دوره‌ها / یادگیری ماشین کاربردی
پیشرفتهدوره کلاسی

یادگیری ماشین کاربردی

آموزش یادگیری ماشین کاربردی در مسیر AI-P02 — مهندس یادگیری ماشین؛ سطح L3 (پیشرفته) و 50 ساعت آموزش ساختاریافته.

حدود ۵۰ ساعت۱۶ درس
مشاهده و ثبت‌نام دوره

معرفی دوره

معرفی دوره یادگیری ماشین کاربردی

دوره یادگیری ماشین کاربردی با کد AI-104 در دپارتمان هوش مصنوعی ارائه می‌شود. این دوره بخشی از AI-P02 — مهندس یادگیری ماشین است و برای یادگیری مرحله‌به‌مرحله موضوع دوره طراحی شده است.

جایگاه دوره در مسیر یادگیری

سطح این دوره L3 (پیشرفته) است و 50 ساعت زمان آموزشی دارد. محتوای دوره بر ایجاد درک کاربردی از یادگیری ماشین کاربردی و آماده‌سازی برای ادامه همین مسیر یادگیری تمرکز دارد.

مشخصات کلیدی

  • کد دوره: AI-104
  • دپارتمان: هوش مصنوعی
  • مسیر یادگیری: AI-P02 — مهندس یادگیری ماشین
  • سطح: L3 (پیشرفته)
  • مدت آموزش: 50 ساعت

برای چه کسانی مناسب است؟

این دوره برای علاقه‌مندانی مناسب است که می‌خواهند مهارت خود را در یادگیری ماشین کاربردی تقویت کنند و مسیر AI-P02 — مهندس یادگیری ماشین را هدفمند ادامه دهند.

سرفصل‌ها و درس‌ها

فرایند یادگیری ماشین
  • تعریف مسئله و داده
  • Feature و Label
  • تقسیم داده
  • Pipeline آموزش
یادگیری نظارت‌شده
  • رگرسیون
  • طبقه‌بندی
  • درخت تصمیم
  • تنظیم Hyperparameter
یادگیری بدون نظارت و ارزیابی
  • خوشه‌بندی
  • کاهش ابعاد
  • معیارهای ارزیابی
  • Overfitting و Cross Validation
مدل کاربردی
  • مهندسی ویژگی
  • ذخیره و بارگذاری مدل
  • ساخت API پیش‌بینی
  • پروژه نهایی یادگیری ماشین

پرسش‌های متداول

دوره «یادگیری ماشین کاربردی» برای چه کسانی مناسب است؟

این دوره برای علاقه‌مندانی مناسب است که می‌خواهند «یادگیری ماشین کاربردی» را در یک مسیر ساختاریافته، پروژه‌محور و قابل استفاده در دنیای واقعی یاد بگیرند.

پیش‌نیاز شرکت در این دوره چیست؟

تسلط بر مبانی حوزه و توانایی انجام تمرین‌های مقدماتی برای استفاده بهتر از دوره توصیه می‌شود.

مدت زمان دوره و شیوه پیشروی چگونه است؟

مدت برنامه‌ریزی‌شده دوره 50 ساعت است. محتوا در ۴ سرفصل و ۱۶ درس مرتب شده و بهتر است درس‌ها به‌ترتیب همراه با تمرین دنبال شوند.

پس از پایان دوره چه توانایی‌ای به دست می‌آورم؟

پس از تکمیل درس‌ها و تمرین‌ها، می‌توانید مباحث دوره را در سناریوهای واقعی به کار بگیرید و با انجام بخش «مدل کاربردی» یک خروجی قابل ارائه برای ادامه مسیر یادگیری یا نمونه‌کار بسازید.