آموزش جامع ماشین لرنینگ با محوریت پروژههای مهندسی نفت
امروزه یادگیری ماشین (Machine Learning) به یکی از مهمترین ابزار صنایع گوناگون تبدیل شده است تا آنجا که در آیندهای نزدیک، مهارتی ضروری برای تمام صنایع خواهد بود. این دوره جامع، با تدریس محمد الیاس خداشناس، شما را از سطح مبتدی تا حرفهای در زمینه ماشین لرنینگ و کاربردهای آن پیش میبرد. طراحی دوره ماشین لرنینگ بهگونهای است که علاوه بر آموزش اصولی و عمیق، با ارائه مثالهای واقعی و پروژهمحور صنعت نفت، مهارتهای کاربردی و تخصصی را به شما انتقال میدهد.
پیشنیاز ورود به دنیای ماشین لرنینگ، یادگیری زبان برنامهنویسی پایتون است که قبلاً آموزش آن در سایت قرار داده شده است:
آموزش پایتون با محوریت مهندسی نفت (حل مثال از دروس مختلف نفت)
ویژگیهای منحصر به فرد این دوره:
- جامع و کاربردی: شامل بیش از ۱۷ ساعت آموزش کامل به همراه پروژههای عملی
- تمرکز بر مفاهیم کلیدی: آموزش اصول پایهای ماشین لرنینگ، از تئوری تا اجرا
- پروژهمحور: شامل پروژههای واقعی در حوزههای مختلف مانند پیشبینی، طبقهبندی و خوشهبندی
- سفارشیسازی شده برای رشته مهندسی نفت: به دانشجویان و مهندسان نفت موارد کاربردی مورد نیاز برای انجام پروژههای درسی یا صنعتی را آموزش میدهد.
- بروزرسانی دوره: این آموزش دارای پشتیبانی برای فراگیران محترم میباشد و در دورههای زمانی منظم، بروزرسانی و مباحث جدیدی به آن افزوده میشود.
- کدهای آماده برای پروژههای عملی: میتوانید برای انجام پروژههای خود، از کدهای کاربردی و حرفهای این دوره، کمک بگیرید.
چرا این دوره؟
با توجه به رشد سریع کاربردهای یادگیری ماشین در دنیای امروز، تسلط بر مفاهیم و ابزارهای این حوزه، نهتنها یک مهارت، بلکه یک ضرورت برای حرفهای شدن است. این دوره با محتوای استاندارد و ارائه مثالهای واقعی، شما را برای ورود به بازار کار و اجرای پروژههای پیشرفته آماده میکند.
سرفصلهای دوره
بخش اول: مقدمهای بریادگیری ماشین
- هوش مصنوعی و زیر شاخههای آن
- تعاریف مبانی یادگیری ماشین
- معرفی انواع یادگیری (نظارتی، غیرنظارتی، نیمه نظارتی و تقویتی)
- دستهبندی تارگتهای دیتاست
- نصب پایتون و کتابخانههای ضروری
- کار با محیط Jupyter Notebook
بخش دوم: علم داده
- تعاریف علم داده
- ضرورت و اهمیت بکارگیری علم داده در یادگیری ماشین
- معرفی انواع نمودارها و روشهای آماری
- استانداردسازی داده
- تعریف ضریب همبستگی
بخش سوم: پیش پردازش
- یکپارچهسازی داده
- پاکسازی داده ( Data Cleaning)
- مصورسازی داده (Data Visualization)
- حذف نقاط پرت از داده
- جایگزینی داده
- انتخاب ویژگی (Feature Selection)
- مقیاسسازی (Scaling)
- نرمالسازی (Normalization)
- استانداردسازی (Standardization)
بخش چهارم: معرفی کتابخانهها
- اهمیت و مزایای استفاده از کتابخانهها
- معرفی numPy
- معرفی pandas
- معرفی matplotlib
- معرفی seaborn
- معرفی sklearn
بخش پنجم: رگرسیون خطی
- تعاریف
- نحوه کارکرد الگوریتم
- تفاوت رگرسیون و دستهبندی
- چگونه با رگرسیون خطی، عوامل غیرخطی بسازیم!
- کدنویسی و بهینهسازی الگوریتم
بخش ششم: رگرسیون لاجستیک
- تعاریف
- معرفی تابع لاجیت
- کاربردهای رگرسیون لاجستیک در مهندسی نفت
- کدنویسی و بهینهسازی الگوریتم
بخش هفتم: دستهبندی (Classification)
- تعاریف
- انواع دستهبندی
- الگوریتمهای متداول
- معرفی ماتریس درهم ریختگی (Confusion Matrix)
بخش هشتم: نایو بیز (Naïve Bayes)
- تعاریف
- احتمال شرطی
- مبانی احتمال و ریاضیات الگوریتم
- انواع نایو بیز
- نمودار ویولین
- کدنویسی و بهینهسازی الگوریتم
بخش نهم: نزدیکترین همسایگی (K-Nearest Neighbors)
- تعاریف
- محاسبه فاصله (فاصله اقلیدسی، فاصله مانهاتن و فاصله مینکوفسکی)
- معیار انتخاب بهترین تعداد همسایگی
- مراحل پیادهسازی الگوریتم
- تشخیص برچسب داده، زمانی که تعداد همسایهها زوج باشند
- کدنویسی و بهینهسازی الگوریتم
بخش دهم: درخت تصمیمگیری (Decision Tree)
- تعاریف
- آشنایی با نحوه کارکرد الگوریتم و فرآیند تصمیمگیری
- پارامترهای موثر بر عملکرد درخت تصمیمگیری
- کاربردها
- کدنویسی و بهینهسازی الگوریتم
بخش یازدهم: جنگل تصادفی (Random Forests)
- تعاریف
- مقدمهای بر یادگیری مجموعهای (Ensemble Learning)
- (Bootstrap Aggregating) Bagging
- Boosting
- کدنویسی و بهینهسازی الگوریتم
بخش دوازدهم: ماشین بردار پشتیبان (Support Vector Machine)
- تعاریف
- حاشیه (Margin)
- تفاوت بین Soft Margin و Hard Margin
- Hyperplane
- ماشین بردار پشتیبان و کرنل
- پرکاربردترین انواع کرنل
- کدنویسی و بهینهسازی الگوریتم
بخش سیزدهم: اعتبارسنجی (Validation)
- دقت مدل
- تعریف دادههای تمرینی و تست
- اهمیت اعتبارسنجی
- انواع برازش
- خطای بایاس (Bias) و خطای واریانس (Variance)
- بایاس و پیچیدگی مدل
- روشهای ارزیابی عملکرد مدل برای مسائل دستهبندی
- روشهای ارزیابی عملکرد مدل برای مسائل رگرسیون و پیوسته
- روشهای ارزیابی عملکرد مدل برای مسائل خوشهبندی
- دستهبندی معیارها
- کدنویسی و بهینهسازی الگوریتم
بخش چهاردهم: خوشهبندی (Clustering)
- تعاریف
- انواع الگوریتمهای خوشهبندی
- معیارهای ارزیابی خوشهبندی
- کدنویسی و بهینهسازی الگوریتم (برای الگوریتم GMM)
بخش پانزدهم: DBSCAN
- تعاریف و کاربردها و مراحل اعمال الگوریتم
- پارامترها
- کدنویسی و بهینهسازی الگوریتم
بخش شانزدهم: K-means
- تعاریف
- مقایسه DBSCAN و K-means
- مراحل پیادهسازی الگوریتم
- کدنویسی و بهینهسازی الگوریتم
مدرس: محمدالیاس خداشناس
ناشر: پرومایزر
زبان: فارسی
مدت زمان: ۱۷ ساعت
روش دریافت: اسپات پلیر (لینک دانلود ایمیل نمیشود)
درباره مدرس
کارشناسی مهندسی نفت، دانشگاه امیرکبیر | کارشناسی ارشد مهندسی بهرهبرداری، دانشگاه شیراز | همکاری در پروژههای یادگیری ماشین و هوش مصنوعی با شرکتهای نفتی | مدرس نرمافزارهای نفتی
با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.
آموزش جامع ماشین لرنینگ با محوریت پروژههای مهندسی نفت
قیمت آموزش: ۸۵۰ هزار تومان
دیدگاهتان را بنویسید