بوتکمپ هوش مصنوعی دانشکار | پایتون، ML و LLM
بوتکمپ هوش مصنوعی دانشکار، یک مسیر آموزشی گسترده از مبانی برنامهنویسی و پایتون تا یادگیری ماشین، یادگیری عمیق و کاربردهای تخصصی AI را در فهرست خود دارد. این محصول شامل محتوای آموزشی ضبطشدهٔ فهرستشده است.
قیمت طبقه منفی یک: 890,000 تومان
قیمت منفی یک برای محتوای فهرستشده است؛ قیمت مرجع تأییدنشده در تخفیف نمایش داده نشده است.
بوتکمپ هوش مصنوعی دانشکار، یک مسیر آموزشی گسترده از مبانی برنامهنویسی و پایتون تا یادگیری ماشین، یادگیری عمیق و کاربردهای تخصصی AI را در فهرست خود دارد. این محصول شامل محتوای آموزشی ضبطشدهٔ فهرستشده است.
Numpy و Pandas، جبر خطی، NLP، مدلهای زبانی، بینایی ماشین، سری زمانی، سیستم پیشنهاددهنده و MLOps در این مسیر دیده میشوند. برای شروع بهتر است ابتدا بخشهای پیشنیاز را طی کنی و سپس به پروژههای شاخهٔ موردنظر برسی. خدمات بوتکمپ حضوری، منتورینگ، تصحیح تکلیف و معرفی به کار، بخشی از وعدهٔ این صفحه نیستند.
سرفصلهای زیر، ترتیب مباحث فهرستشده برای همین نسخه را نشان میدهند. پیش از انتخاب، موضوعها و پیشنیازها را با هدف یادگیری خودت مقایسه کن و برای اجرای تمرینها زمان بگذار.
آخر دوره چی دستته
- مرور مبانی برنامهنویسی و پایتون
- آشنایی با Numpy، Pandas و جبر خطی
- مطالعهٔ یادگیری ماشین و یادگیری عمیق
- پیگیری NLP، LLM و بینایی ماشین
- مرور سری زمانی، توصیهگر و MLOps
سرفصلها
معرفی دوره
- !ویدیو نحوه استفاده از پنل میزکار دانشکار!
- معرفی دوره
Soft skills
- کار تیمی
- شخصیت شناسی
- مقدمه یادگیری
- مدیریت توجه
- مدیریت زمان
- برنامه ریزی
- اهمال کاری با تیم اربان
- تکنیک ها و سطوح یادگیری
Programming Fundamentals
- Computer -1
- Data -2
- Signal -3
- Data Representation -4
- CPU Components -5
- Problem solving -6
- Algorithm -7
- Flowchart -8
- Programming -9
- Programming fundamentals -10
- Operators -11
Python - Part 1
- Introduction
- Installation on Windows
- Basic operators & functions
- Variables
- Strings
- Type casting
- Formatted strings
- String methods
- Lists, Tuple, Set
Python - Part 2
- Dictionary
- Conditions
- Loops
- Functions
- exercise-part1
- exercise-part3
- exercise-part4
- Object oriented programming (OOP)
- inheritance
Python - Part 3
- Modules & Packages
- Error Handling
- File Handling
- Regular Expressions
- exercise-part2
- exercise-part5
- exercise-part6
- Virtual environment & Decorator
- Algorithms
- exercise-part7
- exercise-part8
- exercise-part9
Git
- 1- گیت چیه و چرا مهمه؟
- 2- نصب گیت
- 3- معرفی خودمون به گیت!
- 4- مینی دوره دستورات ترمینال
- 5- git repository چیه؟
- 6- یک اشتباه خطرناک (ریپازیتوی تو در تو)
- 7- معرفی git add - git commit
- 8- یک سناریو دیگه از git add و git commit
- 9- و اصلاح کامیت آخرgit amend
- 10- مفهومی به اسم atomic commit
- 11- نگاهی به documentation و ویژگی های بیشتر git log
- 12- کاربرد git ignore
- 13- تغییر text editor پیشفرض گیت
- 14- معرفی branching
- 15- معرفی برنچ master
- 16- مفهوم head
- 17- نحوه ساخت و تغییر برنچ ها
- 18- آشنایی با یک میانبر و تفاوت switch و checkout
- 19- جابجایی بین برنچ ها با فایل های کامیت نشده
- 20- حذف یک برنچ
- 21- تغییر نام برنچ
- 22- fast forward merge
- 23- سناریو merge بدون داشتن conflict
- 24- سناریو سوم و merge با حل conflict
- 25- استفاده از vscode ها در حل conflict
- 26- معرفی stash
- 27- سناریو اول و نحوه stash کردن تغییرات
- 28- سناریو دوم و چگونگی خارج کردن تغییرات از stash
- 29- دیدن لیست موارد stash شده
- 30- مشاهده جزئیات stash شده
- 31- چرا بعضی تغییرات داخل stash نمی روند
- 32- آشنایی با git stash apply
- 33- نحوه اپلای کردن یک stash خاص و پاک کردن لیست
- 34- آشنایی با کامند git diff
- 35- git diff -- staged & git diff HEAD
- 36- فیلتر کردن خروجی بر اساس فایل ها
- 37- بررسی تغییرات دو برنچ
- 38- بررسی تغییرات دو کامیت
- 39- منظور از سفر در زمان چیه؟
- 40 -آشنایی با Detached head و کاربرد جدید git checkout
- 41- ساخت برنچ با شروع از کامیت های قبلی
- 42- استفاده از موقعیت head برای جابجایی بین کامیت ها
- 43- چگونگی پاک کردن تغییرات کامیت نشده با کمک git checkout
- 44- آشنایی با git restore
- 45- پاک کردن کامیت ها با git reset
- 46- برگرداندن تغییرات با git revert
- 47- معرفی گیتهاب
- 48- ساخت اکانت گیتهاب و آشنایی با دستور git clone
- 49- آشنایی با git remote & git push و انتقال ریپازیتوری های قدیمی به گیتهاب
- 50- آشنایی با upstream
- 51- نحوه authentication با استفاده از توکن
- 52- نحوه authentication با استفاده ازssh key
- 53- شروع ریپازیتوری اینبار از گیتهاب
- 54- remote branch tracking
- 55- git pull
- 56- مواجه با merge conflict بعد از git pull
- 57- تغییر برنچ پیش فرض در git pull
- 58- ریپازیتوری public و private
- 59- اضافه کردن افراد به عنوان collaborator
- 60- چطوری بهتر readme بنویسیم
- 61-سخن پایانی
Numpy & Pandas - Part 1
- 1-1- Introduction
- 1-2-Jupyter Notebook
- 1-3-Why we need numpy
- 1-4 Starting with NumPy
- 1-5-Understanding Array Structure
- 1-6-Selecting Parts of an Array
- 1-7-Selecting Parts of an Array(Code)
- 1-8-Changing the Structure of Data
- 1-9-Changing the Structure of Data (Code)
- 1-10-Numerical Operations
- 1-11-Understanding axis
- 1-12-Broadcasting
- 2-2-From Dataset to Machine Learning
- 2-3-Samples, Features, Target
- 2-4-Pandas DataFrame
- 2-5-Understanding a Dataset
- 2-6-Customer Behavior - general inspection
- 2-7-Customer Behavior-investigating individual columns
- 2-8-Selecting Columns and Rows + Boolean Filtering + Multiple Conditions
- 2-9-loc and iloc
- 2-10-Sorting Values
- 2-11-Create a new column
- 2-12-Modify columns and values
- 2-13-Removing Columns and Rows
- 2-14-Groupby
Numpy & Pandas - Part 2
- 3-1-Fixing Obvious Problems(1)
- 3-2-Fixing Obvious Problems(2)
- 3-3-Fixing Obvious Problems(3)
- 3-4-Histogram and Bar Chart
- 3-5-Outlier Detection(1)
- 3-6-Outlier Detection(2)
- 3-7-Scatter Plot
- 3-8-Bar Chart
- 3-9-Correlation
- 3-10-What is a Missing Value
- 3-11-Handling Missing Values (1)
- 3-12-Handling Missing Values (2)
Linear Algebra
- 1- Introduction
- 2- Vectors
- 3- Vectors Code1
- 4- Vectors Code2
- 5- Matrices 1-1
- 6- Matrices 1-2
- 7- Matrices 2-1
- 8- Matrices 2-2
- 9- Matrices 2-3
- 10- Matrix Code1
- 11- Matrix Code2
- 12- Det and Inv
- 13- System of linear equations
- 14- Norms and LI
- 15- Linear Independence , Norm code
- 16- Orthogonal Vectors and Matrices (1)
- 17- Ortogonal Vectors and Matrices Code
- 18- Eigenvalue Intro
- 19- Eigenvalue Explanation
- 20- Characteristic Equation
- 21- EigenValue Code
- 22- Eigen Decomposition and Diagonalization
- 23- Eigen Decomposition and Diagonalization Code
- 24- PCA Intro
- 25- PCA Explanation
- 26- PCA Code 1
- 27- PCA Code final (2)
Machine Learning - Part 1
- 1-What_is_machine_learning
- 2-Machine_learning_linear_regression
- 3-Machine_learning_logistic_regression
- 4-Sklearn_1_01_machine_learning
- 5-Sklearn_1_02_introducing_scikit_learn
- 6-Sklearn_1_03_hyperparameters_and_model_validation
- 7-sklearn_1_04_feature_engineering
- 8-Sklearn_2_01_linear_regression
- 9-Sklearn_2_02_support_vector_machine
- 10-Sklearn_2_02-1_confusion_matrix
Machine Learning - Part 2
- 11-Sklearn_2_03_principal_component_analysis
- 12-Advanced Machine Learning - Decision Trees
- 13-Advanced Machine Learning - Random Forest
- 14-sklearn_2_04_random_forests
- 15-sklearn_2_05_k_means
- 16-sklearn_2_06_gaussian_mixtures
- guided_project_machine_learning_part1
- guided_project_machine_learning_part2
- guided_project_machine_learning_part3
- guided_project_machine_learning_part4
Deep Learning
- 1_deep_learning_intro
- 2_deep_learning_structure
- 3_deep_learning_activation_function
- 4_deep_learning_cost_function
- 5_deep_learning_optimization
- 6_deep_learning_pytorch_basic
- 7_deep_learning_regression
- 8_deep_learning_classification
Signals
- 1- مبانی سیگنال ها در یادگیری ماشین
- 2- سیگنال ها و کاربردهای آن
- 3- تفاوت feature extraction, feature mapping, embedding
- 4- انواع سیگنال ها
- 5- ویژگی های مهم سیگنال
- 6- دامنه سیگنال
- 7- زمان سیگنال
- 8- فرکانس سیگنال
- 9- انرژی سیگنال
- 10- مبانی و انواع سیگنال_ تولید، گسسته سازی و شبیه سازی نویز در پایتون
- 11- تحلیل حوزه زمان_ استخراج ویژگی های آماری، انرژی و توان از سیگنال ها
- 12- تحلیل حوزه فرکانس_ تبدیل فوریه (FFT)، طیف توان (PSD) و استخراج ویژگی
- 13- پیش پردازش سیگنال در یادگیری ماشین_ فیلترگذاری، حذف نویز و نرمال سازی
- 14- پروژه نهایی_ کاربرد یادگیری ماشین و شبکه عصبی (1D-CNN) در پردازش داده های حسگر
- 1- معرفی و آشنایی با لینکدین
- 2- ساخت پروفایل
- 3- ساخت پروفایل
- 4- ساخت پروفایل
- 5- شبکه سازی در لینکدین
- 6- jobs tab
- 7- ایده محتوایی در لینکدین
- 8- آنالیز اکانت لینکدین
- 9- لینکدین لرنینگ
- 10- تعامل در لینکدین
- 11- بیزنس پیج
- 12- home
- 13- جمع بندی
NLP
- 1. مقدمه ای بر پردازش زبان طبیعی 1
- 2. مقدمه ای بر پردازش زبان طبیعی 2
- 3. معرفی پروژه عملی دوره
- 4. آموزش کار با html, beautiful soup
- 5. کار با سلنیوم برای web scraping سایت nobat.ir
- 6. اجرای crawler بر روی سایت nobat.ir
- 7. ارائه شهود و اموزش تئوری TF-IDF
- 8. معرفی ساختار داده اسکرپ شده و آمادهسازی فایلها
- 9. تحلیل اکتشافی دادهها (EDA)
- 10. پیش پردازش داده های متنی
- 11. پیش پردازش داد های متنی با regex, hazm
- 12. معرفی تسک بازیابی اطلاعات و پیادهسازی TF-ID
- 13. پیاده سازی TF-IDF
- 14. بررسی مشکلات TF-IDF ساده و راهکارهای بهبود آن
- 15. معرفی bigram ها و نحوه ساخت tf-idf با sklearn
- 16. معرفی تسک تحلیل احساسات
- 17. تحلیل احساسات، تکنیک Weak Labeling
- 18. پیادهسازی مدل MLP برای تحلیل احساسات
LLM - Part 1
- 19. introduction to use cloud LLMs
- 20. anatomy of request
- 21. anatomy of response prompt engineering
- 22. prompt engineering2
- 23. prompt engineering3
- 24. multi modal_1
- 25. pdf readers_1
- 26. pdf readers_2
- 27. pdf readers_3
- 28. pdf readers_4
- 29. pdf readers_5
LLM - Part 2
- 30. transformers_1
- 31. transformers_2
- 32. transformers_3
- 33. transformers_4
- 34. transformers_5
- 35. bert
- 36. introduction to dense vectors
- 37. working with embedding models
- 38. working with embedding models
- 39. chunking strategy
- 40. search engine
- 41. create chatbot with gemini
- 42. create chatbot with gemini
- 43. introduction_2_hf
- 44. introduction2_rag
- 45. implementation_rag_1
- 46. implementation_rag_2
AI Project
- Project_Description
Computer Vision - Part 1
- 0- Start
- 1- Introduction to CV and its applications
- 2- RGB Vs Grayscale
- 3- RGB Code
- 4- Noise
- 5- Noise Code
- 6- Thresholding
- 7 - Thresholding code
- 8- Why we need CNN
- 9- Introduction to Neural Networks
- 10- Chain Rule and SSR
- 11- How Backpropagation Works
- 12- Neural Networks with multiple inputs intro
- 13- ANN in more details
- 14- Introduction to Filters
- 15- Complete CNN
Computer Vision - Part 2
- 16- MNIST Preprocessing
- 17- MNIST Building the Model
- 18- MNIST outputs
- 19- MNIST Train,val,test
- 20- Augmentation
- 21- CIFAR Preprocess
- 22- CIFAR model , train
- 23- CIFAR output
- 24- PyTorch FMNIST Preprocessing
- 25- PyTorch Building the model
- 26- PyTorch Training the model-2
- 27 -PyTorch output
- 28 - Famous Architectures
- 29 - How to use models
- 30 - Real Examples of famous Architecturs
Computer Vision - Part 3
- 31- Transfer Learning - Cat vs Dog - Preprocess
- 32- Transfer Learning - Cat vs Dog - Data Pipe
- 33- Transfer Learning - Cat vs Dog - Train and Result
- 34- Transfer Learning - Oxford Pets - PyTorch - Preprocess
- 35- Transfer Learning - Oxford Pets - PyTorch - Data loader
- 36- Transfer Learning - Oxford Pets - PyTorch - Model and Result
- 37 - Precision vs Recall
- 38 - Pneumonia Classification in Kaggle
- 39 - Real World Project - Intro
- 40 - Real World Project - Preprocess
- 41 - Real World Project -Model and Results
- 42 - Why do we need Object Detection
- 43 - Bounding Box
- 44 - First models for object detection
- 45 - Modern Detectors
- 46 - How Yolo Works
- 47 - YOLO in action
Computer Vision - Part 4
- 48_ introduction_to_segmentation
- 49 - Segmentation Types
- 50 - How segmentation models work
- 51 - Segmentation Metrics
- 52 - Segmentation Case Study
- 53 - Segmentation code (Part 1)
- 54 - Segmentation Code (Part 2)
- 55 - Sample Codes from Kaggle
- 56 - Next Steps (Part 1)
- 57 - Next Steps (Part 2)
- 58 - Big Companies (Part 1)
- 59 - Big Companies (Part 2)
- 60 - Big Companies (Part 3) Military
Computer Vision Project
- Project_Description
Time Series - Part 1
- TimeSeries-S01E01
- TimeSeries-S01E02
- TimeSeries-S01E03
- TimeSeries-S02E01
- TimeSeries-S02E02
- TimeSeries-S02E03
- TimeSeries-S02E04
- TimeSeries-S03E01
- TimeSeries-S03E02
- TimeSeries-S03E03
- TimeSeries-S03E04
- TimeSeries-S03E05
Time Series - Part 2
- TimeSeries-S04E01
- TimeSeries-S04E02
- TimeSeries-S04E03
- TimeSeries-S04E04
- TimeSeries-S05E01
- TimeSeries-S05E02
- TimeSeries-S05E03
- TimeSeries-S05E04
- TimeSeries-S05E05
- TimeSeries-S05E06
- TimeSeries-S06E01
- TimeSeries-S06E02
- TimeSeries-S06E03
- TimeSeries-S06E03-2
- TimeSeries-S06E04
- TimeSeries-S07E01
- TimeSeries-S07E02
- TimeSeries-S07E03
- TimeSeries-S07E04
- TimeSeries-S08E01
- TimeSeries-S08E02
- TimeSeries-S08E03
- TimeSeries-S08E04
- TimeSeries-S08E05
- TimeSeries-S09E01
- TimeSeries-S09E02
- TimeSeries-S09E03
- TimeSeries-S09E04
- TimeSeries-S010E01
- TimeSeries-S010E02
- TimeSeries-S010E03-LSTM
- TimeSeries-S010E04
- TimeSeries-S010E05
- TimeSeries-S010E06
Recommendation Systems
- 1. مقدمه سیستم های پیشنهاد دهنده
- 2. سیستم پیشنهاد دهنده مبتنی بر محتوا
- 3. سیستم پیشنهاد دهنده مبتنی بر همکاری
- 4. یادگیری ماشین و سیستم های پیشنهاد دهنده
- 5. چالش ها و معیارهای ارزیابی در سیستم های پیشنهاد دهنده
- 6. code courses - part 1
- 7. code courses - part 2
- 8. code courses - part 3
- 9. code courses - part 4
- 10. code courses - part 5
MLOps - Part 1
- 1. آموزش MLOps_ مفاهیم و چالشهای اساسی
- 2. آشنایی با MLOps و نمونه کد تشخیص نقص محصولات
- 3. پیکربندی و بهترین روشها در MLOps
- 4. بهبود و ساختاردهی پروژههای ML با Git و Workflow
- 5. مدیریت وابستگیها در سیستمهای یادگیری ماشین
- 6. ایجاد و مدیریت Environment در Python و Docker
- 7. مدیریت ورژندهی دیتا در پروژههای ML
- 8. آموزش کنترل نسخه دادهها با DVC و MLflow
MLOps - Part 2
- 9. توسعه و تست مدل در MLOps_ اصول و استراتژیها
- 10. بهبود کد و تستنویسی در پروژههای یادگیری ماشین
- 11. آمادگی و دیپلوی مدلهای یادگیری ماشین با FastAPI
- 12. مدلسازی و تولید سیستمهای یادگیری ماشین
- 13. مدیریت خطاها و مقیاسپذیری در APIها
- 14. استراتژیهای دیپلوی و مانیتورینگ مدلهای MLOps
- 15. مدیریت Model Drift در یادگیری ماشین
- 16. استخراج بهترین شیوهها در CI_CD برای MLOps
" کارگاه رزومه نویسی "
- 1. سرفصل های کارگاه رزومه نویسی
- 2. روایت یک مسیر حرفه ای
- 3. سیر تحول
- 4. تفاوت Resume, CV, Cover Letter
- 5. معماری یک سند اثر گذار
- 6. برای کاراموزان و مشاغل تخصصی
- 7. دروازه ورود به بازار کار
مدرس
دانشکار · مدرس یا ارائهدهندهٔ آموزش
مناسب کیه
- علاقهمندان به مسیر تخصصی هوش مصنوعی
- دانشجویان فنی و برنامهنویسی
- افراد آمادهٔ مطالعه و تمرین بلندمدت
داخل پکیج چیه
- فهرست تفصیلی مباحث بخشها و عنوانهای آموزشی همین نسخه در ادامهٔ صفحه آمدهاند.
- مسیر متناسب با موضوع دوره پیشنیاز و مخاطب پیشنهادی برای انتخاب آگاهانه درج شدهاند.
ثبتنام و خرید فقط از سایت و ربات انجام میشود.