Quera College

دوره جدید آموزش مسئله‌محور هوش مصنوعی و یادگیری ماشین
به زودی آغاز خواهد شد.

در این دوره چه می‌آموزید؟

در این دوره شما استفاده‌ی عملی از هوش مصنوعی و یادگیری ماشین را فرا می‌گیرید و کاربرد یادگیری ماشین برای تحلیل داده را با حل چالش‌های متعدد می‌آموزید. در این چالش‌ها به تحلیل داده‌های واقعی مثل نتایج فوتبال، امتیازدهی به فیلم‌ها، نتایج سانحه‌ی کشتی تایتانیک و … پرداخته می‌شود. در انتهای دوره مسئله‌های واقعی از شرکت پوشه که اختصاصاً در اختیار Quera College قرار گرفته را حل خواهید کرد.

این درس از دو بخش عمده تشکیل شده است:

  • تحلیل داده:

    بهره بردن از کتابخانه‌ها و امکانات زبان پایتون برای تحلیل داده و در ادامه آشنایی عمیق با مفاهیم آماری، پایه‌ی تفکر داده‌کاوی شما را شکل خواهد داد. به عنوان مثال در یکی از تمرین‌های این بخش بر اساس داده‌های فوتبال لالیگا، عملکرد باشگاه‌های فوتبال اسپانیا را با رسم نمودار از چند منظر ارزیابی خواهید کرد.
  • یادگیری ماشین:

    در این بخش با الگوریتم‌های مختلف یادگیری ماشین آشنا می‌شوید و از ابزارهایی که در بخش قبلی آموخته‌اید در ترکیب با این الگوریتم‌ها، اطلاعات جالبی از داده‌هایی که در اختیارتان قرار می‌گیرد استخراج می‌کنید. به عنوان مثال، می‌آموزید که چه‌طور می‌توان با کمک داده‌های قیمت خانه‌ها، قیمت یک خانه تازه‌ساخته‌شده را پیش‌بینی کرد!

مهارت‌هایی که با گذراندن این دوره کسب می‌کنید:

  • تفکر آماری برای تحلیل داده
  • تحلیل اکتشافی و تصویر‌سازی داده
  • تجربه‌ی استفاده از پایتون و کتابخانه‌های تخصصی آن برای کار با داده
  • یادگیری نظارت شده برای مدل‌سازی و پیش‌بینی آینده
  • یادگیری نظارت نشده برای خوشه‌بندی

در نهایت شما وارد مسیر رسیدن به شغل‌هایی مثل دانشمند داده (Data Scientist)، مهندس یادگیری ماشین (Machine Learning Engineer) و یا مهندس هوش مصنوعی (AI Engineer) می‌شوید. در ادامه‌ی کار Quera College دوره‌هایی تخصصی در این موارد آماده خواهد شد که گام‌های بعدی این مسیر را نیز طی کنید.

چرا داده‌کاوی و یادگیری ماشین؟

    در دهه‌های اخیر با پیشرفت تکنولوژی و توانایی در تولید و ذخیره داده در زمینه‌های مختلف علوم از جمله ژنتیک، اقتصاد، اخترشناسی و... نیاز به چارچوبی برای تحلیل سیستماتیک و خودکار انبوهی از داده که در اختیار داریم خود را نمایان کرد، و عصری جدید شروع شد که آن را «دوران ابر داده» یا “Big Data Era” می‌نامند. امروزه چون داده، محور اصلی بیشتر کسب‌وکارها و حتی پروژه‌های تحقیقاتی است، تحلیل آن نیز بخش جدایی‌ناپذیری از فرآیند آنها شده است. این نیاز در کسب‌وکارهای داخل کشور نیز وجود دارد و متخصصان تحلیل داده و یادگیری ماشین می‌توانند در حل چالش‌های سازمان‌ها نقشی کلیدی ایفا کنند. هدف از این درس و مجموعه‌های بعدی آن پاسخی به نیاز بازار کار به مختصصان علوم‌داده و یادگیری ماشین است.

چرا دوره یادگیری ماشین کوئرا کالج؟

  • توازنی بین آموزش آکادمیک و نیاز صنعت:

    با همکاری متخصصانی از شرکت‌ها و هم‌چنین اساتید دانشگاه، سعی شده تا مباحث این دوره با حفظ انسجام و دقت آکادمیک، مطابق با نیازهای صنعت طراحی شود و از دوره‌های معمول که تنها شامل مباحث نظری است فاصله بگیرد.
  • آشنایی با تفکر آماری و یادگیری ماشین برای حل مسائل داده‌محور:

    تب داغ هوش مصنوعی باعث شده تا بیشتر دوره‌های آموزشی یادگیری ماشین، به شکل شتاب‌زده‌ای سراغ معرفی الگوریتم‌های پیش‌بینی در یادگیری ماشین بروند. در این دوره سعی شده با آموزش‌های عملی مفاهیم و ابزارهای آماری، یادگیری این الگوریتم‌ها با عمق بیشتری صورت پذیرد.
  • آشنایی با ابزارهای Python برای تحلیل، نمایش و مدل سازی داده:

    پایتون به عنوان زبانی در دسترس و سطح بالا قابلیت‌های فراوانی را برای تحلیل‌داده و مدل‌های یادگیری در اختیار ما می‌گذارد.
  • قالب یادگیری آنلاین تعاملی Quera College:

    امکانات فنی خاصی در قالب دوره‌های Quera College وجود دارد که از آن‌ها می‌توان به سیستم داوری و نمره‌دهی خودکار، تمرین عملی و کد زدن کنار درس‌نامه‌ها، کنسول تعاملی پایتون و سیستم امتیازدهی اشاره کرد. جزئیات این امکانات را می‌توانید در این پست کوئرامگ مشاهده کنید.
  • دسترسی به مدرسان و طراحان دوره:

    همچون تمام دوره‌های دیگر کوئراکالج، امکان پرسش‌وپاسخ با مدرسان و همچنین سایر شرکت‌کنندگان دوره برای شما فراهم خواهد بود.
  • گواهی کوئرا:

    در صورتی که این دوره را با موفقیت به پایان برسانید، گواهی گذراندن آن را کسب می‌کنید که به صورت دیجیتالی در اختیار شما قرار می‌گیرد.

پیش ‍‌نیاز‌های این دوره

آشنایی با زبان پایتون (تا پایان فصل کار با فایل دوره پایتون پیشرفته)، تفکر الگوریتمی و مبانی مقدماتی احتمال.

سرفصل دوره

مقدمه ( ٪۶۰ تا میزان مورد انتظار )
مروری بر مفاهیم پایتون
اهداف این فصل درس‌نامه
معرفی پایتون درس‌نامه
چرا پایتون درس‌نامه
آماده سازی محیط درس‌نامه
داده ساختارها و عملگرهای اصلی درس‌نامه
ورودی و خروجی استاندارد درس‌نامه
قالب عوض کردن تمرین
متغیرها و دستورات کنترلی درس‌نامه
دستورات مختلف شاه تمرین
حلقه‌ها درس‌نامه
رشته درس‌نامه
فشرده‌سازی ساده تمرین
کلیدسازی تمرین
به دنبال پالیندروم تمرین
کار با فایل درس‌نامه
لیست درس‌نامه
تاپل درس‌نامه
BMI ورزشکاران ۲ تمرین
دیکشنری درس‌نامه
مهمانان تولد تمرین
تعداد روبوسی تمرین
سِت درس‌نامه
تابع درس‌نامه
رمزگذاری دو وجهی تمرین
کلیات استثناگردانی درس‌نامه
کد تک خطی تمرین
توابع مرتبه بالا درس‌نامه
ثبت نام گروهی تمرین
ماژول‌ها درس‌نامه
ریاضی‌دان خسته تمرین
مثالی در شی‌گرایی درس‌نامه
اعداد مختلط تمرین
جدا شده با کاما تمرین
مدیریت کتابخانه‌ها با استفاده از pip درس‌نامه
کتابخانه‌های یادگیری ماشین
اهداف این فصل درس‌نامه
آماده‌سازی محیط درس‌نامه
Numpy درس‌نامه
محاسبات ماتریسی تمرین
ویژگی‌های Numpy تمرین
استاد مهربان تمرین
داده چیست درس‌نامه
Pandas درس‌نامه
بررسی آلودگی هوای آمریکا تمرین
عوامل فیلم تمرین
بورس ایران تمرین
کتابخانه‌ی matplotlib درس‌نامه
پایتون در داده‌کاوی و آمار و احتمال
اهداف این فصل درس‌نامه
متغیر تصادفی و مفهوم احتمال درس‌نامه
توزیع تجمعی تمرین
توصیف تابع‌های توزیع احتمال درس‌نامه
توزیع‌های گسسته تمرین
مدل‌سازی تعداد بازدیدها تمرین
توزیع‌های پیوسته تمرین
آمار درس‌نامه
تخمین نقطه‌ای درس‌نامه
روش بیشترین درست‌نمایی درس‌نامه
تخمین بهتر تمرین
اریبی و واریانس تخمین درس‌نامه
فروش بستنی و حمله‌ی کوسه‌ها درس‌نامه
ضریب پیرسون درس‌نامه
تحلیل اکتشافی داده
تصویرسازی داده برای کشف حقایق درس‌نامه
آمار لالیگا تمرین
نوبل و شکلات درس‌نامه
لیگ دو قطبی تمرین
ارتباط ویژگی‌ها تمرین
صدک‌ها تمرین
بررسی سانحه تمرین
چولگی : میانگین یا میانه درس‌نامه
نمودار ثروت تمرین
تست نرمال بودن درس‌نامه
مقدمه‌ای بر یادگیری ماشین
یادگیری چیست؟ درس‌نامه
یادگیری نظارت‌شده درس‌نامه
رگرسیون یا دسته‌بندی درس‌نامه
زیربرازش و بیش‌برازش درس‌نامه
یادگیری نظارت نشده درس‌نامه
خوشه‌بندی درس‌نامه
کاهش بُعد درس‌نامه
تمرین‌های دوره‌ای
توضیحات کلی درس‌نامه
توزیع ویژگی‌ها تمرین
نرمال بودن یک ویژگی تمرین
k میانگین و k مُد تمرین
نمودار t-SNE تمرین
تحلیل اکتشافی در داده پوشه تمرین
رگرسیون
رگرسیون درس‌نامه
رگرسیون خطی درس‌نامه
بررسی کیفیت مدل رگرسیون درس‌نامه
مربع R درس‌نامه
برازش و پیش‌بینی تمرین
جداسازی داده آموزش و آزمون درس‌نامه
اعتبارسنجی متقابل درس‌نامه
فراتر از خطی تمرین
دسته‌بندی
دسته‌بندی درس‌نامه
الگوریتم k همسایه ی نزدیک درس‌نامه
تشخیص نوع تومور تمرین
رگرسیون لجستیکی درس‌نامه
خرید اشتراک مجله تمرین
درخت‌های تصمیم‌گیری درس‌نامه
جنگل‌های تصادفی درس‌نامه
جنگل بازماندگان تمرین
متغیر تاثیرگذار تمرین
سنجش مدل درس‌نامه
نگاهی به آینده
مقدمه‌ای بر روش های ENSEMBLE درس‌نامه
مقدمه‌ای بر شبکه‌های عصبی درس‌نامه
تحلیل داده‌ی متنی درس‌نامه
مقدمه ای بر مهندسی داده درس‌نامه
تمرین‌های دوره‌ای ۲
برازنده مناسب تمرین
دسته‌بند مناسب تمرین
داده‌های فیفا تمرین
سنجه بهینه درس‌نامه

طراحان دوره

فرآیند طولانی طراحی این دوره با مشورت و نیازسنجی بسیاری از متخصصان داده و یادگیری ماشین در شرکت‌های هوش مصنوعی، و با سرپرستی و کنترل کیفیت توسط دکتر محمد حسین رهبان انجام شده است.

دکتر محمد حسین رهبان
استاد مهندسی کامپیوتر دانشگاه شریف

دکتر محمد حسین رهبان یکی از استادیاران دانشکده مهندسی کامپیوتر دانشگاه شریف است. تحصیلات آکادمیک ایشان شامل دکترای هوش مصنوعی دانشگاه شریف، پسادکترا در دانشگاه بوستون آمریکا در زمینه یادگیری ماشین در ابعاد بزرگ و پسادکترا در انستیتوی Broad با همکاری MIT و Harvard می‌شود. زمینه اصلی تحقیقاتی ایشان شامل یادگیری ماشین تفسیرپذیر، یادگیری متغیرهای نهان، و زیست شناسی محاسباتی است.

آناهیتا بابایی
فارغ التحصیل کارشناسی و کارشناسی ارشد ریاضی دانشگاه صنعتی شریف

دستیار آموزشی آمار و تحلیل داده دانشگاه صنعتی شریف
Data Scientist در شرکت کافه بازار

سید محمد حسینی
کارشناسی مهندسی نرم‌افزار و دانشجوی ارشد هوش مصنوعی شریف

عضو فنی در شرکت پژوهشی هوش مصنوعی شناخت‌پژوه

نیما افشار
دانشجوی علوم کامپیوتر دانشگاه امیرکبیر

مدرس برنامه نویسی و مبانی کار با داده

سینا رسولی
دانشجوی دکترای ریاضیات کاربردی دانشگاه صنعتی شریف

CTO در شرکت داده‌کاوی شمارا، مدرس کارگاه‌های پایتون در داده‌کاوی در دانشگاه صنعتی شریف

علی مصطفی
کارشناسی مهندسی برق و دانشجوی ارشد سیستم‌های دیجیتال شریف

مدال طلای کشوری المپیاد فیزیک، عضو فنی در نوآفرین نینیکس

شرکت‌های همکار
پوشه
سامانه ارسال پوش نوتیفیکیشن و آنالیتیکس موبایل و وب

طرح درس این دوره با مشورت دانشمندان داده‌کاوی شرکت پوشه آماده شده است. هم‌چنین تعدادی از چالش‌های واقعی یادگیری ماشین شرکت پوشه و داده‌های آن برای تمارین و پروژه‌ی این دوره در اختیار Quera College قرار گرفته است.

سؤالات متداول

محتوای دوره در چه قالبی ارائه می‌شود؟

محتوای دوره به صورت درس‌نامه‌هایی همراه با حل مسائل به زبان پایتون است. پس از هر درس‌نامه، نوبت به تمرین و حل مسئله می‌رسد. تعدادی مسئلهٔ مطرح می‌شود که شما کد آن‌ها را نوشته و ارسال می‌کنید. سامانه داوری خودکار Quera در مدت کوتاهی کد شما را تصحیح می‌کند و نمره می‌دهد. در صورتی که نمرهٔ کامل نگرفتید نگران نباشید! می‌توانید کد خود را تغییر دهید و دوباره ارسال کنید. توجه کنید که درس‌نامه‌ها به صورت متن‌های تعاملی هستند و فیلم نیستند.

آیا محتوای دوره به صورت یکجا در اختیارمان قرار می‌گیرد؟

خیر. برای آزاد شدن محتوای هر مبحث، پیش‌نیازی از مباحث قبلی تعیین شده که باید در آن‌ها میزان مشخصی از سؤالات را حل کرده باشید.

پشتیبانی آنلاین برای شرکت‌کنندگان وجود دارد؟

بله،‌ با استفاده از سیستم پرسش‌ و پاسخ آنلاین Quera می‌توانید با طراحان دوره در ارتباط باشید و از آنان کمک بخواهید. هم‌چنین امکان پرسش و پاسخ با دیگر شرکت‌کنندگان Quera College نیز در زیر هر بخش وجود دارد.

آیا تنها با زبان‌ پایتون می‌توان دوره را گذراند؟

بله، به دلیل کاربرد بیشتر پایتون در صنعت و هم‌چنین کتاب‌خانه‌های مهم آن، این دوره به زبان پایتون منتشر شده.

تا چه زمانی برای به پایان رساندن دوره فرصت داریم؟

پس از خرید دوره شما می‌توانید فصل‌های ابتدایی آن را بدون هیچ محدودیت زمانی پیش بروید تا با فضای Quera College آشنا شوید.

پس از رسیدن به یک فصل به خصوص، با تایید از شما زمان دوره برای شما شروع می‌شود. در صورت تمایل می‌توانید این تایید را تا زمانی که فرصت مناسبی دیدید انجام ندهید و دوره را هنگامی که فرصت داشتید ادامه دهید. جهت حفظ پیوستگی دوره توصیه می‌شود که در حداکثر سه ماه دوره را به اتمام برسانید؛ پس از پایان این مدت، شما تنها می‌توانید درسنامه‌ها و تمرین‌هایی که تا به حال به آن‌ها دسترسی داشتید را مشاهده کنید ولی امکان پیشرفت در دوره و یا ارسال راه حل را ندارید. اگر قصد ادامه‌ی دوره را داشتید می‌توانید مهلت پایان دوره را به صورت ماهانه تمدید کنید.

مهلت ثبت نام در این دوره تا چه زمانی است؟

ثبت‌نام در Quera College محدودیت زمانی خاصی ندارد و فعلا برای ثبت‌نام تاریخ اتمامی در نظر نگرفته‌ایم.

دوره از چه زمانی آغاز می‌شود؟

از لحظهٔ ثبت‌نام می‌توانید شروع به گذراندن دوره کنید.

Quera College دوره‌های دیگری هم برگزار خواهد کرد؟

بله البته. هم‌اکنون چهار دوره‌ی مبانی برنامه‌نویسی و تفکر الگوریتمی، تفکر الگوریتمی پیشرفته و ساختمان‌داده‌ها، پایتون پیشرفته و یادگیری ماشین برای شما حاضر شده است. در ماه‌های آینده با نیازسنجی از جامعهٔ برنامه‌نویسان Quera، دوره‌های جدیدی منتشر می‌شود.

بزن بریم!

در صورت وجود هرگونه سؤال یا ابهام با college@quera.org تماس بگیرید.

اطلاع از زمان ثبت‌نام