| ⚠ 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
پایتون برای هوش مصنوعی 🤖
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! 🙂
sara( دانشجوی دوره )
با سلام
خواهشمندم مباحث پیشرفته تر را چه در قالب آپدیت و چه در قالب پکیج جدید (که آن را خریداری کنیم) ، ارایه دهید.
بامداد پاکزاد
سلام وقت بخیر
میخواستم بدونم ویدئو ها به صورت همیشگی در دسترس هستند یا اینکه مدت زمان مشخصی دارند و بعد از تایمی دیگه قابل استفاده نیستند؟
هوسم
سلام
دسترسی به محتوای دوره، محدودیت زمانی نداره.
هر سوالی درباره دوره داشتید، میتونید در چت آنلاین سایت مطرح کنید و پشتیبانی در خدمت شما هست. 🙏
sara( دانشجوی دوره )
با سلام و احترام، دوره ای بسیار عالی و جامع . کاملا مشخص است که برای این دوره تمام سرفصل ها با دقت و وسواس انتخاب شده اند . در ارائه نیز به هیچ عنوان کم کاری صورت نگرفته است زیرا بنده تجربه سه دوره در مراکز بسیار معتبر دیگر را داشته ام (در اینجا نمیتوانم نام ببرم چون ممکن هست برای وب سایت شما مشکل پیش بیاید) با آنکه آن سه دوره با قیمت هایی حدودا دو برابر و یا سه برابر ارائه شدند قابل مقایسه با این دوره نبودند. تسلط استاد گرانقدر بسیار عالی است. حتما به دیگران این دوره را پیشنهاد خواهم کرد.
هوسم
از خوندن پیامتون عمیقا خوشحال شدیم. خیلی ممنون از اینکه نظرتون رو به اشتراک گذاشتید. برای ما بسیار باارزش هست.
بهترین‌ها رو براتون آرزومندیم ⭐️
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