DEEPMLCVPY | گنجینه آموزشی هوش مصنوعی| صفر تا متخصص هوش مصنوعی

2,980,000 تومان

با گنجینه هوش مصنوعی از پایتون تا دیپ لرنینگ، ماشین لرنینگ ، علوم داده، پردازش تصویر و بینایی کامپیوتر را یک بار برای همیشه یاد بگیرید!

توضیحات

گنجینه = بینایی+ پایتون + یادگیری ماشین + یادگیری عمیق + دو بوتکمپ !!!

200 ساعت آموزش!!!

چهار پکیج آموزشی قدرتمند با آموزشی نزدیک به 60 ساعت، در موضوعات بینایی کامپیوتر پردازش تصویر و opencv ، یادگیری ماشین و علوم داده البته پکیج جامع پایتون از صفر تا صد و از همه مهمتر پکیچ یادگیری عمیق، برای هر کسی که میخواهد از صفر تا متخصص شدن در هوش مصنوعی را دنبال کند، تدارک دیده شده. همچنین ویدئو های دو بوت کمپ هوش مصنوعی برگزار شده در پاییز 1400 به این پکیج اضافه شده که دیگر نیازی به هیچ دوره آموزشی نداشته باشید. هر بوت کمپ در حدود 70 ساعت آموزش را داشته. پس 140 ساعت ویدئو های بوت کمپ در کنار 60 ساعت آموزش چکیده برای تمام موضوعات در اختیار شماست.

پکیج اول با 19 ساعت آموزش، را میتوانید در دوره جامع پایتون صفر تا صد مشاهده کنید.

پکیج دوم با 9 ساعت آموزش، را میتوانید در دوره جامع بینایی کامپیوتر و پردازش تصویر در پایتون مشاهده کنید.

پکیج سوم با 14 ساعت آموزش، را میتوانید در دوره جامع یادگیری ماشین در پایتون مشاهده کنید.

پکیج چهارم با 12ساعت آموزش، را میتوانید در دوره جامع یادگیری عمیق در پایتون مشاهده کنید.

راهنمای استفاده از دوره

در ویدئو زیر به طور کامل در خصوص نحوه تهیه، دانلود و استفاده از دوره آموزش داده شده و پیشنهاد می دهیم که در ابتدا این ویدئو را مشاهده فرمایید.

ویدئوی اولین قسمت دوره بینایی کامپیوتر

ویدئوی اولین قسمت دوره یادگیری ماشین و علوم داده

 

نمونه هایی از آموزش های دوره

جلسه چهل و دوم پایتون

جلسه هشتاد و چهارم پایتون

جلسه سی و پنجم یادگیری ماشین

جلسه سی و نهم بینایی کامپیوتر

جلسه چهل و دوم یادگیری عمیق

ویدئوی اولین قسمت دوره یادگیری عمیق

سرفصل های دوره آموزش زبان برنامه نویسی پایتون

فصل اول : معرفی دوره

  • بررسی ابتدائیات
  • قیاس بین python2 و python3
  • روش استفاده از این دوره

فصل دوم : نصب پایتون

  • نصب python
  • انتخاب محیط برنامه نویسی
  • Jupyter نت بوک
  • منابع اضافی آموزشی
  • معرفی Git و Github

فصل سوم : مقدمات object و ساختار داده

  • Number ها
  • String‌ها
  • List ها
  • دیکشنری ها
  • Tuple‌ها
  • فایل ها
  • Set ها
  • بولین ها

فصل چهارم : عملگر های مقایسه ای

  • مقدمات عملگر ها
  • زنجیره عملگر های مقایسه گر
  • آزمون

فصل پنجم : دستورات پایتونی

  • If ، elif و else
  • حلقه های for
  • حلقه های while
  • Range
  • مقایسه ها در لیست
  • ارزیابی و تست

فصل ششم : متد ها و توابع

  • متد ها
  • arg ها و kwarg ها
  • filter ، map  و lambda
  • توابع
  • Lambda
  • دستورات تو در تو
  • Scope
  • تمرین

فصل هفتم : پروژه اول

  • ساخت یک بازی در پایتون

فصل هشتم : OOP (برنامه نویسی شی گرا)

  • Object ها
  • کلاس ها
  • keyword ها
  • چند ریختی
  • متد ها
  • وراثت (inheritance)
  • متد های ویژه

فصل نهم : ماژول ها و پکیج ها

  • معرفی pip و pypi
  • معرفی ماژول ها و پکیج ها
  • معرفی __main__ و __name__
  • ساخت ماژول ها
  • نصب ماژول ها
  • توسعه اکو سیستم پایتون

فصل دهم : خطا ها و Exception

  • خطا ها
  • exception ها
  • try
  • except
  • finally
  • pylint
  • unittest
  • تست

فصل یازدهم : پروژه پایتونی دوم

  • ساخت بازی پیچیده تر

فصل دوازدهم : Decorator ها در پایتون

  • بررسی مفهوم Decorator و ایجاد آن
  • تمرین

فصل سیزدهم : Generator ها در پایتون

  • Iteration در مقابل Generation
  • ساختن Generator ها
  • تمرین

فصل چهاردهم : محتواهای پیشرفته

  • ماژول های پیشرفته پایتون
  • Object ها ساختار داده پیشرفته در پایتون
  • افزایش سطح دانش
  • collections
  • counter
  • defaultdict
  • ordereddict
  • namedtuple
  • Datetime
  • Python Debugger pdb
  • timit
  • Regular Expressions (re)
  • StringIO

فصل پانزدهم : Object ها و داده های ساختار یافته پیشرفته در پایتون

  • اعداد پیشرفته
  • string های پیشرفته
  • set  های پیشرفته
  • دیکشنری های پیشرفته
  • لیست های پیشرفته
  • Object های پیشرفته
  • تمرین در خصوص مطالب فصل

فصل شانزدهم : معرفی GUI ها

  • کار با IPywidget
  • مقدمات GUI و ویجت ها
  • لیست ویجت ها
  • قالب و استایل widget ها
  • تمرینی از ویجت ها

توابع از پیش تعریف شده (Built-in)

  • map
  • reduce
  • filter
  • zip
  • enumerate
  • all و any
  • complex

پروژه Final Captone

  • تمرین برای استفاده از هر چیزی که یادگرفتیم

بد نیست نگاهی به مطالب این دوره بیاندازیم. و برخی از مطالب بیان شده در آن را مرور نماییم.

Python3 و  Python2

  • این ورژن ها تقریبا به هم شبیه هستند و در حال حاضر تقریباً همه پکیج های پایتون برای نسخه3، آپدیت دادند.
  • نکته قابل توجه عدم ارائه آپدیت امنیتی جدید برای python از سال 2020 می باشد.
  • در این دوره متمرکز روی پایتون3، ‌تمام کد ها و notebook ها و ویدئو ها برای پایتون 3 هست، البته بخش پایتون2 هم وجود دارد که می توانید مستقیماً از آن استفاده کنید.
  • پایتون 3، آینده پایتون است و ما در این دوره از پایتون 3 استفاده می کنیم.
  • در جلسه بعد به نصب python3 می پردازیم.

سه محیط کلی برای بررسی و نوشتن کد های پایتونی

  • Text Editor ها
  • Full IDE ها
  • محیط های NoteBook

Text Editor‌ها

  • ادیتور های عمومی برای هر فایل متنی
  • کار با انواع تایپ فایل
  • امکان بومی سازی با پلاگین ها و افزونه ها

Full IDE ها

  • محیط هایی برای توسعه و نوشتن برنامه های پایتونی ایجاد شدند.
  • مناسب برای برنامه های بزرگ
  • فقط نسخه های Community رایگان
  • به طور ویژه برای پایتون طراحی شدند و تعداد زیادی ویژگی اضافه دارد
  • معروف ترین ها : pycharm و spyder

Notebook ها

  • عالی برای آموزش
  • قابلیت دیدن ورودی، خروجی به طور مرحله های به ازای هر قسمت از کد
  • پشتیبانی از نوشته های علامت گذاری شده،‌ نمودارها،‌ ویدئو ها
  • معروف ترین : Jupyter Notebook

انواع متغیر در زبان برنامه نویسی پایتون

  • Int : Integer یا عدد صحیح
  • Float : Floating Point یا عدد اعشاری
  • Str : String یا متن
  • List : لیست ها که نوعی دنباله هستند
  • Dict : یا دیکشنری هاDictionaries
  • Tup یا tuple : دنباله های چند تایی
  • Set : ست ها که دنباله های نامنظم هستند
  • Bool : منطقی یا بولین Booleans

برای مثال:

  • Int : 2 , 300 , 3 , 200
  • Float : 2.3 , 4.5 , 3.14 , 100.0
  • Str : “Salam” , “Rasa”, ‘python’ , ‘3’
  • List : [10,’s’,2.05,’salam’]
  • Dict : {‘mykey’:’value’,’name’:’rasa’}
  • Tup یا tuple : (1,’hello’,2.3)
  • Set : {‘a’,’b’}
  • Bool : True ، False

متغیر در برنامه نویسی چیست؟

  • متغیر ها در اصل نماینده هایی برای مقادیر هستند
  • مثلاً تعداد سگ های من my_dogs = 2

قوانین نام گذاری در متغیر ها:

  • نمی تواند با عدد شروع شود
  • فاصله نباید در آن باشد
  • نمیتواند از سمبل های زیر استفاده کند
  • :”’,<>/?|()!@#$%^&*-+
  • قانون نیست ولی معمولاً با حروف کوچک نوشته می شوند
  • از کلمات استفاده شده مانند list‌و str استفاده نکنیم

Dynamic Typing

  • پایتون زبان Dynamic Typing هست یعنی Statically Typed مثل C++نیست. یعنی یک متغیر را در طول برنامه می توان با انواع دیتا تایپ مقدار دهی نمود.

برای مثال:

my_dogs = 2

my_dogs = [“Sammy” ,”Frankie”]

مزایای Dynamic Typing

  • آسودگی در برنامه نویسی
  • زمان سریع تر

معایب Dynamic Typing

  • امکان باگ های پیش بینی نشده
  • استفاده از type()

برنامه نویسی شی گرا

  • به برنامه نویسیان اجازه می دهد که object‌های خودشان را بسازند که متد ها و ویژگی ها و صفات خودشان را دارند.
  • برای برنامه های بزرگ(script های بزرگ) توابع کافی نیست، نیاز به برنامه نویسی شی گرا داریم.
  • برنامه نویسی شی گرا

–داشتن کلاس با ویژگی ها، متد ها و صفات منحصر به فرد

  • مثال: کلاس گربه

–دارای صفاتی مانند رنگ بدن، رنگ چشم، اندازه، وزن

–متدهایی مانند خوابیدن، راه رفتن، صدا کردن، دویدن، غذا خوردن

 معرفی Decorator ها

  • Decorator ها باعث می شوند که یک تابع تزئین شود
  • تصور کنید که یک تابع داریم و می خواهیم به تابع جدیدی تبدیلش کنیم

سرفصل های دوره آموزش بینایی کامپیوتر در پایتون

  • 43 جلسه
  • 7 فصل
  • پوشش تمامی مباحث پردازش تصویر، بینایی کامپیوتر و OpenCV
  • زمان : 9 ساعت

سرفصل ها :

  • فصل اول : معرفی دوره
  • فصل دوم : مقدمات بینایی کامپیوتر
  • فصل سوم : شروع کار با OpenCV
  • فصل چهارم : پردازش تصویر در OpenCV
  • فصل پنجم : کانتور ها و Image Segmentation
  • فصل ششم : Object Detection
  • فصل هفتم : Haar CasCade Classifier

 

فصل اول : معرفی دوره

  • آشنایی با دوره

فصل دوم : مفاهیم بینایی کامپیوتر

  • مقدمات بینایی کامپیوتر
  • پردازش تصویر، پردازش سیگنال، فشرده سازی ، جعل نگاری تصویر، طبقه بندی تصویر،‌تفاوت پردازش تصویر و بینایی کامپیوتر
    نکاتی که باید درنظر گرفت
  • پیکسل، ‌تصویر دیجیتال، مشکلات و سختی ها، نمونه های موفق
  • بینایی انسان و روش های تصویر برداری
  • کورتکس بینایی، ساختار چشم، روش های تصویر برداری

فصل سوم : شروع OpenCV

  • معرفی و نصب Opencv در پایتون به طور کامل
  • ساختن، نوشتن، خواندن، نمایش و ذخیره سازی تصاویر در Opencv
  • کار با ماتریس های تصاویر
  • انواع ColorSpace و بررسی هر کدام
  • هیستوگرام در تصاویر

فصل چهارم : پردازش تصویر در OpenCV

  • تبدیلات تصاویر
  • جابجایی تصویر یا Translation
  • چرخش تصاویر یا Rotaion
  • Sacling، Interpolation و تغییر سایز
  • Image Pyramids
  • Image Cropping
  • عملگر های حسابی
  • عملگر های Bitwise
  • کانولوشن و Blur کردن تصویر
  • شارپ کردن تصویر
  • آستانه گذاری یا Tresholding
  • الگوریتم های مورفولوژیک dilation erosion opening closing
  • Edge و لبه یابی
  • Perspective & non Affine & Affine Transformation
  • مینی پروژه

فصل پنجم: کانتور ها و Image Segmentation

  • کانتور چیست؟
  • مرتب سازی کانتور ها
  • تخمین کانتور ها و Convex Hull
  • تطبیق شکل ها بر اساس کانتور
  • مینی پروژه تشخیص شکل
  • تشخیص خطوط و الگوریتم های Hough
  • تشخیص دایره
  • تشخیص blob
  • مینی پروژه

فصل ششم : Object Detection

  • معرفی تشخیص اشیاء
  • تطبیق تمپلیت
  • Feature Detection
  • پیدا کردن گوشه ها یا Corners
  • SIFT، SURF، FAST، BREIF، ORB
  • تمرین تشخیص اشیاء به صورت real time
  • HOG

فصل هفتم : HAAR Cascade Classifier

  • Haar Cascade ها چی هستند؟
  • دانلود و کار با طبقه بند های HAAR
  • تشخیص چهره
  • تشخیص چشم ها
  • پروژه تشخیص چهره و چشم به صورت real time
  • کار با ویدئو ها در طبقه بند های Haar cascade
  • تشخیص عابر
  • تشخیص ماشین

سرفصل های دوره آموزش یادگیری ماشین و علوم داده در پایتون

جزئیات دوره

  • 14 فصل
  • 47 قسمت
  • و بیش از ده پروژه

سرفصل ها :

  • فصل اول :Numpy
  • فصل دوم :Pandas
  • فصل سوم : تمرین Pandas
  • فصل چهارم : Matplotlib
  • فصل پنجم : مفاهیم یادگیری ماشین
  • فصل ششم : رگرسیون خطی
  • فصل هفتم : Cross Validation
  • فصل هشتم : Logistic Regression
  • فصل نهم : KNN
  • فصل دهم: درخت تصمیم گیری و جنگل های تصادفی
  • فصل یازدهم : SVM
  • فصل دوازدهم : خوشه بندی K-Means
  • فصل سیزدهم : PCA
  • فصل چهاردهم : پروژه های تکمیلی

فصل اول :Numpy

  • معرفی numpy
  • آرایه های numpy
  • Indexing & selection
  • عملگر های Numpy
  • تمرین numpy

فصل دوم :Pandas

  • معرفی Pandas
  • سری های Pandas
  • دیتافریم ها در Pandas
  • Missing data در Pandas
  • GroupBy در Pandas
  • pandas-merging-joining-concat
  • عملگر های Pandas
  • ورودی و خروجی ها در Pandas

فصل سوم : تمرین Pandas

  • پروژه آنالیز درآمد ها در پانداز
  • پروژه آنالیز خرید های اینترنتی

فصل چهارم : Matplotlib

  • معرفی matplotlib
  • درس matplotlib
  • تمرین matplotlib
  • مفاهیم پیشرفته matplotlib

فصل پنجم : مفاهیم یادگیری ماشین

  • یادگیری ماشین چیست

فصل ششم : رگرسیون خطی

  • تئوری رگرسیون خطی
  • مینی پروژه رگرسیون خطی
  • تمرین رگرسیون خطی

فصل هفتم : Cross Validation

  • تئوری Cross Validation

فصل هشتم : Logistic Regression

  • تئوری Logistic Regression
  • پیاده سازی و استفاده از Logistic Regression
  • پروژه Logistic Regression

فصل نهم : KNN

  • تئوری KNN
  • پیاده سازی و استفاده از KNN
  • پروژه KNN

فصل دهم: درخت تصمیم گیری و جنگل های تصادفی

  • تئوری درخت های تصمیم گیری
  • پیاده سازی و استفاده از درخت و جنگل
  • پروژه درخت تصمیم گیری و جنگل تصادفی

فصل یازدهم : SVM

  • تئوری Support Vector Machines
  • پیاده سازی SVM
  • پروژه SVM

فصل دوازدهم : خوشه بندی K-Means

  • تئوری K-Means
  • پروژه K-Means

فصل سیزدهم : PCA

  • تئوری PCA
  • پروژه PCA

فصل چهاردهم : پروژه های تکمیلی

  • 6 پروژه و مینی پروژه تکمیلی

سرفصل های دوره آموزش یادگیری عمیق در پایتون

جزئیات دوره

  • 9 فصل
  • 51 قسمت
  • بیش از 12 ساعت
  • و بیش از سی پروژه

سرفصل ها :

  • فصل اول مقدمه
  • فصل دوم معرفی شبکه های عصبی
  • فصل سوم مقدمات Tensorflow
  • فصل چهارم CNN (convolutional neural network)
  • فصل پنجم RNN (RNN – LSTM – GRU)
  • فصل ششم API‌ها (Keras – Estimator – Layers)
  • فصل هفتم AutoEncoder ها
  • فصل هشتم GAN (generative adversarial networks)
  • فصل نهم یادگیری تقویتی (Reinforcement Learning)
3/5 (2 Reviews)

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “DEEPMLCVPY | گنجینه آموزشی هوش مصنوعی| صفر تا متخصص هوش مصنوعی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

فهرست