×
مجموعه آموزش داده کاوی و یادگیری ماشین

مجموعه آموزش داده کاوی و یادگیری ماشین

مدت زمان آموز‌ش‌های این صفحه
۲۳۸ ساعت
تعداد آموز‌ش‌های این صفحه
۲۶ عنوان آموزشی
1

آموزش یادگیری ماشین (Machine Learning) با پایتون (Python)

امروزه، یادگیری ماشین در اکثر صنایع و کسب و کارها مورد استفاده قرار می گیرد و تصمیمات بسیار تأثیرگذار دنیای امروز بر اساس پردازش ها و نتایج به دست آمده از یادگیری ماشین است. همچنین زبان برنامه نویسی پایتون (Python) با رشد و گسترده تر شدن روزافزون جامعه کاربری اش، بستر بسیار مناسبی جهت فعالیت های یادگیری ماشین را فراهم کرده است.

مدرس: سعید مظلومی راد مدت زمان آموزش: ۱۰ ساعت
یادگیری را شروع کنید
2

آموزش مبانی یادگیری عمیق (Deep Learning)

در این آموزش ویدئویی، یکی از محبوب ترین و پرکاربردترین علوم حوزه هوش مصنوعی، یعنی یادگیری عمیق (Deep Learning)، معرفی شده است. در این آموزش، علاوه بر آشنایی با مبانی تئوری یادگیری عمیق، تکنیک ها و مدل های مختلف آموزش شبکه های عصبی عمیق، قادر خواهید بود تا در عمل نیز به طراحی، پیاده سازی و آموزش این شبکه ها بپردازید. همچنین در این آموزش به کاربردهای آکادمیک و تحقیقاتی و هم به کاربردهای عملی یادگیری عمیق توجه شده است. در این آموزش، تمرکز بر روی محبوب ترین مدل و کاربرد یادگیری عمیق یعنی مدل شبکه عصبی کانولوشنی با کاربرد در بینایی ماشین و پردازش تصویر خواهد بود.

مدرس: سعید محققی مدت زمان آموزش: ۲ ساعت و ۵۵ دقیقه
یادگیری را شروع کنید
3

آموزش برنامه نویسی یادگیری عمیق با پایتون (TensorFlow و Keras)

در سال های اخیر، یادگیری عمیق، تحول بزرگی را در یادگیری ماشین و هوش مصنوعی ایجاد کرده است. یکی از مهم ترین شاخه های مبحث یادگیری عمیق، بسترهای نرم افزاری و برنامه نویسی هستند که به منظور پیاده سازی و آموزش مدل ها به کار می روند. همچنین، فعالیت های زیادی در زمینه ایجاد بسترها و کتابخانه های نرم افزاری مخصوص یادگیری عمیق، توسط شرکت ها و دانشگاه های معتبر دنیا، انجام شده است؛ در میان این بسترها، با اطمینان می توان بستر TensorFlow شرکت گوگل به همراه کتابخانه Keras را پرکاربردترین و محبوب ترین و در عین حال، قدرتمندترین بستر نرم افزاری در این زمینه معرفی کرد. در این آموزش مطالب اصلی برای ایجاد و آموزش مدل های یادگیری عمیق در Keras آورده شده است.

مدرس: سعید محققی مدت زمان آموزش: ۲ ساعت و ۵۷ دقیقه
یادگیری را شروع کنید
4

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

آموزش یادگیری ماشین (Machine Learning) شامل ۱۶ درس است که در دو بخش تهیه شده است. هر بخش شامل ۸ درس است. در بخش اول مفاهیم اولیه، داده، رگرسیون و چهار روش طبقه بندی: رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم بررسی می شوند. در بخش دوم ادامه روش های طبقه بندی: دسته بندی بیز، k نزدیک ترین همسایه و یادگیری جمعی بررسی می شوند. سپس انتخاب ویژگی، تقلیل ابعاد، خوشه بندی، کشف داده های پرت و کاوش قوانین انجمنی آموزش داده می شوند.

مدرس: فرشید شیرافکن مدت زمان آموزش: ۱۶ ساعت و ۴۹ دقیقه
یادگیری را شروع کنید
5

آموزش یادگیری ماشین با پیاده سازی در Python - بخش دوم

آموزش یادگیری ماشین (Machine Learning) شامل ۱۶ درس است که در دو بخش تهیه شده است. هر بخش شامل ۸ درس است. در بخش اول مفاهیم اولیه، داده، رگرسیون و چهار روش طبقه بندی: رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم بررسی می شوند. در بخش دوم ادامه روش های طبقه بندی: دسته بندی بیز، k نزدیک ترین همسایه و یادگیری جمعی بررسی می شوند. سپس انتخاب ویژگی، تقلیل ابعاد، خوشه بندی، کشف داده های پرت و کاوش قوانین انجمنی آموزش داده می شوند.

مدرس: فرشید شیرافکن مدت زمان آموزش: ۱۰ ساعت و ۳۳ دقیقه
یادگیری را شروع کنید
6

آموزش یادگیری ماشین

در واقع می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمند سازی فرایندها در کاربردهای مختلف، به کار گرفت. یادگیری ماشین به عنوان شاخه ای از هوش مصنوعی بدون انجام برنامه نویسی به رایانه امکان بهبود بخشیدن را به عملگرها می دهد. در این آموزش طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. هدف این آموزش، بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین و بررسی انواع مختلف روش های یادگیری تقویتی است.

مدرس: دکتر امیر حسین کیهانی پور مدت زمان آموزش: ۲۰ ساعت و ۵۹ دقیقه
یادگیری را شروع کنید
7

آموزش یادگیری عمیق - شبکه های GAN با پایتون

در این فرادرس با مفاهیم و کاربردهای شبکه عصبی عمیق (GAN (Generative Adversarial Network آشنا خواهید شد. شبکه های GAN، یکی از به روزترین معماری های یادگیری عمیق است که از زمان مطرح شدن در سال ۲۰۱۴ تاکنون به شدت رشد یافته است. رشد عجیب این معماری یادگیری عمیق، به خاطر کاربردهای جذاب و بعضا حیرت آور آن از قبیل متحرک سازی تصویر ثابت مونالیزا و… بوده است. این معماری یادگیری عمیق، موضوع اصلی مقالات علمی در کنفرانس های معتبر یادگیری ماشین از قبیل NIPS در سال های اخیر است. در این آموزش با شبکه های GAN معمولی، شبکه های Deep Convolutional GAN, Semi-supervised GAN, Conditional GAN و CycleGAN آشنا می شوید.

مدرس: دکتر عادل قاضی خانی مدت زمان آموزش: ۵ ساعت و ۶ دقیقه
یادگیری را شروع کنید
8

آموزش ​اصول و روش های داده کاوی (Data Mining)

در اغلب مسائل، وجود حجم زیاد داده ها، منجر به ایجاد اشکالات جدی در امر شناسایی و کشف روابط و الگوهای پنهان در این داده ها شده است. دانش داده کاوی با هدف فراهم آوردن روش هایی برای پردازش هوشمند حجم زیاد داده ها و استخراج روال ها و قوانین حاکم بر آن ها، مطرح شده است. این دانش در کاربردهای مختلف و اصولا در هر جا با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده است. در این دوره به بیان اصول و روش های داده کاوی به منظور استخراج روندها و الگوهای پنهان در داده ها، پرداخته خواهد شد.

مدرس: دکتر امیر حسین کیهانی پور مدت زمان آموزش: ۲۵ ساعت و ۱ دقیقه
یادگیری را شروع کنید
9

آموزش داده کاوی یا Data Mining در متلب

مجموعه فرادرس های داده کاوی (Data Mining) در متلب عنوان مجموعه ای از فیلم های آموزشی است، که در مجموع شامل بیست و چهار ساعت برنامه آموزشی تخصصی در زمینه داده کاوی و مباحث آن، پیاده سازی آن ها در محیط متلب و کاربردهای آن ها است.

مدرس: دکتر سید مصطفی کلامی هریس مدت زمان آموزش: ۲۴ ساعت و ۲ دقیقه
یادگیری را شروع کنید
10

آموزش یادگیری عمیق در پزشکی

با یک جستجوی ساده با عبارت کلیدی Deep Learning in Medicine با صدها مقاله، کتاب و متون علمی مواجه خواهیم شد که اهمیت بیش از پیش این زمینه تحقیقاتی را بیان می کند. تکنیک های سنتی پردازش تصویر، قادر به انجام عملیات محاسباتی بر روی تصاویر با رزولوشن فوق العاده بالای گرافیکی نبوده و لذا یادگیری عمیق به عنوان تکنیکی موفق در پزشکی جای خود را میان محققان بازکرده است. این فرادرس بر آموزش یادگیری عمیق با رویکرد پزشکی نیز تمرکز دارد.

مدرس: امین زاده شیرازی مدت زمان آموزش: ۴ ساعت و ۲ دقیقه
یادگیری را شروع کنید
11

آموزش پردازش زبان های طبیعی (NLP) در پایتون (Python) با پلتفرم NLTK

برای پردازش زبان های طبیعی، نیاز به یک ابزار و یا به عبارتی به یک زبان برنامه نویسی داریم، بنابراین با توجه به سهولت کدنویسی و همچنین وجود بسته های نرم افزاری زیاد، زبان برنامه نویسی پایتون و مهم ترین ابزار آن برای پردازش زبان های طبیعی یعنی NLTK را برمی گزینیم، البته شایان ذکر است که این درس با عنوان مبانی پردازش زبان و گفتار برای دانشجویان کامپیوتر در برخی از دانشگاه ها ارائه می گردد ولی از آن جا که بیشتر به صورت تئوری ارائه می شود و منبع فارسی عملی نیز برای آن وجود ندارد بر آن شدیم که این درس را ارائه دهیم.

مدرس: احسان یزدانی مدت زمان آموزش: ۷ ساعت و ۱۲ دقیقه
یادگیری را شروع کنید
12

آموزش داده کاوی در RapidMiner

RapidMiner قوی ترین و آسان ترین نرم افزار برای آنالیز داده ها به صورت عددی و نمایش گرافیکی نتایج حاصل از تحلیل داده ها است. هم چنین این نرم افزار قابلیت ورود کدهای داده کاوی از سایر برنامه ها مانند R و Python را دارد و می تواند از داده های سایر نرم افزار های داده کاوی مانند: Microsoft Excel و Microsoft Access ,Oracle ,IBM DB ,Microsoft SQL Server ,Teradata نیز استفاده کند. در این فرادرس به صورت کلی ابتدا با آنالیز داده ها در این نرم افزار آشنا می شویم و سپس به صورت خاص تر، داده کاوی با استفاده از RapidMiner را آموزش می دهیم.

مدرس: نفیسه سلطانی مدت زمان آموزش: ۲ ساعت و ۱۰ دقیقه
یادگیری را شروع کنید
13

آموزش مقدماتی Hadoop (هدوپ) برای تجزیه و تحلیل کلان داده

در این فرادرس که برای دانشجویان کارشناسی ارشد و دکتری رشته مهندسی کامپیوتر بسیار مفید است، سعی داریم تا مخاطبین را با یکی از محبوب ترین پلتفرم های تجزیه و تحلیل کلان داده به نام آپاچی هدوپ (Apache Hadoop) آشنا کنیم. این پلتفرم، پایه بسیاری از تحقیقات جدی و جدید زمینه های گوناگون از جمله: تجزیه و تحلیل شبکه های اجتماعی، آنالیز سبد بازار، سیستم های پیشنهاد کننده، علوم زیستی مانند تجزیه و تحلیل گراف های پروتئینی و… را تشکیل می دهد.

مدرس: ایمان بادروح مدت زمان آموزش: ۴ ساعت و ۵۷ دقیقه
یادگیری را شروع کنید
14

آموزش تحلیل شبکه های اجتماعی با نرم افزار نود ایکس ال (NodeXL)

هدف از یادگیری نرم افزار نود ایکس ال، ترسیم نقشه های مصور از ارتباطات بین عناصر مختلف و کشف الگوهای ارتباطی و شدت یا ضعف ارتباطات است. این نرم افزار، نرم افزاری رایگان و منبع باز است که برای آموزش، نیاز به دانستن زبان برنامه نویسی ندارد، بنابراین می تواند به منظور کشف روابط و تحلیل شبکه های اجتماعی، مورد استفاده کلیه پژوهشگران قرار گیرد. این نرم افزار می تواند ارتباطات را در قالب های همکاری، دوستی، فروش یک محصول و تبلیغ یک محصول، مصورسازی کند تا افراد بتوانند پیش بینی نسبت به آینده داشته باشند و ارتباطات موجود را با توجه به هدف مورد نظر، تقویت نمایند.

مدرس: دکتر سپیده فهیمی فر مدت زمان آموزش: ۱ ساعت و ۱۸ دقیقه
یادگیری را شروع کنید
15

آموزش یادگیری انتقال (Transfer Learning)

در این فرادرس، ضمن بیان کلیات ساختار روش های انتقال یادگیری، یک طبقه بندی مرجع در بررسی تکنیک های مختلف یادگیری انتقال نیز معرفی می شود. در ادامه بحث، مرور کاملی از کاربردهای یادگیری انتقال برای مسائل پایه ای نظیر رده بندی (Classification)، رگرسیون و خوشه بندی (Clustering) انجام می شود، همچنین به منظور ایجاد امکان استفاده از این تکنیک ها، معرفی کلی در خصوص برخی از ابزارهای متن باز موجود در زمینه یادگیری انتقال و مجموعه های داده محک استاندارد نیز صورت خواهد گرفت. بخش انتهایی این آموزش به بررسی برخی نمونه های استفاده از روش های یادگیری انتقال در حل مسائل کاربردی، اختصاص یافته است.

مدرس: دکتر امیر حسین کیهانی پور مدت زمان آموزش: ۳ ساعت و ۴۳ دقیقه
یادگیری را شروع کنید
16

آموزش متن‌ کاوی‌ با زبان R

اگرچه رویکردها و بسته های نرم افزاری متعددی جهت انجام فرایند متن کاوی ارائه شده اند، قابلیت های متعدد زبان R در زمینه تحلیل داده های متنی و بازنمایی بصری نتایج آن سبب شده است که توجهات زیادی به سوی استفاده از آن معطوف شود. بر همین اساس، در این فرادرس بر آن شده ایم که مروری کاربردی بر فرایند متن کاوی با استفاده از زبان R داشته باشیم. هدف اصلی این آموزش، آماده سازی مخاطبان (در حوزه های مختلف کاری نظیر: مهندسی نرم افزار، هوش مصنوعی، بازاریابی و زبان شناسی) برای مواجهه با داده های متنی، مدیریت آن ها و اعمال روش های مختلف تحلیل و بازنمایی بصری بر روی آن ها است. در این مسیر، علاوه بر آشنایی کلی با مفاهیم متن کاوی، مخاطبان با نحوه به کارگیری دستورات و کتابخانه های مختلف زبان R که به این منظور طراحی شده اند، آشنا خواهند شد.

مدرس: محمد مرادی مدت زمان آموزش: ۷ ساعت و ۱۸ دقیقه
یادگیری را شروع کنید
17

آموزش تحلیل شبکه های اجتماعی با نرم افزارهای Gephi و Pajek

نرم افزار Gephi برای اولین بار در مقاله ای در سال ۲۰۰۹ معرفی شده است که تاکنون دارای حدود ۴۰۰۰ ارجاع است و به طور مشابه کتاب استفاده از نرم افزار Pajek برای تحلیل شبکه های اجتماعی در سال ۲۰۱۸ منتشر شده است که دارای بیش از ۳۰۰۰ ارجاع است. این بدین معنی است که این دو نرم افزار از ابزارهای کارآمد آکادمیک برای تحلیل شبکه های اجتماعی هستند. در این فرادرس، ابتدا در رابطه با تبدیل داده های مساله به شبکه صحبت می کنیم و در ادامه به معرفی دو ابزار پرکاربرد و قوی Gephi و Pajek در زمینه تحلیل شبکه های اجتماعی خواهیم پرداخت. هدف از این آموزش، یادگیری تحلیل شبکه با استفاده از دو ابزار Gephi و Pajek است.

مدرس: ندا سلطانی حلوایی مدت زمان آموزش: ۴ ساعت و ۴ دقیقه
یادگیری را شروع کنید
18

آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

افزایش درجه اطمینان، کاهش نوفه، کاهش شدید نرخ داده های غیر مطمئن و مواردی بسیاری از این دست از مزیت های مهم و تاثیرگذار استفاده از سامانه تلفیق داده در تمامی کاربردهای یاد شده آن است. بنابراین استفاده از روش تلفیق داده ها یکی از ضروریات بسیار مهم در افزایش قابلیت اطمینان در کاربردهای مختلف آن از تصمیمات مدیریتی گرفته تا پایش وضعیت و عیب یابی است. در واقع در آینده و با پیچیده تر شدن سامانه های مختلف (اعم از مکانیکی، نظامی، رباتیک و غیره) چاره ای جز استفاده از چند حسگر و تلفیق داده های آن ها با یکدیگر وجود ندارد.

مدرس: دکتر مقداد خزایی مدت زمان آموزش: ۸ ساعت و ۲۵ دقیقه
یادگیری را شروع کنید
19

آموزش ترکیب اطلاعات (Information Fusion)

طی این آموزش، علاوه بر بیان مدل های مختلف ترکیب اطلاعات، به معرفی انواع روش های محاسباتی مطرح در زمینه ترکیب اطلاعات پرداخته خواهد شد. همچنین نمونه های مختلفی از کاربردهای روش های ترکیب اطلاعات در حل مسائل مختلف نیز مورد بحث و بررسی قرار خواهد گرفت. علاوه بر آن، معرفی مختصری از برخی از نرم افزارهای قابل استفاده در حوزه ترکیب اطلاعات نیز به عمل خواهد آمد.

مدرس: دکتر امیر حسین کیهانی پور مدت زمان آموزش: ۱۹ ساعت و ۴۷ دقیقه
یادگیری را شروع کنید
20

آموزش وب کاوی

با افزایش اطلاعات و حجم داده ها و توسعه وب سایت ها به روش ها و ترفند هایی برای دستیابی به داده ها و استخراج اطلاعات از آن نیاز داریم که به آن وب کاوی می گویند. در این فرادرس، ابتدا به معرفی مفاهیم و تکنیک های پایه بازیابی اطلاعات وب و کاربردهای آن ها پرداخته می شود. در ادامه این فرادرس ساختار، معماری و مولفه های شاخص سامانه های پایه جستجوی اطلاعات وب یعنی جویشگرها (Web Search Engines) و فراجویشگرها (Web Meta-Search Engines) مورد مطالعه و بررسی قرار خواهد گرفت. بخش پایانی این آموزش نیز به معرفی مباحث به روز در این حوزه از جمله بازیابی بین زبانی (Cross-Language Information Retrieval)، رتبه بندی مبتنی بر یادگیری (Learning to Rank) و نیز آینده پژوهی فناوری وب اختصاص یافته است.

مدرس: دکتر امیر حسین کیهانی پور مدت زمان آموزش: ۱۶ ساعت و ۵۷ دقیقه
یادگیری را شروع کنید
21

آموزش تحلیل شبکه های اجتماعی با زبان R و متن کاوی

وجود حجم بسیار زیاد اطلاعات مختلف در شبکه های اجتماعی، این امکان را فراهم آورده است که از طریق بررسی و تحلیل آن ها بتوان به حقایق و نتایج ارزشمندی که برای حوزه های کاری مختلف حیاتی است، دست یافت. هدف از این فرادرس، بررسی مبانی شبکه های اجتماعی و اهمیت و کاربرد آن ها و همچنین بررسی الگوهای رایج در زمینه کاوش و تحلیل آن ها از جنبه های مختلف است و مخاطبین را در جهت استفاده حداکثری از قابلیت های این شبکه ها یاری می رساند. محتوای این آموزش به گونه ای طراحی شده است که برای فعالان اقتصادی و تجاری و در عین حال برای دانشجویان رشته های مهندسی کامپیوتر، فناوری اطلاعات (IT)، مهندسی صنایع و بازاریابی قابل استفاده باشد.

مدرس: محمد مرادی مدت زمان آموزش: ۷ ساعت و ۲۵ دقیقه
یادگیری را شروع کنید
22

آموزش برنامه نویسی یادگیری عمیق با کتابخانه TensorFlow 2

در این فرادرس، با برنامه‌نویسی یادگیری عمیق (Deep Learning) به‌ کمک کتابخانه TensorFlow 2 آشنا می‌شویم. TensorFlow، مشهورترین و پرکاربردترین کتابخانه برای برنامه‌نویسی یادگیری عمیق است که توسط شرکت گوگل تولید و پشتیبانی می‌شود. نسخه اولیه این کتابخانه در سال ۲۰۱۵ و نسخه دوم آن در سال ۲۰۱۹ ارائه شد. آشنایی با برنامه‌نویسی یادگیری عمیق کمک می‌کند که بتوانیم نرم‌افزارهای هوش مصنوعی را تولید کنیم. هوش مصنوعی یکی از فناوری‌های مهمی است که شاهد کاربردهای متعدد آن در حوزه‌های مختلف هستیم. این فناوری در آینده نزدیک بیشتر امور زندگی بشر را تغییر می‌دهد.

مدرس: دکتر عادل قاضی خانی مدت زمان آموزش: ۵ ساعت و ۱۰ دقیقه
یادگیری را شروع کنید
23

آموزش تجزیه و تحلیل و آماده سازی داده ها با پایتون

بعد از دیدن این آموزش قادر خواهید بود که با اصول اولیه تجزیه و تحلیل و آماده‌سازی داده‌ها با پایتون (Python) آشنا شوید، نحوه ورود داده از فایل‌هایی مانند: XML ,JSON و CSV را یاد بگیرید و همچنین از کتابخانه Pandas در پایتون برای تجزیه و تحلیل داده‌ها، گروه‌بندی و اتصال داده‌ها استفاده کنید، بتوانید داده‌ها را از وب استخراج کرده، نحوه شناسایی و پاک‌سازی داده‌ها را فراگرفته و از کتابخانه‌هایی مانند: Matplotlib برای مصورسازی داده‌ها استفاده نمایید.

مدرس: فرشید شیرافکن مدت زمان آموزش: ۹ ساعت و ۵۴ دقیقه
یادگیری را شروع کنید
24

آموزش وب معنایی - تحلیل و پردازش اطلاعات با انواع ماشین

در این فرادرس ما مباحث وب معنایی مشتمل بر زبان های موجود و ابزار مرسوم را با مثال های مختلف مورد بررسی قرار می دهیم. این آموزش برای آن دسته از علاقه مندانی که تمایل دارند با یادگیری مفاهیم وب معنایی به استقبال نسل بعدی وب بروند، مناسب است. یکی از مفاهیم اساسی وب معنایی، هستی شناسی یا آنتولوژی (Ontology) است که در این آموزش بعد از آشنایی با مفهوم وب معنایی، مفهوم هستی شناسی مورد بررسی قرار گرفته و سپس به ایجاد آنتولوژی در زبان های مختلف وب معنایی با مثال های متنوع پرداخته می شود. مباحثی که در این فرادرس به آن ها پرداخته می شود، شامل: آشنایی با مفهوم وب معنایی، آشنایی با آنتولوژی که پایه و اساس وب معنایی محسوب می شود، آموزش زبان های وب معنایی، شامل: XML, RDF, RDFS, OWL, OWL 2 و در نهایت یکی از مهم ترین نرم افزارهای وب معنایی یعنی Protégé است که یک پروژه عملی آنتولوژی را در آن ایجاد کرده و با ویژگی های آن آشنا می شویم.

مدرس: حامد صباغ گل مدت زمان آموزش: ۷ ساعت و ۴۲ دقیقه
یادگیری را شروع کنید
25

آموزش یادگیری ماشین به زبان R

به صورت مشخص، آشنایی با کتابخانه‌ها، جزئیات و پیاده‌سازی الگوریتم‌های مختلف یادگیری ماشین در کنار مروری عملیاتی بر چگونگی بازنمایی بصری داده‌ها، محتوای اصلی این آموزشی را تشکیل می‌دهند. هدف نهایی این فرادرس این است که مخاطبان را به مهارت‌های بالاتر از سطح متوسط و در مواردی پیشرفته در زمینه یادگیری ماشین در زبان R مجهز کرده و آن‌ها را آماده استفاده از این روش‌ها در پروژه‌های پژوهشی و تجاری نماید.

مدرس: محمد مرادی مدت زمان آموزش: ۶ ساعت و ۵۷ دقیقه
یادگیری را شروع کنید
26

آموزش داده کاوی و زبان برنامه نویسی R (رایگان)

بر اساس پیش بینی ها، جهان فناوری در سال های آینده حول محور تحلیل داده ها خواهد بود. یکی از موضوعات داغ روز در حوزه تحلیل داده ها، مبحث کشف دانش از داده یا داده کاوی است. داده کاوی به معنای کشف الگوهای جالب توجه از حجم انبوهی از داده ها است که دانشی را ارائه می کنند. استفاده از زبان برنامه نویسی R که با اجازه نامه عمومی گنو منتشر شده در مباحث مربوط به داده کاوی استفاده های گسترده ای چه در پروژه های دانشگاهی و چه در پروژه های عملی دارد. در این کارگاه شما ضمن آشنایی با کلیات داده کاوی، با برنامه نویسی R و استفاده از آن برای داده کاوی آشنا خواهید شد.

مدرس: الهام حصارکی مدت زمان آموزش: ۱ ساعت و ۵۰ دقیقه
یادگیری را شروع کنید
موضوعات آموزشی مرتبط