ارگاه جامع و کاربردی علوم داده و یادگیری ماشین، با رویکرد ورود به بازار کسب و کارهای نوین، در مرکز نوآوری و فناوری آما برگزار میشود.
این رویداد فرصتی مناسب برای تبادل دانش، شبکهسازی و شکلدهی کسب و کار در حوزه علوم داده میباشد.
در این کارگاه برای دانشجویان و اساتید تخفیف ۲۰ درصدی در نظر گرفته شده است که با مراجعه به ادمین کانال آما، میتوانید کد تخفیف مربوطه را دریافت نمایید.
ضمنا در این کارگاهها در صورت تمایل (با هزینه مجزا) مدرک معتبر اعطا خواهد شد.
زبان برنامه نویسی پایتون در علم داده
– مفاهیم مقدماتی برنامه نویسی پایتون
– کتابخانههای تحلیل داده در پایتون
– کتابخانههای یادگیری ماشین در پایتون
– کتابخانههای یادگیری عمیق در پایتون
آمار و احتمال کاربردی
– مدلسازی احتمالاتی
– مفاهیم مربوط به آمار استنباطی
– مدل های خطی
– روش های آزمون فرض
یادگیری ماشین
– مقدمهای بر یادگیری ماشین
– یادگیری تحت نظارت و روشهای رده بندی
– یادگیری بدون نظارت و روشهای خوشه بندی
– شبکههای عصبی و الگوریتم ژنتیک
یادگیری تقویت شده
– مفاهیم پایه و تفاوت با روشهای کلاسیک
– روش یادگیری مونت کارلو
– روش یادگیری تفاوت زمانی
یادگیری عمیق
– مفاهیم پایه یادگیری عمیق
– کاربردهای یادگیری عمیق در حوزه های مختلف
– مفاهیم شبکه عصبی چند لایه
– شبکههای کانولوشنی و پیادهسازی آنها
مهندس دیوبند فارغ التحصیل از دانشگاه شریف می باشد. دوره لیسانس را به طور همزمان در دو رشته ریاضی و برق گذراند و از همان زمان عاشق مفاهیم احتمالاتی و آمار شد.
مهندس دیوبند در حدود ده سال تجربه برنامه نویسی با زبان های سی ، سی پلاس پلاس، جاوا ، پایتون، جاوا اسکریپت و …. دارد و در این مدت پروژه های متعددی را برای شرکت های داخلی انجام داده است. چهار سالی است که دانش خود را در زمینه برنامه نویسی و یادگیری ماشین در آموزشگاه ها و ورکشاپ های مختلف به دیگران انتقال میدهد.
محمد میرموسوی دانشجوی ترم ۴ ارشد کامپیوتر گرایش نرم افزار امیرکبیر است. وی کارشناسی خود را هم در دانشگاه علم و صنعت در گرایش نرم افزار گذرانده است. وی در بین درسهای مقطع ارشد، با اختلاف زیاد به یادگیری ماشین (ماشین لرنینگ) علاقهمند بود.
موسوی با انواع و اقسام کتابخانههای پایتون مربوط به ماشین لرنینگ به شکل جدی و عمیق کار کرده است. وی انواع و اقسام الگوریتم های regression و classfication و clusterting را بدون استفاده از کتابخانه scikit-learn با استفاده از numpy و pandas پیاده کرده است.