کاور
"دوره جامع علم داده" در تاریخ سه‌شنبه ۲۴ خرداد ۱۴۰۱ ساعت ۲۲:۰۰ به پایان رسیده است.
جزئیات
مهلت ثبت‌نام
قیمت (تومان)
تعداد
ثبت نام دوره جامع علم داده
-
۲,۰۰۰,۰۰۰ تومان
اتمام ظرفیت اتاق
ثبت نام دانشجویی دوره علم داده
-
۱,۸۰۰,۰۰۰ تومان
اتمام ظرفیت اتاق
ثبت نام دانشجویان خواجه نصیر دوره علم داده
-
۱,۵۰۰,۰۰۰ تومان
اتمام ظرفیت اتاق
پرداخت قسط اول دوره علم داده
بلیت قسطی دوره علم داده برای هر سه گروه دارای مبلغ 2.200.000 تومان می باشد که پرداخت قسط اول آن 500.000 تومان است، همچنین 600.000 تومان دیگر قبل از شروع دوره باید پرداخت گردد.
مابقی مبلغ دوره بعد از جلسه 7 ام اخذ می گردد.
-
۵۰۰,۰۰۰ تومان
اتمام ظرفیت اتاق

دوره جامع علم داده

دوره جامع علم داده به مدت 110 ساعت بصورت کاملا مقدماتی و از مباحث ابتدایی تا مباحث پیشرفته ماشین لرنینگ و داده کاوی تدریس می گردد.

زمان برگزاری دوره روزهای یکشنبه و سه شنبه از ساعت 18 الی 22 است.

شروع دوره: 1 اسفند 1400

مدرس دوره: جناب آقای دکتر کاویانی

برگزار کننده: گروه بازل، انجمن علمی مهندسی صنایع دانشگاه خواجه نصیر، شاخه مهندسی صنایع انجمن دانش آموختگان دانشگاه خواجه نصیر

رزومه مدرس دوره

مدیر فنی پروژه فضای ذخیره سازی ابری مدیر فنی پروژه ویدیو استریمینگ در شرکت فناوری ابری پارس پک

بنیان گذار پروژه آموزشی چیستیو(chistio.ir)

مدرس جهاد دانشگاهی صنعتی شریف

مدرس آکادمی سون لرن

مدرس داروسازی دکتر عبیدی

مشاور شرکت نرم افزاری نگاره (همکار بیمه سامان)

مدیریت سابق واحد داده کاوی و برنامه نویس سمت سرور سامانه هوشمند خبر فارسی

برنامه نویس سمت سرور و برنامه نویس سیستم های هوش مصنوعی و داده کاوی سابق شرکت فناوری اطلاعات ثانیه

کسب مدال کارآفرینی از شرکت گوگل برای استارت آپ جیب بین، در هفته جهانی استارت آپ 1392

کاربر برتر ماه وب سایت StackOverflow.com در بخش داده کاوی - Data Mining 1395

کسب مقام اول استارت آپ ویکند ایران، در هفته جهانی استارت آپ برای استارت آپ جیب بین 1392

مدرس و سخنران بیش از 20 دوره، وبینار و همایش در حوزه علم داده

كاتالوگ دوره

لينك كاتالوگ دوره جامع علم داده:

لینک کاتالوگ دوره

 

سرفصل های دوره

مقدمات داده کاوی، یادگیری ماشین و آموزش اوليه پایتون

  • شناخت داده، علم داده و کاربردهای آن در صنعت / تجارت / آموزش 
  • چند مطالعه ی موردی در حوزه ی کاربرد داده کاوی در صنعت  استارتاپ ها  بررسی زبان های برنامه نویس حوزه‌ی داده کاوی و یادگیری ماشین (پایتون، R، جاوا،Go،Scale،جاواسکریپت، سی پلاس پلاس)
  • تکنولوژی مجازی سازی و داکر و کاربرد آن در حوزه ی علوم داده 
  • آشنایی با متدولوژی CRISP در پیاده سازی پروژه های داده کاوی

نصب و پیاده سازی محیط عملیاتی

  • آشنایی با ورژن های مختلف زبان پایتون و نسخهی پایتون آناکوندا
  • نصب پایتون آناکوندا در لینوکس یا ویندوز به همراه نصب مجازی ساز برای لینوکس 
  • آشنایی با ژوپیتر نوتبوک و استفاده از آن برای برنامه نویسی با زبان پایتون 
  • نصب و ایجاد محیط اولیه برای کار با پایتون 
  • آموزش نصب كتابخانه های مختلف بر روی پایتون 
  • نحوه ی ساخت و کار با محیط های مختلف پایتون و اجرای چند محیط مجزا در کنار هم
  • آشنایی و معرفی زبان R و نرم افزار R Studio
  • آشنایی با متدولوي CRISP در پیاده سازی پروژه های داده کاوی

مفاهیم پایه جبرخطی و فضای چند بعدی

  • مفهوم ویژگی (Feature)، بعد (Dimension) و ماتریس (Matrix) و نحوه‌ی درک ابعاد در جبر خطی 
  •  تصویر سازی مسئله ی تبدیل تصویر به ماتریس در فضای جبرخطی 
  • تبدیل فضای طبقه‌ای (Categorical) به فضای چند بعدی با استفاده از OHE 
  • تصویر سازی مسئله ی تبدیل متن به ماتریس در فضای جبرخطی 
  • آشنایی با کتابخانه ی  Pandas و خواندن داده ها از فایل و تبدیل به فضای چند بعدی جبر خطی در پایتون
  • مباحث پیشرفته در كتابخانه ی Pandas و کاربرد آن در علم داده 
  • آشنایی با Numpy و استفاده از آن برای بردارسازی اعمال مرتبط با آرایه ها، ماتریس ها و جبر خطی 
  • مباحث پیشرفته در كتابخانه ی Numpy و کاربرد آن در علم داده

نمایش داده ها

  • آشنایی با نمودارهای پایه ( Historgram, Bar, Pie, Line, Fowو...) و کاربر هر یک از آن ها 
  • آشنایی با کتابخانه ی Matplotlib و سازگاری آن با کتابخانه ی Pandas برای مصورسازی داده ها 
  • آشنایی با کتابخانه ی Bokeh و D3JS برای ایجاد یک داشبورد مدیریتی 
  • ساخت یک داشبورد مدیریت با استفاده از Bokeh Server و ایجاد یک وب سایت 
  • تركیب كتابخانه ی Bokeh با داکر برای ساخت یک وب سایت جهت نمایش داشبورد مدیریتی

 تست های آماری و تست های فرضیه

  • روش انجام تست های آماری و کاربردهای آن ها 
  • آشنایی با کتابخانه ی Statsmodel  و کاربردهای آن در چند مطالعه موردی درباره ی تست های آماری و تست های فرضیه در کسب و کارها
  • تفاوت تست های آماری مختلف (T-Test، One Sample، (Two Sampleبررسی مقدار P-Value و کاربرد آن در تست‌های آماری
  • آشنایی با توزیع های مختلف آماری (گوشی، برنولی، طبقه ای، دریکله، پواسون، نمایی و...) و کاربرد هر یک
  • آشنایی با روش های بررسی یک توزیع با توزیع های دیگر (KL Divergence، Jenson Shannon و...) و کاربر روی یک مجموعه

انبار داده و ساخت مکعب داده

  • تفاوت انواع پردازش برخط داده ها (OLTP و OLAP ) همراه با مثال 
  •  آشنایی با انواع مکعب داده در OLAP ،Star Schme، SnowFlake صور فلکی و...
  • آشنایی با اعمال Drill Down و Roll Up در داشبوردهای مدیریتی

پیش پردازش داده ها و آماده سازی آنها برای طبقه بندی خوشه بندی

  • آشنایی با چهارچوب Scikit-learn و اکوسیستم آن در داده کاوی 
  •  روش های مختلف پیش پردازش داده ها 
  • نرمال سازی داده ها Normalization))
  • روش عددی سازی داده ها و کار با انواع داده ها به صورت ماتریس 
  • کار با داده های Null و از بین بردن آنها • آزمون: پیش پردازش داده ها 
  •  روش ذخیره سازی مدل و متغیرهای پایتون در هارد دیسک و استفاده ی مجدد آن ها

طبقه بندی و رگرسیون

  • آشنایی با مسئله ی طبقه بندی  (Classification) و رگرسیون و روش ابزارScikit-learn
  • بررسی مجموعه ی داده های iris و MNIST برای طبقه بندی و Boston Housing برای رگرسیون
  • بررسی الگوریتم پایه ی طبقه بندی KNN و نسخه های بهبود یافته ی آن
  • بررسی الگوریتم پایه ی طبقه بندی SVM و روش Kernel در بهبود طبقه بندی توسط آن 
  • بررسی الگوریتم Decision Tree و انواع مختلف آن 
  •  آشنایی با روش های ترکیبی (Ensemble) در داده کاوی و الگوریتم های RandomForest وExtraTree Classifier
  •  آشنایی با روش طبقه بند مبتنی بر رای گیری و مثال کاربردی آن
  • روش های صحت سنجی و اعتبارسنجی یک الگوریتم 
  •  بررسی ماتریس پیچیدکی (Confusion Matrix)و معیارهای مختلف سنجش دقت یک الگوریتم (F1 Precision، Recall و...) 
  • آشنایی با روش جستجوی مشبکGrid Search) )و استفاده از آن برای پیدا کردن بهترین الگوریتم و بهترین پارامترها 
  •  آشنایی با روش جستجوی هوشمند ژنتیک برای بهینه سازی پارامترها
  • روشK-Fold و Leave One Out برای بررسی کیفیت یک الگوریتم بر روی یک مجموعه ی داده 
  • بررسی ساختار الگوریتم XGBoost و حل مثال کاربردی با استفاده از آن 
  • بررسی ساختار الگوریتم CatBoost و روش استفاده و حل مسائل طبقه بندی و رگرسیون با آن

مباحث تکمیلی طبقه بندی

  • کار با داده های غیر متوازن و روش های متوازن سازی داده ها 
  • روش ها و الگوریتم های مختلف کاهش ابعاد 
  • كتابخانه ی Dask و کار با داده هایی که در حافظه ی اصلیRAM جای نمی‌گیرند .
  • مباحث پیشرفته و کاربرد Dask بر روی مجموعه های داده ی بزرگ 
  • آشنایی با سری های زمانی و پیش بینی سری زمانی با کتابخانه و روش SARIMA
  • پیش بینی سری زمانی با استفاده از کتابخانه ی Facebook Prophet
  •  الگوریتم های مختلف برای تشخیص داده های پرت و استفاده از کتابخانه ی
  • Scikit-learn و PyOD 
  • آموزش توزیع داده ها با Apache Spark و كتابخانه Spark
  • آموزش طبقه بندی داده ها با استفاده از کتابخانه Apache Spark به صورت توزیع شده 
  •  آموزش متن کاوی با استفاده از کتابخانه ی Gensim و مدل کردن داده‌ها 

خوشه بندی و الگوریتم های مختلف آن

  • بررسی یک مطالعه ی موردی در حوزه ی خوشه بندی
  •  الگوریتم خوشه بندی K-Means و مثال کاربردی 
  •  الگوریتم های مبتنی بر غلظت DBSCAN و OPTICS
  •  الگوریتم سلسله مراتبی Hierarchical Clustering 
  • الگوریتم خوشه بندی طیفی Spectral Clustering 
  • بررسی روش های ارزیابی خوشه بندی و معیارهای کیفی آن 
  •  خوشه بندی تصاویر و استفاده از آن برای تفکیک و گروه بندی تصاویر مختلف 
  •  خوشه بندی اخبار متنی با استفاده از روش ها و الگوریتم های خوشه بندی

شبکه های عصبی و یادگیری عمیق

  • معماری شبکه های عصبى ((Neural Networksو نحوه ی یادگیری توسط آن‌ها 
  •  پیاده سازی یک شبکه ی عصبی بر روی مجموعه ی داده های کاربردی 
  •  یادگیری عمیق (Deep Learning) و مبانی آن 
  •  توابع فعال سازی ( Activation Functions) مختلف (Sigmoid، Relu، Tanh ...) و کاربرد آنها 
  •  استفاده از انواع لایه ها (Dense، Dropoutو...) در شبکه های عصبی و کاربرد آن ها 
  • آشنایی با Tensorflow و Keras و نحوه ی اجرای محاسبات در آن ها 
  • پیاده سازی شبکه های عصبی عمیق Convolution و طبقه بندی 
  • شبکه های عصبی عمیق بازگشتی Recurrent و کاربرد آن در پردازش متون و یا سری های زمانی 
  •  شبکه های عصبی عمیق بازگشتی با حافظه ی کوتاه و بلند LSTM برای پردازش متن یا پیش بینی داده ها زمانی و مانند بورس 
  • شبکه های عصبی مولد GAN و شبکه های عصبی مولد GAN Cyclic و کاربرد آن در تولید عکس های مشابه با رنگ آمیزی تصاویر سیاه و سفید
  • آموزش و ساخت یک ربات چت کننده ی خودکار با استفاده از شبکه های عصبی عمیق 
  • ساخت یک سیستم تشخیص خواب آلودگی راننده با OpenCV و شبکه های عصبی عمیق 
  • یک سیستم تشخیص  اشیا با استفاده از دوربین با استفاده از Tensorflow

یادگیری تقویت و شبکه های عصبی عمیق تقویتی

  • آموزش مبانی یادگیری تقویتی و نحوه تعامل عامل با محیط 
  • پیاده سازی یک مدل یادگیری تقویتی برای آموزش دادن به یک عامل در محیط 
  • تلفیق شبکه های عصبی و شبکه های عصبی عمیق با یادگیری تقویتی DQN و کاربرد آن 
  •  الگوریتم DDON و آموزش یک عامل برای بازی کردن خودکار با کامپیوتر

سخنرانان

دکتر مسعود کاویانی
دکتر مسعود کاویانی
مدرس دوره علم داده

برگزارکنندگان

گروه بازل
گروه بازل
انجمن علمی مهندسی صنایع دانشگاه خواجه نصیر
انجمن علمی مهندسی صنایع دانشگاه خواجه نصیر

زمان بندی

 

سوالات متداول

این رویداد پیش نیاز علمی خاصی ندارد و مباحث از صفر تدریس می گردد.
بله امکان پرداخت قسطی فراهم است و از طریق ایوند می توانید پرداخت مرحله اول را انجام دهید.
ویدیو دوره در قالب لینک ادوبی کانکت و با ماندگاری حداقل سه ماه، در اختیار شما قرار می گیرد.
بله در این دوره مدرک دو زبانه از سوی انجمن علمی مهندسی صنایع دانشگاه خواجه نصیر ارائه می گردد.
می توانید با آیدی @Buzzle_Support در تلگرام در ارتباط باشید.
۱۸۸۳
دنبال کننده
۲۸
کل رویدادها

بیشتر از ۸۰ نفر (۷۵%) این برگزارکننده را توصیه کرده‌اند.

رویدادهای زیر را به شما پیشنهاد می‌کنیم

پنج‌شنبه ۱۳ مرداد ۱۴۰۱ ساعت ۱۱:۰۰

شبیه‌سازی سیستمهای لجستیک با Enterprise Dynamics

  • آنلاین
  • از ۲۰۰,۰۰۰ تومان
  • دانشکده مهندسی صنایع دانشگاه صنعتی شریف
پنج‌شنبه ۲۳ تیر ۱۴۰۱ ساعت ۱۸:۰۰

دوره ی آنلاین آموزش پایتون برای علم داده

  • آنلاین
  • از ۱۵۰,۰۰۰ تومان
  • انجمن علمی مهندسی صنایع صنعتی اصفهان
جمعه ۳۱ تیر ۱۴۰۱ ساعت ۰۸:۳۰

دوره آنلاین هکر قانونمند CEHv11

  • آنلاین
  • ۱,۸۰۰,۰۰۰ تومان
  • مرکز تخصصی آپا دانشگاه رازی
چهارشنبه ۲۹ تیر ۱۴۰۱ ساعت ۱۰:۰۰

کنکاش مدیر پروژه حرفه ای

  • آنلاین
  • ۵,۱۲۵,۰۰۰ تومان
  • تجارت هوشمند هیراد (کارگزار معاونت علمی و صندوق نوآوری و شکوفایی)