| ⚠ اطلاعیههای مهم (حتما بخوانید) ⚠ | ||
| 1 | دوره بر بستر اسپاتپلیر ارائه میشود. اگر با این نرمافزار آشنا نیستید، اینجا کلیک کنید. | |
| 2 | این دوره 6 ماه پشتیبانی تلگرامی دارد. | |
| 3 | هر سوالی درمورد دوره را از طریق چت آنلاین، تماس تلفنی یا تلگرام با ما مطرح کنید. | |
پیشنهاد هوسم برای پیشنیازها
پیشنهاد هوسم برای تقویت پایتون
برای دریافت فایل ارائه کلیک کنید.
پیشنهاد هوسم برای تقویت ریاضیات
برای دریافت فایل ارائه کلیک کنید.
گروه رفع اشکال و کانال اطلاعرسانی دوره (تلگرام)
توضیح درباره گروه و کانال
برای اطلاعات بیشتر درباره گروه کلیک کنید...
لینک گروه رفع اشکال
با حضور مدرس دوره
لینک کانال اطلاعرسانی دوره
حتما عضو شوید
✅ هفته صفر: پیشنیازها | ⏰ 6 ساعت و 53 دقیقه
فهرست مطالب هفته صفر
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
مدت زمان |
| 1 | جبرخطی (3 ساعت و 49 دقیقه) | 00:09:38 |
| 2 | حساب (3 ساعت و 4 دقیقه) | 00:12:27 |
✅ هفته اول: مقدمات یادگیری ماشین | ⏰ 2 ساعت و 51 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
مدت زمان |
| 1 | تعریف هوشمصنوعی و یادگیری ماشین | 00:41:30 |
| 2 | آشنایی با داده در یادگیری ماشین | 00:24:51 |
| 3 | دستهبندی روشها در یادگیری ماشین | 00:25:50 |
| 4 | معرفی و نصب Scikit-Learn | |
| 5 | آشنایی با Scikit-Learn | 00:14:26 |
یادگیری ماشین چیست؟ مقاله
نصب Scikit-Learn مقاله
✅ هفته دوم: رگرسیون (Regression) | ⏰ 5 ساعت و 56 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | تشریح مساله رگرسیون | |
| 2 | داده در مساله رگرسیون | |
| 3 | مدل رگرسیون خطی | |
| 4 | یادگیری مدل با بهینهسازی | |
| 5 | آشنایی با توابع اتلاف | |
| 6 | گرادیان کاهشی | |
| 7 | آموزش و ارزیابی مدل رگرسیون خطی | |
| 8 | کدنویسی رگرسیون خطی از Scratch |
معرفی رگرسیون مقاله
کدنویسی مدل رگرسیون مقاله
✅ هفته سوم: رگرسیون خطی چندمتغیره | ⏰ 6 ساعت و 12 دقیقه
✅ هفته چهارم: رگرسیون غیرخطی | ⏰ 6 ساعت و 43 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | معرفی رگرسیون غیرخطی | |
| 2 | مدل رگرسیون چند جملهای | |
| 3 | تبدیل ویژگی | |
| 4 | کدنویسی رگرسیون غیرخطی |
نکته مهم در مورد Polynomial Regression مقاله
✅ هفته پنجم وششم: انتخاب مدل (Model Selection) | ⏰ 12 ساعت و 48 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | مدل خوب/مدل بد | |
| 2 | اورفیت، آندرفیت و گودفیت | |
| 3 | Early Stopping | |
| 4 | Regularization | |
| 5 | بایاس-واریانس | |
| 6 | تکنیکهای کراسولیدیشن |
اورفیت مقاله
✅ هفته هفتم و هشتم: آمار و احتمال (پیشنیاز) | ⏰ 15 ساعت و 2 دقیقه
فهرست مطالب این فصل 🛑
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | آزمایشهای همزمان | |
| 2 | اشتراک و اجتماع | |
| 3 | انواع پیشآمد | |
| 4 | احتمال شرطی | |
| 5 | متغیر تصادفی | |
| 6 | توزیع احتمال، تابع جرم و چگالی احتمال |
انواع نمودار مقاله
✅ هفته نهم: داده | ⏰ 8 ساعت و 19 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | تحلیل و آمادهسازی داده | |
| 2 | مقادیر ازدسترفته | |
| 3 | انکد داده | |
| 4 | مبحث EDA | |
| 5 | برخورد با اوتلایرها | |
| 6 | مهندسی ویژگی |
انکد دادهها مقاله
✅ هفته دهم: مینیپروژه | ⏰ 5 ساعت و 8 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
مبحث EDA چندمتغیره مقاله
✅ هفته یازدهم و دوازدهم: رگرسیون لجستیک (Logistic Regression) | ⏰ 10 ساعت و 58 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | تشریح مساله دستهبندی (Classification) | |
| 2 | تشریح رگرسیون لجستیک تک و چندمتغیره | |
| 3 | تعمیم رگرسیون لجستیک برای حالت چندکلاسه | |
| 4 | معیارهای ارزیابی در دستهبندی (Recall/Precision، منحنی ROC و غیره) | |
| 5 | کدنویسی رگرسیون لجستیک از صفر (بدون سایکیتلرن) | |
| 6 | کدنویسی رگرسیون لجستیک با سایکیتلرن |
مرز تصمیمگیری مقاله
معیارهای ارزیابی مقاله
✅ هفته سیزدهم: شبکه عصبی | ⏰ 6 ساعت و 42 دقیقه
✅ هفته چهاردهم: ماشین بردار پشتیبان (SVM) | ⏰ 8 ساعت و 20 دقیقه
✅ هفته پانزدهم: K-نزدیکترین همسایگی (KNN) | ⏰ 5 ساعت و 53 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | تشریح روشهای غیرپارامتری | |
| 2 | تشریح مدل K-Nearest Neighbor (KNN) | |
| 3 | خواص KNN | |
| 4 | کدنویسی KNN از صفر (بدون سایکیت) | |
| 5 | کدنویسی KNN با سایکیت |
کدنویسی KNN از صفر مقاله
✅ هفته شانزدهم: درخت تصمیم و جنگل تصادفی (Decision Trees & Random Forests) | ⏰ 7 ساعت و 43 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | تشریح درخت تصمیم (ID3, CART, etc) | |
| 2 | خواص و اهمیت درخت تصمیم | |
| 3 | درخت تصمیم برای رگرسیون | |
| 4 | تشریح جنگل تصادفی | |
| 5 | کدنویسی از صفر (بدون سایکیت) | |
| 6 | کدنویسی با سایکیت |
یادگیری ماشین چطور درخت میسازد؟ مقاله
✅ هفته هفدهم: یادگیری گروهی (Ensemble Learning) 🔥 | ⏰ 7 ساعت و 15 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | تشریح مفهوم یادگیری گروهی | |
| 2 | روش Voting | |
| 3 | تکنیکهای Bagging و Pasting | |
| 4 | مدلهای بوستینگ (AdaBoost, Gradient Boost, etc) | |
| 5 | کدنویسی با/بدون سایکیت |
کدنویسی LSBoost مقاله
✅ هفته هجدهم: خوشهبندی (Clustering) | ⏰ 4 ساعت و 11 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | تشریح مساله کلاسترینگ | |
| 2 | تشریح الگوریتم Kmeans | |
| 3 | روشهای تعیین هایپرپارامترهای Kmeans | |
| 4 | الگوریتم DBSCAN | |
| 5 | کدنویسی خوشهبندی Kmeans از صفر (بدون سایکیتلرن) | |
| 6 | کدنویسی خوشهبندی با سایکیتلرن |
آزمایشهای Kmeans مقاله
✅ هفته نوزدهم: کاهش بعد (Dimensionality Reduction) | ⏰ 4 ساعت و 26 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | تشریح مفهوم کاهش بعد (Dimensionality Reduction) | |
| 2 | نفرین ابعاد! | |
| 3 | تشریح PCA و کدنویسی از صفر | |
| 4 | بررسی خواص PCA | |
| 5 | تشریح سایر الگوریتمهای کاهش بعد (ICA, Kernel PCA, LDA) | |
| 6 | کدنویسی کاهش بعد با سایکیتلرن |
کدنویسی PCA از صفر مقاله
| شماره | نام بخش |
|
| 1 | تشریح مفهوم کاهش بعد (Dimensionality Reduction) | |
| 2 | نفرین ابعاد! | |
| 3 | تشریح PCA و کدنویسی از صفر | |
| 4 | بررسی خواص PCA | |
| 5 | تشریح سایر الگوریتمهای کاهش بعد (ICA, Kernel PCA, LDA) | |
| 6 | کدنویسی کاهش بعد با سایکیتلرن |
پشتیبانی هوسم همواره مورد تحسین دانشجویان بوده است.
کدنویسی دوره با سایکیتلرن
محبوبترین فریمورک یادگیری ماشین دنیا
** توجه **
این دوره بر بستر اسپات پلیر عرضه میشود. حتما پست زیر را مطالعه فرمایید:
آیا میتوان این دوره را اشتراکی تهیه کرد؟
مجموعه هوسم از تهیه اشتراکی دورهها راضی نیست.
دوره مثال و تمرین دارد؟
بله، تمرین و مثال با جواب داریم.
نحوه دسترسی به دوره آموزشی؟
آموزش بر بستر نرمافزار spotplayer در اختیار شما قرار میگیرد.
آیا میتوانم بعد اینکه دوره را دیدم، این دوره را بفروشم؟
خیر!
آیا امکان خرید یک یا چند فصل وجود دارد؟
خیر، به هیچ وجه.
آیا میتوانم سوالاتی که از پروژه شخصی خودم دارم در گروه پشتیبانی بپرسم؟
خیر، پشتیبانی ما محدود به سوالات مربوط به محتوای دورهها است. وظیفه ما این است که به سوالات شما در رابطه با درسها، تمرینها و مفاهیم دوره پاسخ دهیم. پرسیدن سوالاتی خارج از این محدوده، مانند پروژههای شخصی، خارج از چارچوب پشتیبانی ما است. این قوانین برای حفظ کیفیت و تمرکز بر ارائه بهترین تجربه آموزشی برای همه دانشجویان تدوین شدهاند.
توضیحات بیشتر درباره دوره یادگیری ماشین هوسم
کدنویسی دوره یادگیری ماشین هوسم
برای کدنویسی این دوره از فریمورک محبوب Scikit Learn استفاده شده است. در دوره یادگیری ماشین هوسم به تئوری و کدنویسی وزن یکسانی داده شده است. همانطور که روی مفاهیم تئوری این دوره وقت گذاشتهایم تا دانشجو با مفاهیم کامل آشنا شود، در کدنویسی دوره یادگیری ماشین هم دقیقا همانقدر وسواس به خرج دادهایم.
اغلب الگوریتمها (نه همه، پیاده سازی از صفر اندکی از الگوریتمها مثل SVM به خاطر پیچیدگیهای زیادی که دارند از لحاظ زمانی به صرفه نیست و ارزش آموزشی ندارد.) علاوه بر پیاده سازی با Scikit Learn، از صفر (Scratch) هم کدنویسی شدهاند. این کار باعث میشود که مفاهیمِ پشت الگوریتمها حتی بیشتر قابل درک باشد و ملکه ذهن دانشجو شود. پس کدنویسیها هم صرفا نوشتن یک خط کد نیست و تمام تلاشمان کردیم که ظرایف آن را به دانشجو منتقل کنیم.
دوره های مرتبط
آموزش OpenCV: از پردازش تا بینایی
دیپ کاتالیست: دوره افزایش مهارت
M.Javad( دانشجوی دوره )
سلام (این نظر واسه کساییه که میخوان دوره رو خریداری بکنن)
من فاز 1 دوره رو تقریبا تموم کردم
فکرمیکنم بین دوره های فارسی زبان ، تا جایی که من دیدم این دوره مفصل ترین دوره ی یادگیری ماشینه. اگر هم مفصل ترین و کامل ترین نباشه ، قطعا یکی از کامل تریناس
تعادل خوبی بین مباحث تئوری و کدنویسی وجود داره و هر دو به خوبی پوشش داده شدن
مطالب به صورت طبقه بندی شده هستن و خیلی جاها با نمودار های مختلف ، ساختار مطالبی که تا حالا یاد گرفتید و از اینجا به بعد قراره یاد بگیرید ، براتون مرور میشه . این بنظرم خیلی خیلی توی تصویر ذهنی شما از مطالب و در نهایت یادگیری کمک کننده س.
مطالب از صفر گفته میشن و شاید برای کسایی که یه مقداری با یادگیری ماشین آشنایی دارن ، در بعضی جاها بدیهی بنظر برسه . اما جلوتر که میرید متوجه میشید گفتن همون مطالب پایه ای خیلی در درک الان شما اثر گذار بوده .
یه خداقوت سنگین به تیم هوسم و آقای اشرفی ;
واقعا تهیه ی چنین دوره ای طاقت فرساست
همچنین حساسیت و وسواس شما در اینکه دانشجوهای دوره مطالب رو کامل متوجه بشن قابل تقدیره
و یه نکته از نظر خودم :
یکی از بخش هایی که یه مقدار فهمیدنش مشکل بود ، بخش تبدیل ویژگی در فصل رگرسیون غیرخطی بود
بنظرم جا داره کمی بیشتر در قسمت تبدیل ویژگی ، توضیح داده بشه که با تبدیل ویژگی دقیقا چه اتفاقی برای داده ها میفته و این داده های ترنسفورم شده ، با داده های قبل از ترنسفورم دقیقا دارای چه ارتباطی هستن .
در کل بابت همه ی زحماتتون ، ممنون 🙂
محمدطاها انگوتی
ببخشید یک سوال داشتم یادگیری تقویتی در دوره ای تدریس شده است؟
هوسم
فعلا هیچ یک از دورههای ما، شامل یادگیری تقویتی نیست.
ghmr4414( دانشجوی دوره )
سلام.
ببخشید من دوره رو خریداری کردم ولی spotplayer دانلود میشه ولی نصب نمیشه. لطف کنید من رو راهنمایی کنید.
هوسم
سلام
هر مشکلی در اسپات پلیر داشتید، به شماره 09025469248 پیامک بزنید یا در پیامرسانها پیام بدید.
danialsadeghi211( دانشجوی دوره )
با عرض سلام و وقت بخیر خدمت استاد اشرفی و سایر دست اندرکاران گرامی.
یک سوال داشتم استاد از محضرتون، به نظر شما در حین تماشای ویدیو های دوره خوب هست که جزوه هم بنویسیم؟ مثلا برای تماشای 1 ساعت ویدیو اگر بخواهیم جزوه بنویسیم ممکن است تقریبا ۲ ساعت زمان صرف تماشای ویدیو + جزوه نوشتن شود جمعاً.
خلاصه اینکه جزوه نوشتن وقت گیر هست و باعث میشه دوره رو دیرتر به اتمام برسانیم، ولی خب مزایا زیادی هم دارد این جزوه نویسی.
میخواستم جسارتا نظر خودتون رو بدونم با توجه به تجاربی که دارید که این زمان بیشتر گذاشتن برای جزوه نویسی در کنار ویدیو دیدن ارزش دارد یا خیر؟
شاید سوال بسیاری دیگر از شرکت کنندگان دوره هم باشد.
پیشاپیش از راهنمایی شما بینهایت سپاسگزارم.
هوسم
سلام
جزوهنویسی کار بسیار بسیار ارزشمندی هست. البته که پرزحمت و طاقتفرسا هست، اما دارید یک ارزش تولید میکنید. اصلا میتونیم جزوهنویسی رو یک نوع تولید محتوا بدونیم. اگه جزوه با برنامه نوشته بشه، بعدا میتونید آموختهها و تجربههاتون رو هم در بخش مناسب به جزوه اضافه کنید.
خاطرم هست که بعضی دانشجوهای دوره میگفتن که برای این دوره حدود 300 400 صفحه جزوه نوشتن.
فکر کنم به صورت میانگین هر 1 ساعت آموزش به حدودا 2.5 الی 3 ساعت زمان نیاز داره. منصفانه هست! چون ما برای تولید 1 ساعت آموزش حدودا 10 الی 15 ساعت وقت میذاریم! 🙂