متخصص سون‌لرن
دوره‌های متخصص سون لرن بر اساس پر طرفدارترین حوزه‌های برنامه‌نویسی و فناوری و با هدف تدریس تمامی مباحث و سرفصل‌های لازم برای تسلط و آمادگی دانشجویان جهت ورود به بازار کار ارائه شده اند. در این دوره کامل‌ترین سرفصل‌های پایتون برای داده کاوی به صورت غیرحضوری تدریس می‌شود و مباحث آموزشی با توجه به متد آموزشی جدید سون لرن در قالب ویدئوهای ضبط شده در پلتفرم آکادمی ارائه می‌شوند. دانشجویان پس از مشاهده جلسات امکان پرسش و پاسخ، رفع اشکال، انجام تمرین، انجام آزمون‌های مقطعی و رتبه‌بندی خواهند داشت.
پس از پایان دوره کسانی که در آزمون‌های جامع و ارزیابی فنی بالاترین نمرات را کسب کنند، جهت استخدام به شرکت‌هایی معرفی می‌شوند که قصد دارند از طریق مجموعه سون‌لرن برنامه‌نویس موردنظر خود را جذب کنند.
چرا باید یک محقق علم داده شوم ؟
- زیرا بسیاری از شرکت‌های بزرگ داخلی و خارجی با حجم انبوهی از داده‌های تولید شده توسط کاربران مواجه هستند و این باعث افزایش تقاضا برای جذب نیروی متخصص در این حوزه می‌شود.
- اگر قصد مهاجرت داشته باشید داشتن مهارت و رزومه در این زمینه می‌تواند فرایند کسب درآمد در کشور مقصد را ساده کند.
- به‌دلیل کمبود نیروی متخصص علم داده در شرکت‌های داخلی، در صورت داشتن مهارت کافی امکان جذب نیرو همراه با درآمد بالا توسط شرکت‌ها فراهم است.
- علم داده نیز مانند ماشین لرنینگ یکی از شاخه‌های مهم فناوری است و بر مبنای پایتون فعالیت می‌کند. بنابراین یادگیری آن می‌تواند زمینه ساز ورود شما به سایر حوزه‌های مهم باشد.
مخاطبین دوره
- علاقه‌مندان به کسب مشاغل مهم و پردرآمد در ایران و خارج از کشور.
- علاقه‌مندان به حوزه هوش مصنوعی، ماشین لرنینگ و غیره.
- کسانی که برای اولین بار قصد ورود به دنیای برنامه‌نویسی را دارند و می‌خواهند یک سرمایه‌گذاری بلندمدت داشته باشند.
- همه افرادی که قصد دارند در سال‌های پیش‌رو یکی از مهره‌های حیاتی بازار کار فناوری و مشاغل غیرسنتی باشند.
پیش نیاز های یادگیری پایتون - علم داده
- شرکت در این دوره پیش‌نیاز خاصی ندارد. کافی است با جستجو در اینترنت آشنا باشید و یادگیری علم داده را آگاهانه و هدف‌مند آغاز کنید.
- سطح زبان انگلیسی بهتر است به گونه‌ای باشد که در صورت بروز مشکل بتوانید به انگلیسی در گوگل جستجو کنید و به منابع بیشتر دسترسی داشته باشید.
- شما به سیستم و لپتاپ حرفه‌ای نیاز ندارید و یک سیستم معمولی که قابلیت نصب نرم‌افزارهای مربوطه را داشته باشد می‌تواند نیاز شما را در این مرحله برآورده کند.
اهداف کلی دوره
- توانمندسازی دانشجویان برای ورود به حوزه تحلیل داده و مشاغل مرتبط با هوش مصنوعی.
- آشنایی با مهمترین مباحث مرتبط با ماشین لرنینگ، یادگیری عمیق و غیره.
اطلاعات کلی خرید
- اگر با برنامه‌نویسی آشنایی قبلی ندارید با خرید کل دوره به‌صورت جامع از تخفیف و همچنین مزایای ویژه آکادمی سون‌لرن برخوردار خواهید شد.
- اگر با این حوزه آشنایی دارید می‌توانید دوره را به‌صورت مبحثی خریداری کرده و فقط سرفصل‌های موردنیاز را تهیه کنید. در این حالت فقط از امکان منتورینگ و دریافت به‌روزرسانی‌های همان سرفصل بهره‌مند خواهید شد.
- برای علاقمندانی که دانشجو و یا سرباز نظام وظیفه هستند نیز تخفیف در نظر گرفته شده است.
تخفیف پلکانی در خرید دوره
در خرید جامع دوره را با تخفیف مشخصی که روی دوره اعمال شده خریداری می‌کنید اما در خرید سرفصلی این امکان را دارید که از دوره‌های مختلف، سرفصل‌های دلخواه را به سبد خرید خود اضافه کنید. با اضافه کردن هر سرفصل به سبد خرید و افزایش مبلغ پرداختی، سیستم به‌طور خودکار برای شما تخفیف پلکانی را اعمال می‌کند. میزان تخفیف پلکانی در خرید سرفصلی به شرح زیر است:
- از 500 هزار تومان تا 1 میلیون 3% تخفیف
- از 1 تا 2 میلیون 5% تخفیف
- از 2 تا 4 میلیون 9% تخفیف
- از 4 تا 7 میلیون 13% تخفیف
- از 7 تا 12 میلیون 17% تخفیف
- بالای 12 میلیون 20% تخفیف
سرفصل های دوره متخصص پایتون - علم داده
فصل اول به معرفی بخش‌های مختلف علم داده و کاربرد آنها در صنایع گوناگون می‌پردازد
جلسه :
آشنایی با علم داده و کاربردهای آن در صنعت/تجارت/آموزش (قسمت اول)
45:15
جلسه :
آشنایی با علم داده و کاربردهای آن در صنعت/تجارت/آموزش (قسمت دوم)
37:10
جلسه :
چند مطالعه‌ی موردی در حوزه‌ی کاربرد داده کاوی در صنعت و استارتاپ‌ها
43:21
جلسه :
بررسی زبان‌های برنامه نویسی حوزه‌ی داده کاوی و یادگیری ماشین (پایتون، R، جاوا، Scala، Go و...)
40:10
جلسه :
تکنولوژی مجازی‌سازی و داکر و کاربر آن در حوزه‌ی علوم داده
28:57
تمرین :
بررسی و شناسایی یک مورد کاربردی در صنعت (موضوع انتخابی)
جلسه :
آشنایی با متدولوژی CRISP در پیاده‌سازی پروژه‌های داده کاوی
34:04
در این فصل نسخه‌های مختلف پایتون آماده و برای اجرای کدها، بر روی سیستم عامل لینوکس/ویندوز/مک به صورت عملی نصب می‌شوند
جلسه :
آشنایی با ورژن‌های مختلف زبان پایتون و نسخه‌ی آناکوندا در لینوکس
45:53
جلسه :
آموزش نصب و کار با پایتون و آناکوندا در ویندوز
23:04
جلسه :
آشنایی با ژوپیتر نوتبوک و برنامه نویسی پایتون با این ابزار
33:47
جلسه :
آشنایی با Visual Studio Code و Pycharm
27:34
جلسه :
پکیج‌ها و ماژول‌ها در پایتون
16:32
جلسه :
کار با محیط‌های مجازی و Virtual Environment در پایتون
20:01
جلسه :
آشنایی با زبان R و نرم افزار R Studio
28:28
در این بخش با مفاهیم و کتابخانه‌های کاربردی پایتون در علم داده آشنا خواهید شد.
جلسه :
مبانی ماتریس و فضای دکارتی
34:18
جلسه :
مثالِ تبدیل تصویر به ماتریس جبر خطی
27:19
تمرین :
پیاده‌سازی یک کسب‌وکار به صورت ماتریس جبر خطی
جلسه :
تبدیل ویژگی‌های غیر عددی به عددی با استفاده از OHE
17:15
جلسه :
تبدیل متن به ماتریس جبر خطی
29:41
جلسه :
آموزش مقدمات کتابخانه‌ی Numpy برای کار با ماتریس‌های جبر خطی
41:40
جلسه :
آموزش مقدمات کتابخانه‌ی Numpy برای کار با ماتریس‌های جبر خطی - ادامه
38:25
جلسه :
مباحث تکمیلی کتابخانه‌ی Numpy
47:30
جلسه :
مقایسه‌ی سرعت و بهینگی کتابخانه‌ی Numpy با لیست‌های پایتون
18:00
جلسه :
مقدمات کتابخانه‌ی Pandas
40:25
جلسه :
مقدمات کتابخانه‌ی Pandas (ادامه)
31:12
جلسه :
مباحث تکمیلی کتابخانه‌ی Pandas
28:37
جلسه :
مباحث تکمیلی کتابخانه‌ی Pandas (ادامه)
16:19
آزمون :
آزمون پایان فصل
تمرین :
تحلیل مقدماتی داده‌ها با استفاده از Pandas و Numpy
در این سرفصل با نمودارها و سایر کتابخانه‌های کاربردی آشنا خواهید شد.
جلسه :
معرفی نمودار هیستوگرام بر روی داده‌ها
31:31
جلسه :
نمودارهای خطی و پراکندگی
24:50
جلسه :
نمودار KDE مبتنی بر غلظت و نمودار جعبه‌ای یا همان Box-plot
51:54
جلسه :
داده‌های سری زمانی (Time Series) و نمایش آنها
27:55
جلسه :
آشنایی و رسم نمودار با bokeh
34:08
جلسه :
کار با کتابخانه‌ی bokeh جهت مصورسازی داده‌ها
28:58
جلسه :
کار با کتابخانه‌ی bokeh جهت مصورسازی داده‌ها (ادامه)
35:46
جلسه :
کار با کتابخانه‌ی bokeh جهت مصورسازی داده‌ها (ادامه)
16:32
جلسه :
آموزش طراحی داده‌ها به صورت تعاملی با bokeh به عنوان سرور
41:39
جلسه :
آموزش طراحی داشبورد مدیریتی با bokeh (پروژه عملی)
58:21
جلسه :
آموزش طراحی داشبورد مدیریتی با bokeh (پروژه عملی) - ادامه
35:56
جلسه :
آموزش طراحی داشبورد مدیریتی با bokeh (پروژه عملی) - ادامه
37:20
جلسه :
آموزش طراحی داشبورد مدیریتی با bokeh (پروژه عملی) - ادامه
54:37
جلسه :
دیپلوی یک پروژه علم داده با bokeh server روی یک سرور آنلاین
51:53
آزمون :
آموزش پایانی فصل نمایش داده‌ها
تمرین :
نمایش مجموعه داده‌ی «سرقت از بیتکوین»
بررسی تست‌ها و توزیع‌های آماری
جلسه :
مقدمات آمار و احتمال و توزیع نرمال
45:42
جلسه :
توزیع‌های احتمالی (نرمال، یکنواخت، برنولی و باینومیال)
31:22
جلسه :
توزیع‌های احتمالی (چند جمله‌ای، پواسون و نمایی)
01:00:30
جلسه :
توابع PDF، CDF و PMF و کاربرد آنها در توزیع‌های احتمالی
44:41
جلسه :
تست Kullback-Leibler برای توزیع‌های آماری
01:05:32
جلسه :
معیار جنسون شنون (Jenson Shanon) برای محاسبه‌ی دو توزیع آماری
41:35
جلسه :
معیار Kolmogorov-Smirnov برای مقایسه‌ی توزیع‌های احتمالی
48:22
جلسه :
کتابخانه‌ی PyIDD و تخمین توزیع‌های آماری
13:14
جلسه :
آشنایی با P Value کاربرد آن در تست‌های آماری
01:00:09
جلسه :
تست‌های فرضیه‌ی آماری A-B - مثال کاربردی تغییر صفحه‌ی خرید برای مشتریان (قسمت اول)
54:44
جلسه :
جلسه تست‌های فرضیه‌ی آماری A-B - مثال کاربردی تغییر صفحه‌ی خرید برای مشتریان (قسمت دوم)
30:52
جلسه :
درجه‌ی آزادی (Degree of Freedom)، توزیع F و توزیع Chi2
24:15
جلسه :
آزمون Z و آزمون T - مثال عملی آزمون داده‌های بیماری کرونا (قسمت اول)
41:28
جلسه :
آزمون Z و آزمون T - مثال عملی آزمون داده‌های بیماری کرونا (قسمت دوم)
32:15
جلسه :
تحلیل واریانس (ANOVA) برای آزمون‌های آماری (قسمت اول)
20:30
جلسه :
تحلیل واریانس (ANOVA) برای آزمون‌های آماری (قسمت دوم)
36:36
آزمون :
آزمون پایان فصل
تمرین :
تمرین: آزمون آماری بر روی دیتاست بازاریابی مستقیم بانک (bank direct marketing)
در این فصل به معرفی مقدمه‌ای بر مهندسی داده، هوش تجاری و انبارداده‌ها می‌پردازیم. یاد می‌گیریم که مفاهیم و کلیدواژه‌های اصلی مهندسی داده چیست و برخی از ابزارهای معروف این حوزه‌ها در سطح معرفی، بررسی می‌کنیم.
جلسه :
هوش تجاری (BI) و تصمیم‌گیری داده محور
23:00
جلسه :
فرآیند ETL و ELT در جمع‌آوری داده‌ها
16:20
جلسه :
آشنایی با آپاچی AirFlow برای انتقال داده‌های حجیم و زمان‌بندی شده
30:50
جلسه :
کلان داده (Big Data) و انواع مختلف داده‌ها
18:14
جلسه :
روش نگاشت-کاهش (Map-Reduce) و سیستم فایل توزیع شده (DFS)
43:00
جلسه :
آشنایی با هدوپ (Hadoop) و اکوسیستم آن
24:56
جلسه :
پایگاه داده‌های توزیع شده و تئوری CAP
39:39
جلسه :
آشنایی با پایگاه داده‌های SQL و NoSQL
35:38
جلسه :
انبار داده، OLAP و مکعب داده (بخش اول)
42:04
جلسه :
انبار داده، OLAP و مکعب داده (بخش دوم)
27:58
جلسه :
بازار داده (Data Mart) و دریاچه‌ی داده (Data Lake)
09:55
جلسه :
معرفی ابزار python cubes جهت ساخت مدل‌های OLAP و مکعب‌های داده
55:40
آزمون :
آزمون پایان فصل
در این فصل به معرفی روش‌های پیش‌پردازش داده‌ها و آماده‌سازی این داده‌ها برای تحلیل و یا تزریق به الگوریتم‌های فصول بعدی، خواهیم پرداخت
جلسه :
معرفی کتابخانه‌ی scikit-learn و کتابخانه‌های مرتبط با داده کاوی
18:20
جلسه :
روش‌های مقدماتی پیش پردازش داده‌ها (Data Preprocessing) - قسمت اول
48:35
جلسه :
روش‌های مقدماتی پیش پردازش داده‌ها (Data Preprocessing) - قسمت دوم
35:30
جلسه :
مباحث تکمیلی در پیش پردازش داده‌ها - قسمت اول (نرمال‌سازی و استانداردسازی داده‌ها، روش K نزدیک‌ترین همسایه برای داده‌های گم شده)
43:46
جلسه :
مباحث تکمیلی در پیش پردازش داده‌ها - قسمت دوم (نرمال‌سازی L1 و L2 و باینرایزر)
27:52
جلسه :
همبستگی (Correlation) و روش‌های Pearson، Spearman و Kendalls Tau در تحلیل داده‌های همبسته
44:45
جلسه :
همبستگی داده‌ها در پایتون (مثال عملی مجموعه داده‌ی فوتبال آمریکایی)
55:42
جلسه :
مباحث تکمیلی EDA و آماده سازی داده‌ها (مثال مجموعه داده‌ی بازی‌های تخته‌ای)
45:44
جلسه :
مثال مجموعه داده‌ی اتومبیل و EDA بر روی داده‌ها
31:36
آشنایی با الگوریتم‌ها مختلف
جلسه :
طبقه بندی مجموعه داده‌ی MNIST بخش مقدماتی
47:04
جلسه :
معرفی الگوریتم SVM و استفاده از آن در داده کاوی
42:24
جلسه :
معیارهای Accuarcy، Precision، Recall و F1 برای ارزیابی دقت، صحت و پوشش یک الگوریتم طبقه بندی
44:44
جلسه :
الگوریتم KNN (نزدیک‌ترین همسایه) در طبقه بندی
34:07
جلسه :
الگوریتم درخت تصمیم و مجموعه‌ی داده‌ی گل‌های زنبق (قسمت اول)
28:19
جلسه :
الگوریتم درخت تصمیم و مجموعه‌ی داده‌ی گل‌های زنبق (قسمت دوم)
32:27
جلسه :
ناخالصی جینی (Gini Impurity) و بهره اطلاعاتی (Information Gain)
31:57
جلسه :
بررسی مفهوم bias و variance در طبقه بندی
42:07
جلسه :
الگوریتم جنگل تصادفی (Random Forest)
26:12
جلسه :
الگوریتم Adaboost
32:10
جلسه :
نگاهی دقیق‌تر به پارامترهای الگوریتم SVM (قسمت اول)
30:16
جلسه :
نگاهی دقیق‌تر به پارامترهای الگوریتم SVM (قسمت دوم)
23:17
جلسه :
نگاهی دقیق‌تر به پارامترهای الگوریتم RandomForest
31:55
جلسه :
نگاهی دقیق‌تر به پارامترهای الگوریتم KNN
35:17
جلسه :
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت اول
27:41
جلسه :
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت دوم
12:51
جلسه :
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت سوم
29:20
جلسه :
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت چهارم
31:11
جلسه :
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت پنجم
21:02
جلسه :
متن کاوی (Text Mining) و پردازش زبان طبیعی (NLP) - قسمت ششم
32:03
جلسه :
شناسایی بیماران قلبی با استفاده از الگوریتم‌های طبقه بندی
35:26
جلسه :
پیدا کردن بهترین پارامترها در الگوریتم‌ها با استفاده از جستجوی مشبک (Grid Search)
40:48
جلسه :
آشنایی با مسائل رگرسیون و حل مسئله‌ی پیش‌بینی دما (قسمت اول)
39:38
جلسه :
آشنایی با مسائل رگرسیون و حل مسئله‌ی پیش‌بینی دما (قسمت دوم)
24:53
جلسه :
الگوریتم Gradient Boosting و XGBoost برای طبقه‌بندی و رگرسیون
33:37
جلسه :
الگوریتم XGBoost و حل مسئله‌ی تخمین قیمت منزل
40:15
جلسه :
الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت اول)
33:20
جلسه :
الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت دوم)
44:07
جلسه :
الگوریتم CatBoost و حل مسئله‌ی تخمین خسارت حادثه شرکت بیمه (قسمت سوم - یادگیری ماشین با GPU و یادگیری با وقفه)
23:43
آزمون :
آزمون پایان فصل
جلسه :
جمع بندی نیمه‌ی اول دوره تا اینجا + مباحث تکمیلی ارائه شده در آینده
30:45
آشنایی با سایر موارد مهم دیگر
جلسه :
کاهش ابعاد - قسمت اول (کاهش ابعاد به وسیله‌ی اطلاعات آماری)
36:30
جلسه :
کاهش ابعاد - قسمت دوم (کاهش ابعاد به وسیله‌ی اطلاعات آماری)
24:23
جلسه :
الگوریتم PCA و KernelPCA در کاهش ابعاد (قسمت اول)
32:13
جلسه :
الگوریتم PCA و KernelPCA در کاهش ابعاد (قسمت دوم)
31:17
جلسه :
الگوریتم Factor Analysis در کاهش ابعاد
15:55
جلسه :
الگوریتم ICA و ISOMAP برای کاهش ابعاد
21:42
جلسه :
الگوریتم TSNE و UMAP برای کاهش ابعاد
19:49
جلسه :
ترکیب الگوریتم‌های کاهش ابعاد برای حل مسائل طبقه بندی
40:26
جلسه :
کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت اول
27:50
جلسه :
کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت دوم
33:54
جلسه :
کار کردن با داده‌های غیر متوازن (Imbalance) - قسمت سوم
18:42
جلسه :
طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت اول
37:41
جلسه :
طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت دوم
28:45
جلسه :
طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت سوم
23:43
جلسه :
طبقه بندی تصاویر رنگی با استفاده از تکنیک‌های پردازش تصویر - قسمت چهارم
29:36
جلسه :
تحلیل و پیش‌بینی سری زمانی با استفاده از SARIMAX - قسمت اول
50:28
جلسه :
تحلیل و پیش‌بینی سری زمانی با استفاده از SARIMAX - قسمت دوم
30:46
جلسه :
معرفی کتابخانه‌ی Prophet برای پیش‌بینی سری‌های زمانی
21:24
جلسه :
جمع بندی فصل + مباحث تکمیلی ارائه شده در آینده
09:43
بررسی روش‌های خوشه‌بندی و روش‌های ارزیابی
جلسه :
آشنایی با خوشه بندی (Clustering) و کاربردهای آن
26:37
جلسه :
معرفی الگوریتم KMeans و DBSCAN برای خوشه بندی داده‌ها
18:04
جلسه :
خوشه‌بندی بر اساس مدل RFM بر روی مشتریان فروشگاه اینترنتی - قسمت اول
32:51
جلسه :
خوشه‌بندی بر اساس مدل RFM بر روی مشتریان فروشگاه اینترنتی - قسمت دوم
29:30
جلسه :
خوشه‌بندی، معیار WCSS و تکنیک Elbow
17:18
جلسه :
بررسی روش Silhouette و الگوریتم DBSCAN
21:44
جلسه :
تقسیم‌بندی تصاویر (Image Segmentation) با استفاده از الگوریتم‌های خوشه‌بندی - قسمت اول
29:51
جلسه :
تقسیم‌بندی تصاویر (Image Segmentation) با استفاده از الگوریتم‌های خوشه‌بندی - قسمت دوم
29:20
جلسه :
تقسیم‌بندی تصاویر (Image Segmentation) با استفاده از الگوریتم‌های خوشه‌بندی (Spectral Clustering) - قسمت سوم
26:50
جلسه :
تقسیم‌بندی تصاویر (Image Segmentation) با استفاده از الگوریتم‌های خوشه‌بندی (MeanShift) - قسمت چهارم
39:10
جلسه :
خوشه بندی بر روی متون (Text Clustering) - قسمت اول
33:09
جلسه :
خوشه بندی بر روی متون (Text Clustering) - قسمت دوم
30:21
جلسه :
تشخیص داده‌های پرت (Outlier Detection) - قسمت اول - الگوریتم LOF
32:23
جلسه :
تشخیص داده‌های پرت (Outlier Detection) - قسمت دوم - الگوریتم LOF
14:48
جلسه :
تشخیص داده‌های پرت (Outlier Detection) - قسمت سوم - الگوریتم‌های ABOD و IsolationForest
28:37
جلسه :
تشخیص داده‌های پرت (Outlier Detection) - قسمت چهارم
14:23
جلسه :
جمع بندی فصل + مباحث تکمیلی ارائه شده در آینده
11:11
آشنایی با مفاهیم، کتابخانه‌ها و متدهای شبکه عصبی و یادگیری عمیق
جلسه :
آشنایی با شبکه‌های عصبی و پرسپترون
34:59
جلسه :
پیاده‌سازی یک شبکه‌ی ساده عصبی با پایتون
30:16
جلسه :
آشنایی با چهارچوب تنسرفلو (tensorflow) و کراس (keras)
23:16
جلسه :
پیاده‌سازی طبقه‌بندی تصاویر با تنسرفلو (tensorflow) و کراس (keras) - قسمت اول
40:47
جلسه :
پیاده‌سازی طبقه‌بندی تصاویر با تنسرفلو (tensorflow) و کراس (keras) - قسمت دوم
30:45
جلسه :
پیاده‌سازی شبکه‌های عصبی برای حل مسئله‌ی تشخیص بیماری قلبی عروقی با تنسرفلو و کراس
32:57
جلسه :
شبکه‌های عصبی کانولوشن (CNN) و مدل عمیق یادگیری
37:56
جلسه :
پیاده‌سازی یادگیری عمیق کانولوشنی (CNN) برای طبقه بندی تصاویر - قسمت اول
34:47
جلسه :
پیاده‌سازی یادگیری عمیق کانولوشنی (CNN) برای طبقه بندی تصاویر - قسمت دوم
20:31
جلسه :
پیاده‌سازی شبکه‌های عصبی کانولوشنی (CNN) و استفاده از تکنیک dropout
23:36
جلسه :
آشنایی با انواع توابع فعال‌سازی (activation functions)
28:18
جلسه :
کار با داده‌های حجیم در یادگیری عمیق - قسمت اول
32:05
جلسه :
کار با داده‌های حجیم در یادگیری عمیق - قسمت دوم (افزایش داده‌ها و ساخت داده‌ی مصنوعی)
34:20
جلسه :
مسئله‌ی شناخت بیماری از روی تصاویر xray قفسه سینه و کار با داده‌های نامتوازن در یادگیری عمیق - قسمت اول
34:45
جلسه :
مسئله‌ی شناخت بیماری از روی تصاویر xray قفسه سینه و کار با داده‌های نامتوازن در یادگیری عمیق - قسمت دوم
26:39
جلسه :
آشنایی با مدل‌های معروف یادگیری عمیق کانولوشنی در حل مسائل
35:34
جلسه :
پیاده‌سازی مدل ResNet و مدل پیش یادگیری شده در یادگیری عمیق با Tensorflow و Keras
27:09
جلسه :
پیاده‌سازی Resnet برای تشخیص تصاویر از وبکم لپتاپ
19:46
جلسه :
کار بر روی داده‌های متنی (تحلیل احساس) با شبکه‌های عصبی عمیق کانولوشنی -قسمت اول
28:52
جلسه :
کار بر روی داده‌های متنی (تحلیل احساس) با شبکه‌های عصبی عمیق کانولوشنی - قسمت دوم (تعریف کانولوشن یک بُعدی و word embedding)
32:32
جلسه :
کار بر روی داده‌های متنی (تحلیل احساس) با شبکه‌های عصبی عمیق کانولوشنی - قسمت سوم (تعریف کانولوشن یک بُعدی و word embedding)
32:30
جلسه :
شبکه‌های عصبی عمیق چند کاناله (حل مسئله‌ی تحلیل احساس متن)
21:05
جلسه :
شبکه‌های عصبی عمیق چندکاناله با ورودی چندگانه - قسمت اول
36:31
جلسه :
شبکه‌های عصبی عمیق چندکاناله با ورودی چندگانه - قسمت دوم
38:05
جلسه :
شبکه‌های عصبی عمیق چندکاناله با ورودی چندگانه - قسمت سوم
27:13
جلسه :
جمع بندی فصل + مباحث تکمیلی ارائه شده در آینده
09:55
در این سرفصل مباحث تکمیلی و پیشرفته در یادگیری عمیق را با هم مرور و پیاده‌سازی می‌کنیم
جلسه :
شبکه‌های عصبی بازگشتی (RNN)
20:41
جلسه :
پیش‌بینی داده‌های بورس با استفاده از شبکه‌های عصبی ساده بازگشتی (simple RNN)
21:18
جلسه :
پیاده‌سازی شبکه‌های عصبی بازگشتی (RNN) در تنسورفلو و کراس
33:56
جلسه :
شبکه‌های عصبی LSTM و GRU و معماری‌های مختلف شبکه‌های عصبی بازگشتی
22:09
جلسه :
پیش‌بینی خرید/فروش رمزارز با شبکه‌های عصبی بازگشتی - قسمت اول
36:16
جلسه :
پیش‌بینی خرید/فروش رمزارز با شبکه‌های عصبی بازگشتی - قسمت دوم
30:44
جلسه :
پیش‌بینی خرید/فروش رمزارز با شبکه‌های عصبی بازگشتی - قسمت سوم
20:17
جلسه :
پیش‌بینی خرید/فروش رمزارز با شبکه‌های عصبی بازگشتی - قسمت چهارم (شبکه‌های عصبی بازگشتی multi state)
20:59
جلسه :
یادگیری انتقالی (Transfer Learning) - قسمت اول
37:57
جلسه :
یادگیری انتقالی (Transfer Learning) - قسمت دوم
32:25
جلسه :
یادگیری انتقالی (Transfer learning) - قسمت سوم
16:54
جلسه :
یادگیری انتقالی (Transfer Learning) - قسمت چهارم
18:57
جلسه :
ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت اول (web scraping)
21:36
جلسه :
ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت دوم
31:57
جلسه :
ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت سوم
32:56
جلسه :
ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت چهارم
21:06
جلسه :
ساخت الگوریتم تولید شعر با شبکه‌های عصبی عمیق - قسمت پنجم
25:52
جلسه :
سیستم ترجمه‌ی ماشینی ساده با الگوریتم یادگیری عمیق بازگشتی - قسمت اول (مدل sequence2sequenc)
30:17
جلسه :
سیستم ترجمه‌ی ماشینی ساده با الگوریتم یادگیری عمیق بازگشتی - قسمت دوم
33:02
جلسه :
سیستم ترجمه‌ی ماشینی ساده با الگوریتم یادگیری عمیق بازگشتی - قسمت سوم
12:21
جلسه :
طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت اول
33:19
جلسه :
طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت دوم
24:29
جلسه :
طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت سوم
30:47
جلسه :
طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت چهارم
26:47
جلسه :
طراحی سیستم ترجمه‌ی ماشینی کامل با شبکه‌های Attention Network - قسمت پنجم
24:42
آشنایی با یادگیری تقویتی و سایر مسائل کاربردی
جلسه :
مقدمه‌ای در مورد یادگیری تقویتی (Reinforcement Learning)
19:09
جلسه :
حل مسئله‌ی تاکسی خودران با یادگیری تقویتی - قسمت اول
28:19
جلسه :
حل مسئله‌ی تاکسی خودران با یادگیری تقویتی - قسمت دوم
21:07
جلسه :
حل مسئله‌ی تاکسی خودران با یادگیری تقویتی - قسمت سوم
30:55
جلسه :
حل مسئله‌ی تاکسی خودران با یادگیری تقویتی - قسمت چهارم
17:29
جلسه :
یادگیری تقویتی عمیق (Deep Reinforcement Learning) و شبکه‌های DDQN - قسمت اول
26:39
جلسه :
یادگیری تقویتی عمیق (Deep Reinforcement Learning) و شبکه‌های DDQN - قسمت دوم
30:35
جلسه :
یادگیری تقویتی عمیق (Deep Reinforcement Learning) و شبکه‌های DDQN - قسمت سوم
27:24
جلسه :
یادگیری تقویتی عمیق (Deep Reinforcement Learning) و شبکه‌های DDQN - قسمت چهارم
12:39
آزمون :
آزمون پایانی فصل
تمرین :
تمرین پایانی فصل
در این سرفصل که برای تمامی دانشجویان دوره باز شده است، پروژه‌های تکمیلی و ویدیوهایی که به تکمیل و تعمیق مباحث دوره کمک می‌کند را قرار می‌دهیم
جلسه :
پیش‌بینی رمز ارزها با استفاده از شبکه‌های عصبی LSTM و ساکن‌سازی - قسمت اول
28:53
جلسه :
پیش‌بینی رمز ارزها با استفاده از شبکه‌های عصبی LSTM و ساکن‌سازی - قسمت دوم
29:36
جلسه :
پیش‌بینی رمز ارزها با استفاده از شبکه‌های عصبی LSTM و ساکن‌سازی - قسمت سوم
25:09
جلسه :
پیش‌بینی رمز ارزها با استفاده از شبکه‌های عصبی LSTM بدون ساکن‌سازی - قسمت چهارم
25:26
اشتغال و درآمدزایی
دانشجویان سابق متخصص سون لرن کجا استخدام شدند؟
کسانی که در دوره های متخصص سون لرن شرکت می کنند با هدف رسیدن به اشتغال و درآمدزایی و یا ارتقای شغلی آن را انتخاب می کنند. سرفصل های دوره های متخصص سون لرن مهمترین مباحثی هستند که در بازار کار نیاز به آنها دارید و کاملا مهارت محور هستند. به همین خاطر تمامی مباحث به صورت عملی و همراه با انجام پروژه آموزش داده می شود تا شما بتوانید به نحو احسن با آن حوزه آشنا شوید. بسیاری از دانشجویان دوره های متخصص سون لرن با ثبت نام در این دوره ها در مطرح ترین شرکت های حوزه IT ایران استخدام شده اند و یا ارتقای شغلی گرفته اند. لیست برخی از شرکت هایی که دانشجویان سون لرن در آنجا استخدام شده اند و یا برای ارتقای شغلی استفاده کرده اند را مشاهده می کنید:
مدرس دوره
سوالات متداول
شرکت در این دوره‌ها نوعی سرمایه‌گذاری برای آینده محسوب می‌شود زیرا شما یادگیری را جامع و پروژه‌محور تجربه می‌کنید و البته مانند بسیاری از دوره‌های دیگر که دانشجو باید مباحث را به‌تنهایی پیش ببرد، در این مسیر تنها نیستید. بلکه قرار است علاوه‌بر آموختن مطالب، با انجام تمرین‌ها و آزمون‌های مختلف یادگیری خود را محک بزنید. اساتید سون‌لرن تجربه همکاری با کسب‌وکارهای مختلف را دارند و از تقاضای بازار کار و مباحث ترند حوزه خود آگاهی داشته و به‌روزترین مطالب را به شما ارائه می‌دهند. علاوه‌بر این امکان ارزیابی فنی و رتبه‌بندی دانشجویان در سیستم امتیازدهی آکادمی، امکان شرکت در رقابت‌ها و البته پیدا کردن شغل را برای شما راحت‌تر خواهد کرد.
سالانه شرکت‌های زیادی از سون‌لرن تقاضای معرفی نیروی متخصص و متعهد را دارند که این معرفی براساس دانشجویان برتر هر دوره انجام می‌شود. علاوه‌بر این بسیاری از دانشجویان پس از اتمام دوره در مصاحبه‌های شغلی شرکت کرده و موفق به استخدام می‌شوند. همچنین می‌توانید به‌عنوان فریلنسر مشعول به کار شده و از هرجای ایران و جهان پروژه دریافت کنید. بسیاری از دانشجویان پس از اشتغال و در ماه‌های اولیه توانسته‌اند درآمدی معادل با هزینه دوره و یا بیشتر از آن را کسب کنند.
بله. دوره‌های متخصص تا ۱ سال پس از خرید پشتیبانی دارند و همچنین در صورت استخدام شما، در 1 ماه ابتدایی شروع کارتان هم از سون لرن پشتیبانی ویژه دریافت خواهید کرد. شما می‌توانید سوالات خود را در سیستم پرسش و پاسخ سون‌لرن ثبت کنید و از بازخورد منتورها، مدرسان و سایر دانشجویان بهره‌مند شوید.
سيستم امتيازدهي در آكادمي سون لرن بر مبناي xp انجام مي‌شود. در طول دوره به هر کدام از فعالیت‌های دانشجویان مانند مشاهده ویدیوی کلاس‌ها، انجام تمرین‌ها، میزان مشارکت در پاسخگویی به سوالات سایر افراد، میزان انجام پروژه‌ها، آزمون‌ها و غیره امتیازی در واحد xp تعلق می‌گیرد و دانشجویان طبق بیشترین xp دریافتی رتبه‌بندی می‌شوند. در پایان دوره دانشجویانی که امتیاز بیشتری به‌دست آورده‌اند به‌عنوان نفرات برتر دوره شناخته می‌شوند.
بر اساس تجربیات ما در دوره‌های قبل، دانشجویانی که وقت و تلاش خود را بر روی مطالب دوره متمرکز می‌کنند قبل از پایان رسمی دوره هم در شرکت‌های فعال حوزه IT مشغول به فعالیت خواهند شد و نیازی به بررسی امتیاز های XP ندارند. تلاش ما هم بر همین اساس است که دانشجویان فعال را هر چه سریع‌تر به بازار کار معرفی کنیم اما در انتهای کار، شاخص رتبه‌بندی میزان XP کسب شده در طی دوره و آزمون‌های ارزیابی خواهد بود. پس از بررسی وضعیت دانشجویان، افراد برتر به شرکت‌های متقاضی نیرو معرفی خواهند شد.
اگر قصد مهاجرت شغلی دارید حتما می‌دانید که در همکاری با کمپانی‌های خارج از کشور تخصص و مهارت شما حرف اول را می‌زند. چنین دوره جامعی می‌تواند به شما در تقویت و تثبیت مهارت‌های خود کمک زیادی بکند و فرصت‌های زیادی برای شما به ارمغان بیاورد. اگر قصد مهاجرت تحصیلی دارید داشتن مهارت برنامه‌نویسی علاوه‌بر کاربرد آن در دروس تحصیلی، برای همکاری بیشتر با دپارتمان و اساتید و حتی کار پاره‌وقت به شما کمک زیادی می‌کند. علاوه‌بر این در محیطی که پر از فرصت و البته رقابت فشرده است نیازی به صرف وقت برای آموزش نیست بلکه می‌توانید بلافاصله از موقعیت‌های پیش‌آمده استقبال کنید. عالی نیست؟
مهارت برنامه‌نویسی در سراسر جهان به‌عنوان یک مهارت امن شناخته می‌شود. به این معنی که وابسته به مکان و زمان خاصی نیست و به همین دلیل جایگاه پررنگی در دنیای فریلنسینگ پیدا کرده است. سون‌لرن نیز تلاش می‌کند تا جای ممکن راهنمایی‌های لازم را در اختیار شما قرار دهد تا آگاهانه و هدف‌مند وارد این مسیر شوید.
بله. تا ۱ ماه پس از ثبت‌نام امکان انصراف و بازگشت کامل وجه برای دانشجویان وجود دارد البته در صورتی‌که حداکثر از 25% محتوای دوره استفاده کرده باشند. بازگشت وجه مخصوص عزیزانی است که دوره را به شکل جامع خریداری کرده‌اند و در خرید سرفصلی امکان انصراف و بازگشت وجه وجود ندارد.
شما در این دوره تنها دریافت‌کننده مطالب آموزشی نیستید و برعکس بسیاری از دوره‌های آموزشی رایج، ما در پلتفرم آکادمی با پیگیری وضعیت دانشجو، ارزیابی فنی، تمرین و پروژه برای تحقق یک روند آموزشی پربار تلاش می‌کنیم. امکانات ویژه این دوره به شما کمک می‌کنند تا برنامه‌نویسی را به‌خوبی و سریع‌تر یاد گرفته و با بهره‌مندی از یک آموزش چندوجهی و منسجم، بیش از چیزی که فکر می‌کنید در هزینه‌های زمانی و حتی مالی خود صرفه‌جویی کنید.
ترجیح منتورهای سون‌لرن این است که دانشجویان مطالب را در پلتفرم آکادمی دنبال کنند تا امکان نظارت و ارزیابی روند پیشرفت آنها وجود داشته باشد. این پیگیری وضعیت در راستای حفظ منافع دانشجو از دوره و بهبود نتیجه یادگیری او در پایان دوره است. درصورت درخواست وی، راهنمایی‌های لازم برای دریافت ویدئوی کلاس‌ها نیز صورت می‌گیرد.
مشاوره رایگان تلفنی
درخواست شما با موفقیت ثبت شد
شماره تماس وارد شده معتبر نیست