حالت مطالعه
| ⚠ 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. | |
نظر دوستان شما در مورد دوره 😍😍😍
پیشنهاد هوسم برای پیش‌نیازها
گروه رفع اشکال و کانال اطلاع‌رسانی دوره (تلگرام)
توضیح درباره گروه و کانال
برای اطلاعات بیشتر درباره گروه کلیک کنید...
گروه و کانال Private هست. لینک‌ها را در ردیف زیر تحت عنوان “لینک گروه رفع اشکال” و “لینک کانال اطلاع‌رسانی” می‌توانید مشاهده کنید. اگر لینک‌ها کار نکرد، کافی است به شماره پشتیبانی 09025469248 در تلگرام پیام بدهید تا شما را به گروه و کانال اضافه کنند. این کار به سرعت انجام می‌شود.
لینک گروه رفع اشکال
با حضور مدرس دوره
خصوصی
لینک کانال اطلاع‌رسانی دوره
حتما عضو شوید
خصوصی
✅ 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؟ دمو
نصب Scikit-Learn دمو
✅ 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 دمو
کدنویسی مدل رگرسیون دمو
✅ 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 دمو
✅ 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 دمو
✅ 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 دمو
✅ 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 دمو
✅ هفته دهم: مینی‌پروژه | ⏰ 5 ساعت و 8 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
در این هفته، صفرتاصد یک پروژه یادگیری ماشین با استفاده از مفاهیمی که تاکنون آموزش داده شده، انجام شده است.
مبحث EDA چندمتغیره دمو
✅ 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 دمو
معیارهای ارزیابی دمو
✅ 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 دمو
✅ 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؟ دمو
✅ 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 دمو
✅ 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 دمو
✅ 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 دمو
| 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.
این دوره برای چه کسانی مناسب است؟
- دانشجویان رشته‌های مهندسی و علوم پایه
- دانشجویان مقطع کارشناسی ارشد و دکترا
- افرادی که میخواهند اصولی یاد بگیرند! (یادگیری ماشین صرفا ()model.fit نیست)
- افراد صبور، پرتلاش و بابرنامه
این دوره برای چه کسانی مناسب نیست؟
- افرادی که زمان و حوصله کافی برای دنبال کردن دوره را ندارند.
- عزیزانی که فکر می‌کنند به همه مباحث تدریس‌شده تسلط دارند.
- کسانی که دنبال آموزش فست‌فودی هستند.
- دوستانی که فکر می‌کنند تئوری، ریاضیات و مفاهیم در یادگیری ماشین مهم نیست.
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.
دوره های مرتبط
آموزش OpenCV: از پردازش تا بینایی
🛑 توجه 🛑 حتما ویدیوی معرفی دوره را مشاهده کنید 👆 دوره بر بستر اسپات‌پلیر ارائه می‌شود. اگر با این…
168
2,400,000 تومان
پایتون برای هوش مصنوعی 🤖
جدول خلاصه اطلاعات دوره نوع دوره آفلاین پیش‌نیاز دوره - روش دریافت اسپات‌پلیر (اطلاعات بیشتر) سیستم‌عامل‌های تحت پشتیبانی: ویندوز مک…
430
490,000 تومان
یادگیری عمیق جامع: از مفاهیم تا پیاده‌سازی
جدول خلاصه اطلاعات دوره نوع دوره آفلاین پیش‌نیاز دوره پایتون، ریاضیات و یادگیری ماشین روش دریافت اسپات‌پلیر (اطلاعات بیشتر) سیستم‌عامل‌های…
774
2,900,000 تومان
chat_bubble_outlineنظرات
قوانین ثبت دیدگاه
- دیدگاه‌های فینگلیش تایید نخواهند شد.
- دیدگاه‌های نامرتبط با موضوع تایید نخواهند شد.
- از درج دیدگاه‌های تکراری پرهیز نمایید.
- امتیاز دادن به دوره فقط مخصوص دانشجویان دوره است.
مهدی اصغری( دانشجوی دوره )
سلام.
یکی از دستاورد های جانبی که شرکت در دوره های هوسم برای من داشته ، جرئت مواجه با چالش و نترسیدن از کدنویسیه.
فکر میکنم خیلی ها این ترس رو داشته باشند که وقتی کارشون دچار چالش میشه یا ایده ای به ذهنشون میرسه سراغ پیاده سازی اون ایده و حل اون چالش نمیرن چون ترس از این دارند که وقت زیادی صرف کنند و از پس اون چالش برنیان و این واقعا اعتماد بنفس رو پایین میاره و باعث میشه اصلا سمت توسعه دادن و پیاده کردن ایده هایی که توی ذهن داریم نریم.
منم همینطور بودم ، اما توی دوره یادگیری ماشین خصوصا موقع پیاده سازی از صفر درخت ها ، وقتی اومدیم گام به گام پیاده سازی درخت ها رو انجام دادیم، به صورت عملی با تفکر حل مساله آشنا شدم و این باعث شد از اون به بعد بدون ترس سراغ کدنویسی هر ایده ای که به ذهنم میرسه برم و نتایج رو مشاهده و یادداشت کنم.
این ها از یک طرف ، تدریس فوق العاده دکتر اشرفی و محتواهای جذاب و عالی که دوره داره از طرف دیگه باعث میشه شدیدا بهتون پیشنهاد کنم این دوره رو تهیه کنید. 🙂✅
arman karimi( دانشجوی دوره )
من همیشه یکی از مشکلاتی که در طول دوران تحصیلم داشتم این بود که معلما و استادام درس رو طوری ارائه میکردن که حس می کردم یه سری نکات رو نمی گن و حلقه های مفقوده ای در توضیحاتشون هست علارغم اینکه در دانشگاه های برتر ایران با معدل های بالا درس خونده بودن اما اونطور که باید، مطالب رو انتقال نمی دادن.
اما این دوره هیچ نکته مبهمی باقی نمی گذاره و واقعا دوره خیلی خیلی خوبیه برای کسی که میخواد ماشین لرنینگ رو شروع کنه ایده آل هست بنظرم چون:
هم تئوری گفته میشه( از انیمیشن و نمودارایی که خودشون کد زدن برای انتقال بهتر مطلب استفاده کردن) و در کنارش کدنویسی هم داره حتی کد نویسی از صفر هم داره که خیلی کمک می کنه تئوری ها رو بهتر یاد گرفت.
هر وقع که نیازه به سایت سایکیت لرن میرن و اونجا توضیحاتی روی داکیومنتاش میدن.
ریاضیات : جبر خطی و حسابم در حد نیاز توضیح دادن
این دوره دوتا پروژه EDA هم داره تو هفته 9و10 تا قبل این دوتا پروژه فکر می کردم ماشین لرنیگ یعنی load data و train_test_split و model.fit() کردن.
khosro_khan( دانشجوی دوره )
علم گنج بزرگی ست که با خرج کردن تمام نمی شود (اما علی)
عالی و اقعا عالی
آقای اشرفی عزیز بسیار بسیار ممنونم بابت این اموزش خوبتون. فن بیان خوب و مسلط بودن به بحث ها رو کاملا میشه حس کرد. بنده خودم بعد از 12 سال کار توی حوزه برنامه نویسی و قصد دارم به حوزه علوم داده بیام . اموزش های زیادی دیدم و یکی و دو تا کلاس رفتم ولی این اموزش واقعا چیز دیگزی است. یک در دنیا و هزار در دنیا خداوند به شما خیر و باداش بدهد.
اردتمند شما
میلاد
سلام
خدا رو شکر امروز تونستم دوره یادگیری ماشین رو تا اونجایی که ویدئو ها اومدن تکمیل کنم واقعا دوره فوق العاده ای بود و جزییات به بهترین نحو توضیح داده شده بود شاید براتون جالب باشه بدونید من نزدیک به 700 – 800 صفحه تونستم از این دوره جزوه بردارم که واقعا برام مفید بود
بدون شک میشه گفت ارزش دوره بسیار بسیار بسیار از هزینه ای که برای این دوره پرداخت کردم بیشتره و به شحصه تا بحال خودم هم به چند نفری دوره رو معرفی کردم
یه تشکر و دست مریزاد خدمت آقای دکتر اشرفی بزرگوار دارم
ممنونم
سارا پویان( دانشجوی دوره )
سلام
خیلی خوشحالم که این فرصت رو داشتم تا دوره یادگیری ماشین هوسم رو شرکت کنم و با همچین گروه بینظیری آشنا بشم. و تو این حوزه نه یک گام که چند گام به جلو بردارم؛ به همین دلیل به هر کسی که علاقمند به یادگیری هست این دوره رو پیشنهاد میکنم.
از جمله نقاط قوت دوره:
– ارائه مطالب هم بصورت تئوری و هم کدنویسی
– پوشش ریاضیات مورد نیاز (حساب دیفرانسیل، جبرخطی، آمار و احتمال و بهینه سازی)
– کیفیت بالای ویدئوها
– پشتیبانی فوق العاده
– حضور استاد اشرفی در گروه رفع اشکال و پاسخ به سوالات مطرح شده
در آخر هم از حجم مطالبی که یاد می گیرید لذت ببرید. 😍
SA( دانشجوی دوره )
با سلام خدمت تیم هوسم و استاد عزیز
خداقوت به خاطر زحماتی که برای تهیه این دوره کشیده شده
دوره عالی هست
به تمامی دوستانی که میخواهند یادگیری ماشین رو اصولی یاد بگیرند توصیه میکنم این دوره رو تهیه کنند.
پارسا
آموزش های خوبیه حداقل چیزی که از دموهای آموزشی دیدم منتها اینکه هر بار که یه قطعه از کامپیوتر عوض بشه یا با عوض کردن ویندوز دوباره کد بخواد و دوباره درخواست کد بده و این جور داستان ها، هیچ وقت رغبت خرید پیدا نکردم.
هوسم
سلام پارسا عزیز🌹
از شما بابت کامنت تشکر می‌کنیم و از حسن نظر شما در مورد دوره خوشحالیم.
همچنین از اینکه دغدغه‌های خودتون رو مطرح کردید سپاس‌گزاریم.
متاسفیم از اینکه نمی‌تونیم در خدمت شما باشیم و براتون آرزوی موفقیت داریم.💚🌺
امیر مرادی( دانشجوی دوره )
با سلام و احترام. بنده امیر مرادی دانشجوی دکتری حسابداری دانشگاه شهید بهشتی، و از شرکت کنندگان دوره یادگیری ماشین، کیفیت آموزشی این دوره را تأیید و به همه علاقمندان توصیه میکنم.
عبدالله همت
من موفقم با آموزش که هم تئوری باشه و هم عملی