دوره آموزشی مبانی پایتون و یادگیری ماشین

دوره آموزشی مبانی پایتون و یادگیری ماشین

 

« مرکز مالی ایران به عنوان جامع‌ترین و معتبر‌ترین نهاد آموزشی بازار سرمایه، برگزار میکند. »

 

« با پایتون ایده های خود را به واقعیت تبدیل کنید. »

معرفی دوره :

• در دنیای امروز، داده‌ها به ارزشمندترین منبع سازمان‌ها، کسب‌وکارها و پژوهش‌های علمی تبدیل شده‌اند. توانایی تحلیل داده و به‌کارگیری الگوریتم‌های یادگیری ماشین یکی از ضروری‌ترین مهارت‌های بازار کار است. زبان برنامه‌نویسی پایتون نیز به دلیل سادگی یادگیری، گستردگی کتابخانه‌ها و کاربرد وسیع در علم داده، هوش مصنوعی و مهندسی نرم‌افزار، به محبوب‌ترین ابزار تحلیل‌گران و دانشمندان داده تبدیل شده است.

  دوره آموزشی « مبانی پایتون و یادگیری ماشین» با هدف ایجاد یک مسیر آموزشی منسجم، کاربردی و استاندارد طراحی شده است. این دوره بدون نیاز به هیچ پیش‌نیاز برنامه‌نویسی، شرکت‌کننده را از مفاهیم پایه‌ای پایتون شروع کرده و تا سطحی پیش می‌برد که بتواند داده‌های واقعی را تحلیل کرده، نمودارهای آماری ترسیم نماید و الگوریتم‌های کلیدی یادگیری ماشین را پیاده‌سازی کند.

  این دوره حاصل تجربه مدرس در پروژه‌های واقعی داده‌کاوی است و تلاش شده با ترکیبی از آموزش نظری، مثال‌های عملی، تمرین‌های کاربردی و پروژه‌محور، دانشجو نه تنها با مفاهیم آشنا شود، بلکه توانایی اجرای آن‌ها در عمل را نیز کسب کند.

چه فوایدی از این دوره خواهید برد؟

• 🔹 فراگیری پایتون از صفر تا سطح کاربردی

• آموزش مفاهیم برنامه‌نویسی، ساختارها، توابع و کار با کتابخانه‌ها به‌صورت پروژه‌محور

• 🔹 آشنایی کامل با تحلیل داده و آمار توصیفی

• کار با مجموعه‌داده‌های واقعی و یادگیری روش‌های علمی تحلیل داده

• 🔹 درک اصول و پیاده‌سازی الگوریتم‌های یادگیری ماشین

• از الگوریتم‌های ساده تا مدل‌های رایج و قدرتمند Machine Learning

• 🔹 مناسب برای ورود به مسیر تخصصی علم داده

• پس از پایان دوره، فرد قادر است وارد دوره‌های پیشرفته‌تر علم داده و هوش مصنوعی شود

• 🔹 تمرین، مثال و پروژه در تمامی جلسات

• تمرکز بر درک عملی مفاهیم و افزایش تسلط هنرجو

امکانات دوره:

• اعطای مدرک قبولی معتبر در دوره (قابل استعلام)

• ضبط تمام جلسات و دسترسی تا 8 ماه پس از اتمام دوره(ویدیوهای آموزشی قابل دانلود نمی‌باشد)

• گروه تلگرامی کلاس و ارتباط با مدرس دوره تا 6 ماه پس از دوره آموزشی

 

طول دوره:

• 20 ساعت

روزهای برگزاری:

• شنبه و سه شنبه ها

ساعت های برگزاری:  

• 17 الی 19

سرفصل‌ها

 

 جلسه اول: معرفی پایتون و انواع داده‌ها

• معرفی پایتون و کاربردهای آن
• مزایا و معایب پایتون نسبت به سایر زبان‌ها
• انواع داده‌ها در پایتون: عددی، رشته‌ای، بولین
• نحوه نوشتن و اجرای اولین برنامه پایتون
• نصب پایتون و معرفی IDE های پایتون (PyCharm, VS Code, Jupyter)

جلسه دوم: انواع داده‌ها (۲)، عملگرها، دستورات شرطی و حلقه‌ها

• مرور انواع داده‌ها و تبدیل بین نوع داده‌ها
• عملگرهای مقایسه‌ای و منطقی
• دستورات شرطی: IF, ELIF, ELSE
• حلقه‌ها: For، While
• مثال‌های عملی و تمرین روی داده‌ها

جلسه سوم: تعریف تابع

• مفهوم تابع و اهمیت آن در پایتون
• تعریف توابع با ورودی و خروجی
• توابع پیش‌فرض و توابع کاربرساخت
• تمرین‌های عملی برای کاربرد توابع

جلسه چهارم: کتابخانه‌ها در پایتون

• مفهوم کتابخانه و ماژول در پایتون
• نصب و استفاده از کتابخانه‌ها با pip
• معرفی و کار با کتابخانه‌های مهم:
• Math
• Numpy
• Pandas
• Matplotlib
• Seaborn
• رسم نمودارها: Plot, Subplot

جلسه پنجم: آمار توصیفی

• شاخص‌های تمرکز: میانگین، میانه، نما
• شاخص‌های پراکندگی: دامنه، چارک‌ها، واریانس، انحراف معیار، ضریب تغییرات
• شاخص‌های تقارن و توزیع: چولگی، برجستگی، توزیع نرمال
• تمرین روی داده‌های واقعی

جلسه ششم: مدیریت داده‌های پرت

• مفهوم داده‌های پرت و اثر آن بر تحلیل‌ها
• روش شوارتز برای تشخیص داده‌های پرت
• روش تاکی برای تشخیص داده‌های پرت
• حذف یا اصلاح داده‌های پرت با Pandas

جلسه هفتم: تحلیل داده اکتشافی (EDA)

• مرور داده‌ها و آماده‌سازی قبل از مدل‌سازی
• تکنیک‌های EDA و تشریح روش تاکی
• ماتریس کواریانس و نمودارهای توصیفی
• کاهش ابعاد داده‌ها برای تحلیل

جلسه هشتم: شروع یادگیری ماشین

• معرفی یادگیری ماشین و کاربرد آن در علم داده
• اصول و مبانی یادگیری ماشین
• انواع یادگیری ماشین: نظارت‌شده و بدون نظارت
• Overfitting و Underfitting و اهمیت ارزیابی مدل

جلسه نهم: یادگیری ماشین با نظارت

• الگوریتم‌های رگرسیون خطی و چندجمله‌ای (Linear & Polynomial Regression)
• Classification و انواع خطاها
• الگوریتم‌های پیشرفته:
• درخت تصمیم (Decision Tree)
• جنگل تصادفی (Random Forest)
• نزدیک‌ترین همسایه (KNN)
• SVM
• تمرین‌های عملی و تحلیل مدل

جلسه دهم: یادگیری ماشین بدون نظارت

• الگوریتم خوشه‌بندی (Clustering)
• الگوریتم K-Means و PCA
• DBSCAN و کاربردهای آن
• تمرین و تحلیل داده‌های واقعی

مخاطبین دوره

• افراد کاملاً مبتدی که می‌خواهند برنامه‌نویسی را از صفر شروع کنند

• علاقه‌مندان به تحلیل داده، علم داده و هوش مصنوعی

• دانشجویان و پژوهشگرانی که برای پروژه‌ها و تحقیقات خود به پایتون و یادگیری ماشین نیاز دارند

• افرادی که قصد ورود به بازار کار حوزه‌های Data Science و Machine Learning را دارند

• کسانی که می‌خواهند مهارت‌های برنامه‌نویسی و تحلیل داده خود را ارتقا دهند