توضیحات مدرس منظم و کاملاً پروژهمحور بود و هر جلسه خروجی مشخصی داشت.
هوش مصنوعی کاربردی و یادگیری ماشین
این دوره با تمرکز بر درک درست مسئله و ساخت pipeline، یادگیری ماشین را از تئوری به محصول نزدیک میکند.

این دوره چه مسیری را برایت میسازد؟
این دوره با تمرکز بر درک درست مسئله و ساخت pipeline، یادگیری ماشین را از تئوری به محصول نزدیک میکند.
مناسب برای
- برنامهنویسان Python و تحلیلگران داده
- افرادی که میخواهند پروژه AI قابل ارائه بسازند
دستاوردهای اصلی
- آمادهسازی داده و feature engineering
- انتخاب و آموزش مدل
- ارزیابی و جلوگیری از overfitting
- ارائه مدل در یک سرویس ساده
در پایان چه چیزی میسازی؟
ساخت مدل پیشبینی یا دستهبندی و ارائه آن از طریق API با گزارش کامل ارزیابی.
سرفصل جلسات دوره
آموزش پروژهمحور با notebook، تحلیل نتایج و بحث درباره محدودیتهای مدل.
پایهگذاری و ساخت هسته پروژه
01جلسه 1: تعریف مسئله و ساخت دیتاست پروژه+
در این جلسه، «تعریف مسئله و ساخت دیتاست پروژه» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
راهاندازی ماژول تعریف مسئله و ساخت دیتاست پروژه برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
02جلسه 2: پاکسازی داده و تحلیل کیفیت+
در این جلسه، «پاکسازی داده و تحلیل کیفیت» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
ساخت ماژول پاکسازی داده و تحلیل کیفیت برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
03جلسه 3: Feature Engineering برای مدل+
در این جلسه، «Feature Engineering برای مدل» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
توسعه ماژول Feature Engineering برای مدل برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
پیادهسازی قابلیتهای اصلی
04جلسه 4: ساخت baseline و تقسیم داده+
در این جلسه، «ساخت baseline و تقسیم داده» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
تکمیل ماژول ساخت baseline و تقسیم داده برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
05جلسه 5: آموزش مدلهای supervised+
در این جلسه، «آموزش مدلهای supervised» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
امنسازی ماژول آموزش مدلهای supervised برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
06جلسه 6: مقایسه مدلها و تنظیم پارامتر+
در این جلسه، «مقایسه مدلها و تنظیم پارامتر» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
آزمایش ماژول مقایسه مدلها و تنظیم پارامتر برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
یکپارچهسازی و تکمیل محصول
07جلسه 7: ارزیابی، cross-validation و overfitting+
در این جلسه، «ارزیابی، cross-validation و overfitting» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
بهینهسازی ماژول ارزیابی، cross-validation و overfitting برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
08جلسه 8: ساخت pipeline قابل تکرار+
در این جلسه، «ساخت pipeline قابل تکرار» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
انتشار ماژول ساخت pipeline قابل تکرار برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
09جلسه 9: ذخیره و بارگذاری مدل+
در این جلسه، «ذخیره و بارگذاری مدل» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
بازطراحی ماژول ذخیره و بارگذاری مدل برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
تست، انتشار و ارائه پروژه
10جلسه 10: ساخت API برای پیشبینی+
در این جلسه، «ساخت API برای پیشبینی» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
مستندسازی ماژول ساخت API برای پیشبینی برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
11جلسه 11: طراحی پروژه پیشبینی واقعی+
در این جلسه، «طراحی پروژه پیشبینی واقعی» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
اتصال ماژول طراحی پروژه پیشبینی واقعی برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
12جلسه 12: دمو، تحلیل خطا و ارائه مدل+
در این جلسه، «دمو، تحلیل خطا و ارائه مدل» را برای ساخت بخشی از مدل پیشبینی قابل استفاده یاد میگیرید. آموزش با نمایش خروجی نهایی شروع میشود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده میشوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیادهسازی میکنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام میشود.
ارائه ماژول دمو، تحلیل خطا و ارائه مدل برای مدل پیشبینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.
پیشنیازها و مناسب چه کسانی است؟
پیشنیازهای دوره
- Python و تحلیل داده مقدماتی
- آشنایی پایه با جبر و آمار مفید است
این دوره برای شماست اگر...
- برنامهنویسان Python و تحلیلگران داده
- افرادی که میخواهند پروژه AI قابل ارائه بسازند
کلاس آنلاین و زنده
آموزش پروژهمحور با notebook، تحلیل نتایج و بحث درباره محدودیتهای مدل. در طول کلاس میتوانی سؤال بپرسی، صفحهات را به اشتراک بگذاری، تمرین را همان لحظه انجام بدهی و بازخورد مستقیم بگیری.
نظر دانشجویان درباره این دوره
تجربههای واقعی دانشجویان بعد از شرکت در کلاسهای آنلاین و انجام پروژه.
مثالهای عملی باعث شد موضوع را خیلی سریعتر از مطالعه تنها یاد بگیرم.
کلاس زنده و امکان پرسشوپاسخ مهمترین نقطه قوت این دوره بود.
مطالب از پایه شروع شد و قدمبهقدم به مباحث حرفهای رسید.
تمرینها کاربردی بودند و الان یک نمونهکار قابل ارائه دارم.
پشتیبانی و بازخورد مدرس کمک کرد اشتباهاتم را درست متوجه شوم.
این دوره را گذراندهای؟ نظر بده
نظر تو بعد از بررسی کوتاه تیم، در همین صفحه نمایش داده میشود.
دورههای مشابه یا موردنیاز
مدرک پایان دوره آریا آکادمی
پس از حضور در کلاسهای زنده، تحویل پروژه و موفقیت در ارزیابی نهایی، گواهی پایان دوره برایت صادر میشود.
- نام دوره و نام دانشجو روی گواهی درج میشود.
- شماره گواهی برای پیگیری و ارائه در رزومه ثبت میشود.
- پروژه نهایی و مهارتهای کسبشده بخشی از مسیر ارزیابی هستند.
