✅ شروع ثبت نام دوره ي تخصصی پیاده سازی شبکه های عصبی در متلب در سايت onlinebme
https://onlinebme.com/product/neural-networks-in-matlab/
💡سه اصل آموزش:
تئوری ➕ پیادهسازی ➕ پروژه عملی
#پیاده_سازی #شبکه_عصبی
#پروژه_محور
جهت کسب اطلاع بیشتر به شماره و آیدی زیر پیام بدهید 👇👇
@OnlineBME_Admin
0936-038-2687
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
☘️ @onlinebme
https://onlinebme.com/product/neural-networks-in-matlab/
💡سه اصل آموزش:
تئوری ➕ پیادهسازی ➕ پروژه عملی
#پیاده_سازی #شبکه_عصبی
#پروژه_محور
جهت کسب اطلاع بیشتر به شماره و آیدی زیر پیام بدهید 👇👇
@OnlineBME_Admin
0936-038-2687
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
☘️ @onlinebme
This media is not supported in your browser
VIEW IN TELEGRAM
⭐️❤️ ظرفیت نوبت اول دوره جامع یادگیری ماشین و داده کاوی با پایتون تکمیل شد. نوبت دوم در روز های پنج شنبه از ساعت 15 تا 20 برگزار خواهد شد. برای اطلاعات بیشتر و شرکت در دوره با شماره 09139346454 تماس حاصل فرمایید. ❤️⭐️
یادگیری برنامه نویسی و تکنولوژی های روز دنیا pinned «⭐️❤️ ظرفیت نوبت اول دوره جامع یادگیری ماشین و داده کاوی با پایتون تکمیل شد. نوبت دوم در روز های پنج شنبه از ساعت 15 تا 20 برگزار خواهد شد. برای اطلاعات بیشتر و شرکت در دوره با شماره 09139346454 تماس حاصل فرمایید. ❤️⭐️»
❤️❤️❤️❤️❤️❤️❤️❤️❤️❤️❤️❤️
🐍سری آموزش تصویری پایتون از سطح مقدماتی تا پیشرفته
جلسه اول - قسمت اول : نحوه نصب و راه اندازی پایتون در ویندوز
https://news.1rj.ru/str/pythonanywhere/51
جلسه اول - قسمت دوم : شروع برنامه نویسی با پایتون
https://news.1rj.ru/str/pythonanywhere/52
جلسه دوم - قسمت اول : عملگرهای و توابع ریاضی پرکاربرد در پایتون
https://news.1rj.ru/str/pythonanywhere/53
جلسه دوم - قسمت دوم : کار با ماژول ریاضیات math
https://news.1rj.ru/str/pythonanywhere/54
جلسه سوم - قسمت اول : انوع داده عددی، رشته و لیست
https://news.1rj.ru/str/pythonanywhere/55
جلسه سوم - قسمت دوم : انوع داده دیکشنری و تاپل
https://news.1rj.ru/str/pythonanywhere/58
جلسه چهارم - قسمت اول : آشنایی با داده رشته
https://news.1rj.ru/str/pythonanywhere/59
جلسه چهارم - قسمت دوم : کار با متدهای رشته
https://news.1rj.ru/str/pythonanywhere/60
جلسه پنجم : کار با لیست و متدهای آن
https://news.1rj.ru/str/pythonanywhere/67
جلسه ششم - قسمت اول: تعریف تابع
https://news.1rj.ru/str/pythonanywhere/68
جلسه ششم - قسمت دوم: آرگومان های ورودی تابع
https://news.1rj.ru/str/pythonanywhere/69
یک مثال متوسط برای کار با تابع و دیکشنری
https://news.1rj.ru/str/pythonanywhere/73
یک مثال برای آشنایی با مفهوم کلاس و تعریف آن در پایتون
https://news.1rj.ru/str/pythonanywhere/74
🐍سری آموزش تصویری پایتون از سطح مقدماتی تا پیشرفته
جلسه اول - قسمت اول : نحوه نصب و راه اندازی پایتون در ویندوز
https://news.1rj.ru/str/pythonanywhere/51
جلسه اول - قسمت دوم : شروع برنامه نویسی با پایتون
https://news.1rj.ru/str/pythonanywhere/52
جلسه دوم - قسمت اول : عملگرهای و توابع ریاضی پرکاربرد در پایتون
https://news.1rj.ru/str/pythonanywhere/53
جلسه دوم - قسمت دوم : کار با ماژول ریاضیات math
https://news.1rj.ru/str/pythonanywhere/54
جلسه سوم - قسمت اول : انوع داده عددی، رشته و لیست
https://news.1rj.ru/str/pythonanywhere/55
جلسه سوم - قسمت دوم : انوع داده دیکشنری و تاپل
https://news.1rj.ru/str/pythonanywhere/58
جلسه چهارم - قسمت اول : آشنایی با داده رشته
https://news.1rj.ru/str/pythonanywhere/59
جلسه چهارم - قسمت دوم : کار با متدهای رشته
https://news.1rj.ru/str/pythonanywhere/60
جلسه پنجم : کار با لیست و متدهای آن
https://news.1rj.ru/str/pythonanywhere/67
جلسه ششم - قسمت اول: تعریف تابع
https://news.1rj.ru/str/pythonanywhere/68
جلسه ششم - قسمت دوم: آرگومان های ورودی تابع
https://news.1rj.ru/str/pythonanywhere/69
یک مثال متوسط برای کار با تابع و دیکشنری
https://news.1rj.ru/str/pythonanywhere/73
یک مثال برای آشنایی با مفهوم کلاس و تعریف آن در پایتون
https://news.1rj.ru/str/pythonanywhere/74
یادگیری برنامه نویسی و تکنولوژی های روز دنیا pinned Deleted message
یادگیری برنامه نویسی و تکنولوژی های روز دنیا pinned Deleted message
🚨این مجموعه آموزشی شامل مباحث آموزش برنامه نویسی پایتون از سطح مقدماتی تا سطح متوسط، مباحث داده کاوی، آماری و کار با داده ها، آشنایی و به کارگیری روش های یادگیری ماشین و در نهایت بحث یادگیری عمیق و شبکه های عصبی می باشد. با تکیه بر توضیح مباحث اساسی و مهم در این حوزه ها، در این مجموعه تمامی مباحث همراه با مثال ها و پروژه های عملی و کاربردی ارایه می شود که به علاقه مندان این امکان را می دهد تا بتوانند به صورت تخصصی و با نگاه شغلی آموزش را دنبال کنند.
📮 برای اطلاعات بیشتر و دیدن ویدیو های نمونه به سایت فروشگاه بروید👇
http://yon.ir/aipackage
🎁 جهت بهره مندی از تخفیف 20 درصدی که برای اعضای کانال در نظر گرفته شده است، هنگام تسویه حساب در سایت کد تخفیف ai2019_20 را وارد کنید
📮 برای اطلاعات بیشتر و دیدن ویدیو های نمونه به سایت فروشگاه بروید👇
http://yon.ir/aipackage
🎁 جهت بهره مندی از تخفیف 20 درصدی که برای اعضای کانال در نظر گرفته شده است، هنگام تسویه حساب در سایت کد تخفیف ai2019_20 را وارد کنید
⚙️ مباحث دوره به تفصیل
1️⃣ فصل اول – برنامه نویسی پایتون
• چارچوب و کلیات مجموعه ، تعاریف اولیه هوش مصنوعی و داده کاوی
• نصب پایتون، ریاضیات در پایتون، تعریف متغیر، حلقه ها و شرط ها
• کار با داده لیست و متن، مثال مقدماتی پایتون
• تابع در پایتون، کلاس و مفاهیم شی گرایی
• مثال جامع و پیشرفته در پایتون
2️⃣فصل دوم – مباحث آماری و ریاضی مهم در داده کاوی
• ماتریس در پایتون با ماژول numpy، توزیع های احتمالی، نمودارهای پرکاربرد
• مثال تحلیل نمرات دانش آموزان، استفاده ازnumpy و ابزارهای ترسیم
• بررسی IDE های مختلف (محیط های برنامه نویسی، اسپایدر، pycharm، ژوپیتر، آناکوندا...)
• کواریانس، کورلیشن، احتمالات ساده و شرطی، مثال تحلیل خریداران و بازدید کننده های سایت
• معرفی ماژول pandas و کار با دیتافریم های آن
• سیستم های پیشنهاد دهنده، پروژه پیشنهاد دهنده فیلم به کاربر
3️⃣فصل سوم - یادگیری ماشین، قسمت اول
• آشنایی با یادگیری ماشین و انواع روش های آن (کلاس بندی، خوشه بندی، رگرسیون، کاهش بعد ... )
• کلاس بندی با روش بیزساده (naïve bayes)، پروژه دسته بندی ایمیل ها به اسپم و سالم
• خوشه بندی با روش K-Means، مثال کلاسترینگ دانش آموزان کلاس، مثال تفکیک افراد براساس ویژگی های فیزیولوژی آن ها
• کلاس بندی با روش KNN ،کلاس بندی با روش SVM، پروژه دسته بندی افراد به بیمار قلبی و سالم
4️⃣فصل چهارم – یادگیری ماشین، قسمت دوم
• رگرسیون خطی ، مثال پیش بینی قسمت سهام، پروژه تخمین قیمت خودرو براساس مشخصات آن
• کلاس بندی با logistic regression، مثال دسته بندی تصاویر دیتاست معروف mnist fashion
• کاهش بعد به روش PCA، اعمال pca روی دیتاست mnist fashion
• کاهش بعد به روش ICA، مثال جدسازی قسمت های مرتبط مغز براساس تصاویر fMRI
• کلاس بندی با درخت تصمیم گیری، مثال استخدام افراد براساس مشخصات آن ها، رگرسیون با رندوم فارست (random forest)، مثال تخمین دما با رندوم فارست
• پارامترهای ارزیابی کلاس بندی
5️⃣فصل پنجم – شبکه های عصبی
• تشریح شبکه های عصبی و مفاهیم آن
• مباحث تکمیلی شبکه های عصبی، نصب تنسورفلو و keras
• پروژه تشخیص تومور خوش خیم و بد خیم با استفاده از شبکه عصبی mlp
• مثال کلاس بندی اعداد دیتاست معروف mnist با شبکه عصبی
• استفاده از شبکه عصبی برای رگرسیون، مثال تخمین میزان مصرف سوخت خودرو براساس مشخصات آن با شبکه عصبی، پروژه قیمت گذاری خانه براساس مشخصات خانه با شبکه عصبی
• دسترسی به ضرایب شبکه، آشنایی با تنسوربورد برای نمایش شبکه
6️⃣فصل ششم - یادگیری عمیق
• شبکه های عصبی کانولوشنال ( CNN)
• مثال کلاسبندی تصاویر با استفاده از CNN
• شبکه های عصبی بازگشتی، شبکه های LSTM
• مثال تخمین تعداد پرواز ها با LSTM
• شبکه های مولد تخاصمی (GAN)
• مثال تولید اعداد با شبکه های GAN
برای اطلاعات بیشتر و دیدن ویدیو های نمونه به سایت فروشگاه بروید👇
http://yon.ir/aipackage
🎁 جهت بهره مندی از تخفیف 20 درصدی که برای اعضای کانال در نظر گرفته شده است، هنگام تسویه حساب در سایت کد تخفیف ai2019_20 را وارد کنید
http://www.shop.miladshiri.ir
1️⃣ فصل اول – برنامه نویسی پایتون
• چارچوب و کلیات مجموعه ، تعاریف اولیه هوش مصنوعی و داده کاوی
• نصب پایتون، ریاضیات در پایتون، تعریف متغیر، حلقه ها و شرط ها
• کار با داده لیست و متن، مثال مقدماتی پایتون
• تابع در پایتون، کلاس و مفاهیم شی گرایی
• مثال جامع و پیشرفته در پایتون
2️⃣فصل دوم – مباحث آماری و ریاضی مهم در داده کاوی
• ماتریس در پایتون با ماژول numpy، توزیع های احتمالی، نمودارهای پرکاربرد
• مثال تحلیل نمرات دانش آموزان، استفاده ازnumpy و ابزارهای ترسیم
• بررسی IDE های مختلف (محیط های برنامه نویسی، اسپایدر، pycharm، ژوپیتر، آناکوندا...)
• کواریانس، کورلیشن، احتمالات ساده و شرطی، مثال تحلیل خریداران و بازدید کننده های سایت
• معرفی ماژول pandas و کار با دیتافریم های آن
• سیستم های پیشنهاد دهنده، پروژه پیشنهاد دهنده فیلم به کاربر
3️⃣فصل سوم - یادگیری ماشین، قسمت اول
• آشنایی با یادگیری ماشین و انواع روش های آن (کلاس بندی، خوشه بندی، رگرسیون، کاهش بعد ... )
• کلاس بندی با روش بیزساده (naïve bayes)، پروژه دسته بندی ایمیل ها به اسپم و سالم
• خوشه بندی با روش K-Means، مثال کلاسترینگ دانش آموزان کلاس، مثال تفکیک افراد براساس ویژگی های فیزیولوژی آن ها
• کلاس بندی با روش KNN ،کلاس بندی با روش SVM، پروژه دسته بندی افراد به بیمار قلبی و سالم
4️⃣فصل چهارم – یادگیری ماشین، قسمت دوم
• رگرسیون خطی ، مثال پیش بینی قسمت سهام، پروژه تخمین قیمت خودرو براساس مشخصات آن
• کلاس بندی با logistic regression، مثال دسته بندی تصاویر دیتاست معروف mnist fashion
• کاهش بعد به روش PCA، اعمال pca روی دیتاست mnist fashion
• کاهش بعد به روش ICA، مثال جدسازی قسمت های مرتبط مغز براساس تصاویر fMRI
• کلاس بندی با درخت تصمیم گیری، مثال استخدام افراد براساس مشخصات آن ها، رگرسیون با رندوم فارست (random forest)، مثال تخمین دما با رندوم فارست
• پارامترهای ارزیابی کلاس بندی
5️⃣فصل پنجم – شبکه های عصبی
• تشریح شبکه های عصبی و مفاهیم آن
• مباحث تکمیلی شبکه های عصبی، نصب تنسورفلو و keras
• پروژه تشخیص تومور خوش خیم و بد خیم با استفاده از شبکه عصبی mlp
• مثال کلاس بندی اعداد دیتاست معروف mnist با شبکه عصبی
• استفاده از شبکه عصبی برای رگرسیون، مثال تخمین میزان مصرف سوخت خودرو براساس مشخصات آن با شبکه عصبی، پروژه قیمت گذاری خانه براساس مشخصات خانه با شبکه عصبی
• دسترسی به ضرایب شبکه، آشنایی با تنسوربورد برای نمایش شبکه
6️⃣فصل ششم - یادگیری عمیق
• شبکه های عصبی کانولوشنال ( CNN)
• مثال کلاسبندی تصاویر با استفاده از CNN
• شبکه های عصبی بازگشتی، شبکه های LSTM
• مثال تخمین تعداد پرواز ها با LSTM
• شبکه های مولد تخاصمی (GAN)
• مثال تولید اعداد با شبکه های GAN
برای اطلاعات بیشتر و دیدن ویدیو های نمونه به سایت فروشگاه بروید👇
http://yon.ir/aipackage
🎁 جهت بهره مندی از تخفیف 20 درصدی که برای اعضای کانال در نظر گرفته شده است، هنگام تسویه حساب در سایت کد تخفیف ai2019_20 را وارد کنید
http://www.shop.miladshiri.ir
Media is too big
VIEW IN TELEGRAM
📈پیش بینی و تخمین قیمت با هوش مصنوعی در پایتون
یکی از جذاب ترین موضوعاتی که می توان با هوش مصنوعی روی آن متمرکز شد، پیش بینی و تخمین قیمت است. پیش بینی قیمت سهام در بازار بورس، ارزیابی قیمت خانه و یا تخمین قیمت خودرو و محصولات یک فروشگاه اینترنتی به کمک یادگیری ماشین از آن جمله محسوب می شود. ادامه مطلب 👇
http://miladshiri.ir/%D9%BE%DB%8C%D8%B4-%D8%A8%DB%8C%D9%86%DB%8C-%D9%88-%D8%AA%D8%AE%D9%85%DB%8C%D9%86-%D9%82%DB%8C%D9%85%D8%AA-%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D9%BE/
یکی از جذاب ترین موضوعاتی که می توان با هوش مصنوعی روی آن متمرکز شد، پیش بینی و تخمین قیمت است. پیش بینی قیمت سهام در بازار بورس، ارزیابی قیمت خانه و یا تخمین قیمت خودرو و محصولات یک فروشگاه اینترنتی به کمک یادگیری ماشین از آن جمله محسوب می شود. ادامه مطلب 👇
http://miladshiri.ir/%D9%BE%DB%8C%D8%B4-%D8%A8%DB%8C%D9%86%DB%8C-%D9%88-%D8%AA%D8%AE%D9%85%DB%8C%D9%86-%D9%82%DB%8C%D9%85%D8%AA-%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D9%BE/
تهیه مجموعه از لینک زیر با تخفیف 20 درصدی برای اعضای کانال 👇
http://yon.ir/aipackage
کد تخفیف 20 درصد: ai2019_20
http://yon.ir/aipackage
کد تخفیف 20 درصد: ai2019_20
Media is too big
VIEW IN TELEGRAM
📷 انواع روش های کلاسبندی تصاویر با یادگیری ماشین در پایتون
یکی از جذاب ترین حوزه های هوش مصنوعی کلاسبندی تصاویر یا به بیان دیگر تشخیص تصاویر است. تشخیص چهره یا شی هم از این مقوله به حساب می آید که البته جزییات آن یک مقدار تفاوت می کند. دسته بندی تصاویر به معنای این است که به سیستم آموزش دهیم که بتواند فرق دو تصویر از دو کلاس مختلف را متوجه بشود. برای مثال برای تفکیک تصاویر چهره و خودرو، باید یک مجموعه ای از تصاویر از این دو دسته به همراه برچسب های آن ها به مدل یادگیری ماشین بدهیم و مدل پس از آموزش قادر است که یک تصویر ورودی را به یکی از کلاس های مذکور مرتبط سازد. حال می توان در این مورد جزیی شد، یعنی پس از اینکه توانستیم تشخیص دهیم یک تصویر خودرو است، مدل را به گونه ای آموزش دهیم که بتواند بگوید چه مدل خودرو است. طبیعتا در این حالت هم نیاز به مجموعه ای تصاویر خودرو در مدل های مختلف است تا سیستم ما به خوبی آموزش ببیند. ادامه مطلب 👇
yon.ir/OWNzD
یکی از جذاب ترین حوزه های هوش مصنوعی کلاسبندی تصاویر یا به بیان دیگر تشخیص تصاویر است. تشخیص چهره یا شی هم از این مقوله به حساب می آید که البته جزییات آن یک مقدار تفاوت می کند. دسته بندی تصاویر به معنای این است که به سیستم آموزش دهیم که بتواند فرق دو تصویر از دو کلاس مختلف را متوجه بشود. برای مثال برای تفکیک تصاویر چهره و خودرو، باید یک مجموعه ای از تصاویر از این دو دسته به همراه برچسب های آن ها به مدل یادگیری ماشین بدهیم و مدل پس از آموزش قادر است که یک تصویر ورودی را به یکی از کلاس های مذکور مرتبط سازد. حال می توان در این مورد جزیی شد، یعنی پس از اینکه توانستیم تشخیص دهیم یک تصویر خودرو است، مدل را به گونه ای آموزش دهیم که بتواند بگوید چه مدل خودرو است. طبیعتا در این حالت هم نیاز به مجموعه ای تصاویر خودرو در مدل های مختلف است تا سیستم ما به خوبی آموزش ببیند. ادامه مطلب 👇
yon.ir/OWNzD
🎁🎁 🚨🚨 به دلیل استقبال علاقه مندان از مجموعه جامع یادگیری ماشین و داده کاوی با پایتون، هر روز دو کد تخفیف 40 درصد تنها برای اعضا کانال قرار داده می شود. دقت کنید که کدها یکبار مصرف هستن بنابراین علاقه مندی که سریع تر اقدام به خرید کند، موفق به خرید خواهد شد.👇👇👇⭐️⭐️⭐️