Applied Machine Learning ( Conventional and Deep Learning ) With Python

 

تاریخ برگزاری کلاس: ۱۳۹۶/۳/۲۶
جمعه ها

رزومه استاد


دکتر مهدی حبیب زاده


 دکتر نیما فرجیان

طول دوره: ۴۴ساعت
استاد دوره: دکتر مهدی حبیب زاده
دکتر نیما فرجیان
ساعت شروع و پایان: ۱۳:۰۰ الی ۱۷:۰۰
هزینه ثبت نام: ۱میلیون تومان
(پرداختی در دوقسط، قسط اول قبل ازشروع کلاس 50% قسط دوم حداکثر تا جلسه 4ام 50% باقی مانده)
هزینه دانشجویی با ارائه کارت معتبر:

۸۰۰ هزار تومان
(پرداختی در دوقسط، قسط اول قبل ازشروع کلاس 50% قسط دوم حداکثر تا جلسه 4ام 50% باقی مانده)
مکان: آموزشگاه گروه علمی داج در غرب تهران

نحوه پرداخت:

خواهشمند است وجوه ثبت نام را به شماره کارت

5892-1011-2844-8236

احمد مرادی جوکار واریز نموده و تصویر فیش را در فرم ثبت نام قطعی وارد نمایید.


برای ثبت نام کلیک نمایید.

خلاصه :

یادگیری ماشین شاخه ای از علم هوش مصنوعی می باشد که در ان تلاش می شود تا کامپیوترها بدون اینکه بطور صریح برنامه ریزی شوند، قابلیت یادگیری داشته باشند. یادگیری ماشین امروزه رشد بسیار چشم گیری در حیطه تحقیقات دانشگاهی و صنعت دارد و بسیاری از پروژه های بزرگ در صنعت فناوری اطلاعات و حتی سایر صنایع از یادگیری ماشین جهت توسعه و ایجاد نرم افزارها و سخت افزارهای هوشمند استفاده می کنند.

پایتون زبان برنامه نویسی رو به رشدی  است که امروزه در علوم و کاربردهای مختلف نفوذ پیدا کرده و بسیار از سیستم های کلان آنالیز داده و تجزیه و تحلیل سیستم ها بر اساس ان طرح ریزی و دنبال می شوند. پایتون  به دلیل سادگی و کارایی فوق العاده در اولین انتخاب های برنامه نویسان و به خصوص پروژه های کلان قرار می گیرد . هسته مرکزی پایتون همراه با کتابخانه های مختلفی که هر روزه به صورت اکثریت رایگان در اختیار کاربران قرار می گیرند قدرت فوق العاده به کاربران در صنایع مختلف می دهد .

امروزه پایتون به علت وجود کتابخانه های فراوان و موثر، یک انتخاب بسیار مناسب جهت انجام پروژه های تجاری بزرگ یادگیری ماشین می باشد. در این دوره سعی بر آن است که مباحث یادگیری ماشین به صورت تئوری و عملی (برنامه نویسی پایتون) با ارائه مثال های کاربردی مورد بحث و بررسی قرار گیرد. این دوره به دوستانی که پروژه های نسبتا متوسط به بالای یادگیری ماشین را در نظر دارند توصیه می گردد.

مدت دوره: 44 ساعت

پيش نياز:  اشنایی با مفاهیم اولیه برنامه نویسی -ریاضیات پایه و امار - علاقه مند به یادگیری مباحث روز فن اوری در علوم رایانه   

مخاطب: علاقه مندان علوم مختلف رایانه علوم ریاضیات کاربردی- ( ترجیحا کارشناسی ارشد )

اهداف دوره: اشنایی با مفاهیم کاربردی یادگیری ماشین و زبان مفسری پایتون با هدایت کاربر به سمت تحلیل بهتر داده و داده های عظیم

در انتهای اين دوره دانشجويان قادر خواهند بود:

با تسلط بر مباحث تئوری حوزه یادگیری ماشین به تحلیل و انالیز دیتا پرداخته و با زبانی بسیار توانمند که امکان بسط و توسعه و کاربرد ان در علوم مختلف میسر است، پروژه های کاربردی مختلف را پیاده سازی نمایند.

مدرسین دوره:

مهدی (نیما) حبیب زاده دکتری علوم رایانه ( هوش مصنوعی) دانشگاه کنکوردیا مونترال کانادا

Email : این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید    Telegram ID : @NimaH1980

نیما فرجیان دانشجوی دکتری علوم رایانه ( هوش مصنوعی) دانشگاه کاشان 

سرفصل دوره:

·         Python Programming Language

o   A brief Introduction and Features

o   Installing Python (Python Kernel, Anaconda)

o   PyCharm - Interactive JetBrain GUI to Explore Data.

o   Introduction to Principle Components (Data Types, Input /Print, Class and object, …)

·         Applied Statics and Probability (in Python)

o   Understanding and Visualization

o   Missing values, Outliers values, ….

o   Data Reduction and Variable Selection

o   Relevance and Redundancy

o   Regression modeling 

·         Applied Conventional Machine Learning (in Python)

o   Essential Data Science Libraries

§  NumPy - Numeric Computation

§  Pandas - Data structures and Exploratory Analysis.

§  Matplotlib - Plotting and Visualization Tool

§  SciPy   - Extends NumPy with more Mathematical Functionality

o   Clustering (K-Means,…)

o   Association Rule Mining (Apriori) and Recommendation Systems

o   Classification

§  Linear Regression

§  Logistic Regression

§  Decision Tree

§  Random Forest

§  Support Vector Machines (SVM)

§  Naive Bayes

§  K-Nearest Neighbors (KNN)

·         Classification Model Evaluation (in Python)

§  Misclassification Cost

§  Confusion Matrix Factors

§  ROC and AUC Analysis

§  Probabilistic Performance Measures

§  Hold-out, Cross-Validation

§  Leave-one-out

§  Bootstrapping

·         Applied Deep Learning (in Python)

o   Introduction to Neural Network

o   Introduction to Deep Learning (Different sub-classes)

o   TensorFlow Introduction (TF Learn, TF-Slim, …)

o   Keras Introduction (A given Example)

o   GPU Programming (CUDA)

o   Softmax Implementation

o   Autoencoder Implementation

o   Convolutional Neural Networks (CNN) Implementation

منابع درسی:

Tutorial webpage:

·         https://www.python.org/downloads/

·         https://www.continuum.io/downloads

·         https://www.jetbrains.com/pycharm/download/#section=windows

·         http://www.tutorialspoint.com/python3

·         https://github.com/pierrelux/notebooks/blob/master/comp598-fall2015.ipynb

·         https://www.tensorflow.org/

·         http://scikit-learn.org/stable/

·         http://www.deeplearningbook.org/

·         http://deeplearning.net/

·         http://personal.disco.unimib.it/Vanneschi/McGrawHill_-_Machine_Learning_-Tom_Mitchell.pdf

·         http://www.cs.cmu.edu/~ninamf/courses/601sp15/lectures.shtml

·         http://lasa.epfl.ch/teaching/lectures/ML_Msc/

·         http://www.cs.mcgill.ca/~jpineau/comp598/schedule.html

·         http://www.asimovinstitute.org/neural-network-zoo/

·         https://bigdatauniversity.com/courses/deep-learning-tensorflow

·         https://www.analyticsvidhya.com/blog/2015/08/common-machine-learning-algorithms/

E- Book:

·         Micha Gorelick and Ian Ozsvald, High Performance Python, O’Reilly Media, Inc. 2014

·         Michael T. Goodrich, Roberto Tamassia, Michael H. Goldwasser, Data Structures and Algorithms in Python, John Wiley & Sons, Inc.2013

·         Robert Layton, Learning Data Mining with Python, Packt Publishing. 2015

·         Zachary Radtka and Donald Miner, Hadoop with Python, O’Reilly Media, Inc. 2016

·         Joe Minichino, Joseph Howse, Learning OpenCV3 Computer Vision with Python Second Edition, Packt Publishing, 2015

·         Jason Brownlee, Deep Learning with Python Develop Deep Learning Models On Theano and TensorFlow Using Keras, Machine Learning Mastery, 2016

·         Paweł Cichosz, Data Mining Algorithms: Explained Using R, John Wiley & Sons, Ltd, 2015

·         John Paul Mueller and Luca Massaron, Machine Learning for Dummies, John Wiley & Sons, 2016

برای ثبت نام کلیک نمایید.