پرورش کارشناس علم داده و هوش مصنوعی

۱۸,۸۰۰,۰۰۰ تومان۱۹,۷۰۰,۰۰۰ تومان

سطح اول: علم داده و یادگیری ماشین کلاسیک (همراه با حل پروژه‌های عملی)
سطح دوم: یادگیری ماشین و پیش‌بینی داده‌ها با استفاده از هوش مصنوعی

سطح اول: آنلاین | از ۲۹ دی ۱۴۰۳ | ۸۷ ساعت | شنبه و یکشنبه | ۱۸:۰۰ تا ۲۱:۰۰
سطح دوم: آنلاین | از ۵ آبان ۱۴۰۳ | ۶۰ ساعت | شنبه و یکشنبه | ۱۸:۰۰ تا ۲۱:۰۰

انصراف و عودت وجه تا یک هفته پیش از آغاز دوره، با کسر ۳۰% از مبلغ ثبت‌نام و پس از آن، با معرفی فرد جایگزین امکان‌پذیر است.

توضیحات

مقدمه

علم داده، از جمله علومی است که امروزه کاربرد بسیار زیادی در حوزه‌های مختلف کسب و کار دارد. با گسترش روزافزون داده در حوزه‌های مختلف، تقریبا صنعتی نمی‌بینیم که با داده یا به اصطلاح معمول، دیتا، سروکار نداشته باشد. از کسب و کارها و تجارت‌های خرد گرفته تا شرکت‌های بزرگی مثل آمازون و مایکروسافت که علم داده و یادگیری ماشین، بخش اصلی از فعالیت‌های آنها را داده تشکیل داده است.

حوزه علم داده به سازمان‌ها کمک می‌کند تا بتوانند رفتار مشتریان خود را پیش‌بینی کنند، فروش خود را افزاش دهند، نقاط ضعف خود را بشناسند و بتوانند از رقبا پیشی بگیرند. در این بین یک کارشناس علم داده نقش حیاتی را در سازمان ایفا می‌کند. کارشناس علم داده داده‌های اولیه را دریافت می‌کند، روی آنها پردازش اولیه را انجام می‌دهد و آنها را برای فرآیند پیش‌بینی آماده می‌کند.

صنعت مالی و بازار سرمایه نیز از جمله صنایعی هستند که با داده‌های بزرگ سروکار دارند و عمدتا پیش‌بینی دقیق از آینده سود شرکت‌ها، شاخص کل بورس و حتی سهام، کار با داده را جذاب‌تر نشان می‌دهد.

گروه مالی شریف در ادامه برگزاری دوره‌های جامع ویژه پرورش کارشناسان خبره با هدف توانمندسازی علاقمندان به منظور اشتغال در نهادهای مالی داخلی و بین‌المللی در نظر دارد تا دوره جامع پرورش کارشناس علم داده و هوش مصنوعی را برگزار نماید. سطح اول آن به علم داده و یادگیری ماشین کلاسیک پرداخته می‌شود و در سطح دوم به تفضیل به یادگیری ماشین و در ادامه هوش مصنوعی پرداخته خواهد شد.

ویژگی‌های برجسته دوره

ارائه پیش نیازهای اصلی دوره و امکان حضور همه علاقمندان
رویکرد کاربردی دوره و پرهیز از صرف زمان زیاد برای مباحث نظری و مقدماتی
طراحی دوره با استفاده از سرفصل‌های گواهینامه معتبر FDP
ارائه مباحث به زبان ساده و قابل فهم برای عموم مخاطبان
تدریس مباحث در قالب مثال‌های متعدد
حل چند پروژه عملی واقعی توسط استاد
حضور استاد توانمند با سال‌ها تجربه تدریس و کار اجرایی در حوزه علم داده در ایران و کانادا
امکان رفع اشکال در ساعت‌های خارج از کلاس در گروه تلگرامی دوره

مخاطبان دوره پرورش کارشناس علم داده

علاقه‌مندان به علم داده، آنالیز داده و داده‌کاوی
کارشناسان و تحلیلگران نهادهای مالی
علاقه‌مندان به هوش مصنوعی و یادگیری ماشین
علاقه‌مندان به پیش‌بینی روند داده‌ها و شاخص‌ها
علاقه‌مندان به کاربرد علم داده در بازارهای مالی
کارشناسان و کاربران سیستم‌ها و راهکارهای تحلیل داده‌ها
توسعه‌دهندگان سامانه‌های هوش تجاری کسب‌وکار
اعضای تیم‌های تحقیق و توسعه، آینده‌نگری، برنامه‌ریزی و نظارت کسب‌وکارها و سازمان‌ها

سرفصل‌های دوره | سطح اول

عنوان مدت زمان
آشنایی مقدماتی با پایتون ۱۲ ساعت
فرمول‌نویسی در اکسل ۶ ساعت
آشنایی با آمار و احتمالات ۱۲ ساعت
مسیر اصلی علم داده ۵۷ ساعت

جزئیات سرفصل‌های تخصصی دوره | سطح اول

( تحلیلگر داده تا الگوهای یادگیری ماشین کلاسیک )

Step 1: Data Wrangling
Data Gathering
Data Accessing
Data Cleaning
Real Project1: Income Statement for Forecasting by Machine Learning & Fundamentally Analysis
Real Project2: Project of Twitter account

Step 2: Data Visualization
Data Exploration & Visualization
Analysis of Categorical Variables
Analysis of numerical Variables
Charting for Relation Between Categorical and Numerical Variables
Multivariate Exploration of Data
Real Project: Data on Cars used for Testing Fuel Economy

Step 3: Data Forecasting
Introduction to Machine Learning
Supervised Learning Algorithm Theory
Unsupervised Learning Algorithm Theory
KNN / Regression Models / Bays classifier / Decision Tree
K-Means / SVM
Introduction to Metrics for Analyzing any Forecasting
Real Project1: Forecasting Home Price using some Features Home
Real Project2: Forecasting the Color of Diamonds in real Database

Introduction to Data Analysis, Data Scientist and Machine Learning Engineer
What is the role of Data Analysis
Data Scientist pipeline completely
What are Machine Learning & Deep Learning

Data Structures, Expressions and Functions in Python
Python & Anaconda & Jupyter Notebook
List / Tuple / Dictionary / Set / String ….
Class / Object / Function
For Loop / While / If / If Else

Important Libraries for Data Scientist
Data Preprocessing : Pandas / OS / Shutil / Sklearn
Numerical Libraries for Matrix : Numpy / Tensorflow / Keras
Data Visualization : Matplotlib / Seaborn / Plotty
More than 20 Examples and Small Projects
Real Project1: Exploring Weather Trend using Python and Excel
Real Project2: Medical Appointment for Data Analysis

Statistics in Python for Data Analysis
Descriptive Statistics
Hypothesis Testing & Confidence Level
Regression Models
Logistic Regression
Analyze A/B Test
Real Project1: A/B test run by selecting the best stock
Real Project2: A/B test run by an e-commerce website

توانمندی‌های شما در پایان سطح اول

توانایی استخراج داده‌ها، دسته‌بندی و گزارش‌گیری از آنها
آنالیز و تحلیل سریع، دقیق و حرفه‌ای داده‌ها
آشنایی با روش‌های پیش‌بینی یادگیری ماشین کلاسیک
توانایی پیش‌بینی داده‌ها به صورت Classification و Regression
آمادگی برای فراگیری مباحث هوش مصنوعی
آمادگی نسبی برای شرکت در آزمون FDP

سرفصل‌های سطح دوم
( یادگیری ماشین و پیش‌بینی داده‌ها با استفاده از هوش مصنوعی )

پیش‌نیاز سطح دو
تجربه کار با پایتون و فرمول‌نویسی در اکسل – دانش ریاضیات متوسط

Deep Learning Process

Total processing of Deep Learning
Optimization Algorithms
Back Propagation Method
Kind of Loss Functions
Parameters / Hyper parameter / Learning Rate / Batch Size / Epoch
Regularization and Data Augmentation
Concept of Drop out
Activation Function

Convolution Neural Network

Concept of Deep Convolution Neural Network
Convolving Process
Kernel Matrix in CNN
Kind of Padding / Stride in CNN
MaxPooling
Resizing & Rescaling Matrix in Images
CV2 & CVtColor in Image Preprocessing
Image Classification and Coding in Python
Real Project1: Forecasting Class of Images on Mnist Database
Real Project2: Forecasting US index Dollar using Convolution 1D
Real Project3: Forecasting Classes in Cfar 10 using Convolution 2D

Recurrent Neural Network

Concept of RNN / LSTM / GRU
How does LSTM work
Data Preparation for Time Series
Normalization & Standardization
Modeling Using Stack LSTM
Convolution & LSTM for forecasting Time Series
Encoder – Decoder Networks
Real Project1: Forecasting Tehran Bourse Index using LSTM
Real Project2: Forecasting Irankhodro Stock Price using Encoder – Decoder & LSTM
Real Project3: Forecasting Income Statement using GRU / LSTM

Text Mining and Forecasting

What is NLP (Natural Language Processing)
Preprocessing on Text
Text Vectorization and Work Embedding
Modeling and Affective Forecasting
Real Project1: Forecasting of Affective in Comments

Classical Machine Learning

Introduction to Machine Learning
Classification vis Clustering
Supervised & Unsupervised Learning Theory
KNN / Regression Models / Logistic Regression / Bays classifier / K-Means
Decision Tree / Random Forest / XGboost / SVM / DRT
Introduction to Metrics for Analyzing any Forecasting
Real Project1: IRIS Project for Forecasting using Supervised Models
Real Project2: Weather Forecasting using Regression Models

Introduction to Machine Learning, Deep Learning and Artificial Intelligence

What is the different between Classical Machine Learning and Deep Learning
What is a Neural Network
Shallow Neural Networks via Hidden / Deep Neural Networks
Kind of Neural Networks
Concept of Feature Extraction in NN

Tools and Platforms for Deep Learning

Working with Google Colab
Anaconda & Pypi
Hardware / CPU & GPU & TPU
Introduction of Kaggle & GitHub

Introduction of Deep Learning Networks

Deep Feed Forward Neural Network
Deep Convolutional Neural Network
RNN / LSTM / GRU
Encoders / Decoders

Coding in Deep Learning

Data Preprocessing using Pandas and Numpy
Data Cleaning
Data Exploration for Feature Extraction
Data Normalization
Data Standardization
Tensorflow / Pytorch / Keras
Neural Networks and Non Neural Networks
How to train the model ( Data Training / Validation / Testing)
Forecasting (Classification & Regression)
Metrics & Evaluate Models
Real Project1: Forecasting the Color of Diamonds in real Database

توانمندی‌های شما در پایان سطح دوم

شناخت عملی انواع شبکه‌های یادگیری عمیق
شناخت فرآیند شبکه‌های عصبی مصنوعی و نحوه یادگیری این شبکه‌ها
پردازش داده‌های مختلف اعم از داده‌های مالی (قیمت سهام، شاخص بورس، سود خالص شرکت‌ها و …)، داده‌های تصویری و داده‌های متن
پیش‌بینی با دقت بالا روند داده‌ها و شاخص‌ها

مدرس دوره
null

کوروش صادقی

Data Scientist at Maximus Canada
مشاور سابق مدیرعامل شرکت سرمایه‌گذاری توسعه ملی
طراح نرم‌افزار PRAPEX (ارزیابی اقتصادی و مالی پروژه‌ها با استفاده از اکسل)
طراح نرم‌افزار گزارش‌گیری معاملات آتی سکه با استفاده از اکسل

بروشور دوره پرورش کارشناس علم داده
کارشناس علم داده | گروه مالی شریف | هوش مصنوعی | تحلیلگر داده | هوش تجاری
کارشناس علم داده | گروه مالی شریف | هوش مصنوعی | تحلیلگر داده | هوش تجاری
ویژگی‌های دوره‌های آنلاین گروه مالی شریف

استفاده از پلتفرم کاربردی Adobe Connect
امکان دسترسی و مشاهده آنلاین فیلمِ دوره تا دو ماه پس از پایان دوره
پشتیبانی کامل برگزاری و محتوای آموزشی دوره از طریق تشکیل گروه در شبکه‌های اجتماعی
امکان مشارکت و طرح سوال توسط شرکت‌کنندگان در کلاس‌های آنلاین بصورت صوت و متن
امکان پرسش و پاسخ و رفع اشکال پس از کلاس در گروه تشکیل شده در شبکه‌های اجتماعی
اعطای گواهینامه معتبر
عضویت در باشگاه مشتریان گروه مالی شریف و استفاده از مزایای آن

نیاز به مشاوره دارید؟
به اطلاعات بیشتر در خصوص این دوره نیاز دارید؟
کارشناسان ما آماده پاسخگویی به شما هستند؛
تماس بگیرید ۶۶۰۳۶۰۶۹-۰۲۱

توضیحات تکمیلی

نوع کلاس

سطح اول, سطح دوم

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “پرورش کارشناس علم داده و هوش مصنوعی”

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

فهرست