آموزش جامع هوش مصنوعی با جاوا اسکریپت

احتمالا می‌دانید که یادگیری ماشین (Machine Learning) و هوش مصنوعی  (artificial intelligence) آینده‌ی همه‌ی تکنولوژی‌ها است. در سال‌های آینده هیچ صنعتی وجود نخواهد داشت که  تحت تأثیر ماشین یادگیری(ML) نباشد، یک دنیای تحول آفرین در راه است و شما می‌توانید هم اکنون آن را درک کنید و یاد بگیرید یا در این طوفانِ تغییرات علم یه گوشه بنشینید و ضرر کنید.بدون شک هر روز بار‌ها با برنامه‌هایی کار می‌کنید که به تکنیک‌های ماشین یادگیری متکی هستند، پس باید در یادگیری این علم بزرگ دریغ نکنید و به روز باشید. 

در این دوره به صورت جامع و کامل مباحث ماشین یادگیری‌رو بهتون معرفی می‌کنیم و شمارو آماده می‌کنیم. با دیدن این دوره می‌تونید راه خودتون‌رو انتخاب کنید و در هر زمینه‌ای که وارد می‌شوید به هدف‌های بزرگی برسید (البته با تلاش و پشتکار).

*چرا جاوا اسکریپت؟ 

برای کسانی که تازه می‌خواهند یادگیری هوش مصنوعی‌رو شروع کنند ML با جاوا اسکریپت بسیار ساده‌ است، همانطور که می‌دانید زبان جاوا اسکریپت یکی از قدرتمند‌ترین و ساده‌ترین زبان‌های برنامه نویسی است و در نتیجه یادگیری هوش مصنوعی هم با آن آسان است. زبان‌های ساده و قوی دیگه‌ای هم وجود دارد اما مثلا یکی از خوبی‌های جاوا اسکریپت این است که expressive نیست، (expressive یعنی چی؟ یعنی اینکه یک لاین کد می‌تونه بیشتر از یک لاین از کد‌های زبان‌های دیگه کار بکنه، که فایده‌ی این موضوع را می‌گویند این است که: ((هر چه کد کم تر، debug کردن راحت تر است)) اما به نظر شما این موضوع توی ML هم می‌تونه مفید باشه؟ یا گیج کننده؟ اون هم وقتی شما دارید یک دنیای علم جدید رو یاد می‌گیرید.) 

پس این موضوع باعث میشه یک خط کد شامل functionality‌های زیادی باشد. البته که این ویژگی توی خود زبان‌های دیگه می‌تونه عالی باشه ، اما وقتی سعی می کنید یک موضوع کاملاً جدید را یاد بگیرید خیلی خوب نیست و شما سردرگم می‌شوید که جاوا اسکریپت به این صورت نمی‌باشد. (که می‌توانید این موضوع را از منابع خارجی و معتبر هم چک کنید).

علاوه بر اینکه جاوا اسکریپت درک ML را آسان تر می کند، افق های جدیدی را برای برنامه هایی که می توانید بسازید باز می کند. از آنجایی که می‌دانید جاوا اسکریپت فقط زبان سمت سرور یا فرانت نیست با کمک جاوا اسکریپت و node شما یک full stack می‌شوید، یعنی هم سرور و هم فرانت رو می‌تونید کار کنید، پس به جای اینکه برای اجرای کد ML محدود به استقرار کد در سرور شوید ، می توانید برنامه های single page یا حتی افزونه‌های مرورگر  بسازید که الگوریتم های جالبی را اجرا می کنند که به شما امکان توسعه یک مورد استفاده کاملاً جدید را بدهد.

توجه داشته باشید تمام تئوری های ML یکی است و شما می‌توانید با توجه به زبانی که دوست دارید اون رو انتخاب کنید و هر زبانی خوبی‌ها و بدی‌های خود را دارد اما گاهی در برخی موضوعات فواید یک زبان به ضعف‌های آن غلبه می‌کند. جاوا اسکریپت هنوز اجتماع بسیار بزرگی تشکیل نداده است اما به خاطر قدرت، سادگی، کتابخانه‌های قدرتمند، زیر ساخت‌های قوی و خیلی نکات دیگه آینده‌ای بسیار روشن دارد و روز به روز اجتماع این زبان هم در حال پیشرفت است.

همانطور که می‌دانید برخی دوره‌های یادگیری ماشین موضوعات گیج کننده‌ای را بررسی می‌کنند یا اینکه تشویق می‌کنند از الگوریتم‌هایی استفاده کنید که از پیش نوشته شدن و تمام کار‌های سنگین را خودشون انجام می‌دهند. اگر چه این موضوع می‌تواند زودتر شمارو خوشحال کنه و به موفقیت لحظه‌ای برساند اما درک شما از ML را چطور؟

 بدون شک شما به درک کامل نمی‌رسید. تنها در صورتی می توانید نحوه استفاده از تکنیک های ML را درک کنید که پشت پرده‌ی الگوریتم های اساسی را یاد بگیرید و یکی از اهداف این دوره هم این است که شما دقیقاً ریاضیات و تکنیک های برنامه نویسی را که در رایج ترین الگوریتم های ML استفاده می شود درک کنید. پس از داشتن این دانش ، به راحتی می توانید الگوریتم های جدید را در حین ساخت اپ‌های مختلف انتخاب کرده و پروژه ها و برنامه های بسیار جالب تری نسبت به مهندسان دیگر بسازید، چرا که دیگر مهندسان فقط می دانند چگونه داده ها را به یک کتابخانه جادویی تحویل دهند و نمی‌دانند این جادو دقیقا چیه و پشت پرده به چه صورت است. 

اگر از ریاضیات چیزی نمی‌دانید اصلا مشکلی نیست، تمام نکات از پایه توضیح داده می‌شود

حتما برای اینکه کیفیت خوب و قوی مطالب رو درک کنید، جلسات رایگان ابتدایی رو ببینید و نحوه‌ی تدریس بنده رو بسنجید.

پیشنیاز دوره : جاوااسکریپت

 

بعد از ثبت نام در این دوره و تایید فاکتور لینک های دانلود برای شما فعال خواهد شد

سرفصل های این دوره :

  • معرفی دوره

    رایگان 00:07:00
  • یادگیری ماشین چیست

    رایگان 00:13:00
  • یادگیری حل مسائل و مشکل

    رایگان 00:14:00
  • نصب و راه اندازی VS Code و افزونه ها

    رایگان 00:06:00
  • طرح کلی مشکل

    رایگان 00:05:00
  • شناسایی اطلاعات مرتبط

    رایگان 00:06:30
  • ساختاردهی به dataset

    رایگان 00:07:41
  • ثبت اطلاعات محاسبه شده

    رایگان 00:07:30
  • نوع مشکل چیست

    رایگان 00:08:35
  • الگوریتم KNN چطور کار می‌کند

    رایگان 00:11:19
  • کتابخانه‌ی Lodash

    نقدی 00:18:00
  • پیاده سازی الگوریتم KNN قسمت اول

    نقدی 00:13:10
  • پیاده سازی الگوریتم KNN قسمت دوم

    نقدی 00:11:30
  • تست کردن الگوریتم

    نقدی 00:12:04
  • عملیات برای نتایج اشتباه

    نقدی 00:06:55
  • اطلاعات training و test (آموزشی و تست)

    نقدی 00:06:40
  • به دست آوردن تصادفی اطلاعات

    نقدی 00:08:00
  • تعمیم الگوریتم KNN

    نقدی 00:06:50
  • به دست آوردن صحت الگوریتم

    نقدی 00:10:56
  • پرینت گزارش دقت برای الگوریتم

    نقدی 00:07:15
  • بازسازی گزارش صحت برای الگوریتم

    نقدی 00:10:19
  • بررسی مقدار بهینه برای K

    نقدی 00:15:18
  • بروز کردن الگوریتم KNN برای چند ویژگی feature

    نقدی 00:12:33
  • KNN چند بعدی

    نقدی 00:08:19
  • فاصله‌ی N بعدی

    نقدی 00:15:34
  • فضای ویژگی‌ها

    نقدی 00:11:14
  • اندازه features یا ویژگی‌ها و تاثیر آنها

    نقدی 00:08:22
  • Normalization یا نرمال‌سازی ویژگی‌ها

    نقدی 00:14:39
  • نرمال سازی داده‌ها با minMax

    نقدی 00:11:42
  • اجرای Normalization

    نقدی 00:06:33
  • انتخاب feature برای KNN

    نقدی 00:10:25
  • انتخاب features و دقت آنها

    نقدی 00:10:04
  • معرفی tensorflowjs

    نقدی 00:08:34
  • برنامه برای ادامه‌ی راه

    نقدی 00:06:05
  • توضیحات راجب tensor, shape, dimension

    نقدی 00:14:09
  • عملیات با المان‌ها

    نقدی 00:17:32
  • عملیات broadcasting

    نقدی 00:14:18
  • log کردن اطلاعات تنسور

    نقدی 00:05:10
  • نحوه‌ی دسترسی به تنسور(tensor accessors)

    نقدی 00:08:03
  • استفاده از slice در اطلاعات

    نقدی 00:14:11
  • اتصال تنسور‌ها(Concatenation)

    نقدی 00:10:50
  • جمع کردن مقادیر در راستای یک محور

    نقدی 00:10:12
  • نکات تکمیلی درباره‌ی بعد‌های تنسور

    نقدی 00:15:22
  • KNN با رگرسیون

    نقدی 00:08:16
  • تغییر در ساختار داده

    نقدی 00:06:50
  • KNN با tensorflow

    نقدی 00:17:14
  • ترتیب اطلاعات در tesnorها

    نقدی 00:10:05
  • مرتب کردن tensorها

    نقدی 00:10:10
  • متوسط گیری از مقادیر

    نقدی 00:17:11
  • راه اندازی KNN با tensorflow

    نقدی 00:10:00
  • load کردن اطلاعات CSV

    نقدی 00:15:00
  • اجرای آنالیز KNN با tensorflow

    نقدی 00:15:43
  • گزارش درصد ارور

    نقدی 00:10:30
  • نرمال سازی یا استاندارد سازی

    نقدی 00:12:50
  • استاندارد سازی با tesnorflow

    نقدی 00:17:45
  • پیاده سازی استاندارد سازی

    نقدی 00:08:10
  • debugging

    نقدی 00:11:30
  • نکات تکمیلی

    نقدی 00:07:31
  • رگرسیون خطی

    نقدی 00:05:40
  • چرا رگرسیون خطی

    نقدی 00:11:00
  • گرادیان کاهشی چیست

    نقدی 00:19:00
  • حدس زدن ضرایب با MSE

    نقدی 00:18:10
  • بررسی و مشاهدات روی MSE

    نقدی 00:12:00
  • مشتق / derivative

    نقدی 00:13:35
  • گرادیان کاهشی در عمل

    نقدی 00:17:10
  • دوره‌ای روی مباحث

    نقدی 00:12:00
  • learning rate

    نقدی 00:20:00
  • پاسخ به ابهامات

    نقدی 00:06:00
  • گرادیان کاهشی تکمیلی

    نقدی 00:07:45
  • گرادیان کاهشی تکمیل شده درعمل

    نقدی 00:13:00
  • پروژه‌ی جدید

    نقدی 00:12:00
  • load کردن اطلاعات

    نقدی 00:10:15
  • تنظیمات الگوریتم

    نقدی 00:11:10
  • متد train

    نقدی 00:06:15
  • متد گرادیان کاهشی

    نقدی 00:12:00
  • محاسبه شیب MSE

    نقدی 00:12:20
  • به روز کردن ضرایب

    نقدی 00:06:00

نظرات کاربران

جهت ثبت نظر باید در سایت عضو شوید و یا وارد سایت شده باشید .