خرید اشتراک

بلاگ

کارآموزی

محصولات سازمانی

بوت‌کمپ‌ها

درباره آکادمی

مدت

مدرک

تاریخ به روز رسانی

کارشناس پردازش سری‌های زمانی

پردازش سری‌های زمانی (Time Series Processing) به مجموعه‌ای از فنون و روش‌های محاسباتی اشاره دارد که برای تحلیل داده‌هایی که در طول زمان به صورت متوالی و به صورت دوره‌ای اندازه گیری شده‌اند، به کار می‌روند. این فناوری برای تحلیل داده‌های مالی، زمین‌شناسی، بیولوژی، پزشکی و بسیاری دیگر از کاربردها مورد استفاده قرار می‌گیرد. مثال‌هایی از سری‌های زمانی می‌تواند داده‌های بازار سهام، دمای هوا، ضربان قلب، فشار خون، تولید یا مصرف انرژی و بسیاری موارد دیگر باشد. پردازش سری‌های زمانی با استفاده از الگوریتم‌های مختلفی مانند ARIMA، LSTM، Prophet و بسیاری دیگر، به تحلیل داده‌های زمانی می‌پردازد. هدف اصلی این حوزه، پیش‌بینی و تحلیل روند داده‌های زمانی و کشف الگوهای مختلف در داده‌های زمانی است. از کاربردهای پردازش سری‌های زمانی می‌توان به پیش‌بینی روند بازار سهام، تشخیص تغییرات زمانی در داده‌های پزشکی، پیش‌بینی مصرف انرژی، پیش‌بینی سطح آب و بسیاری موارد دیگر اشاره کرد.

12 ساعت و 18 دقیقه

(744 رای)

الگوریتم و فلوچارت

متغیرها و عملگرها

رشته ها

ساختارهای داده

ساختارهای کنترلی

توابع

شی گرایی

کتابخانه NumPy

کتابخانه Pandas

کتابخانه Matplotlib

فایل و مدیریت خطا

8 ساعت و 36 دقیقه

(314 رای)

جبر خطی

بهینه سازی

آمار و احتمال

11 ساعت و 48 دقیقه

(122 رای)

معرفی دوره

روش‌های تحلیل الگوریتم

الگوریتم‌های بازگشتی

ساختمان داده‌های پایه

ساختمان‌ داده درخت‌

ساختمان داده Hash

الگوریتم‌های مرتب‌سازی

ساختمان‌ داده گراف

طراحی الگوریتم و روش‌های حل مسئله

10 ساعت و 4 دقیقه

(224 رای)

مقدمه و کلیات

اصول طراحی پایگاه داده رابطه‌ای

آشنایی با زبان SQL

عملیات در پایگاه داده رابطه‌ای

اجزای طراحی پایگاه داده

چرخه توسعه پایگاه داده

پیاده سازی

14 ساعت و 27 دقیقه

(170 رای)

!Welcome to Machine Learning

Linear Regression

K-nearest neighbors

Evaluation Metrics for Classification

Decision Tree

Multiclass

Bayesian Networks

Gaussian Naive Bayes

Logistic Regression & Roc Curve

Support Vector Machine

Ensembles of Classifiers

11 ساعت و 58 دقیقه

(108 رای)

introduction

Clustering Algorithms

معیار‌های فاصله و شباهت

انواع روش‌های خوشه‌بندی

خوش‌بندی سلسله مراتبی

الگوریتم K-means

الگوریتم Kernel K-means

الگوریتم DBSCAN

معیار‌های ارزیایی خوشه‌بندی

مقایسه Linkage‌ های مختلف در خوشه‌بندی سلسله مراتبی (Programming)

نحوه استفاده از الگوریتم DBSCAN و ارزیابی آن (Programming)

پیاده‌سازی الگوریتم k-means روی مجموعه داده digits (Programming)

استفاده از الگوریتم k-means برای color quantization (Programming)

Dimensionality Reduction

Density Estimation

VAE

Normalizing Flows

Semi-Supervised Learning

Transfer Learning and Self-Supervised Learning

تشخیص ناهنجاری (Anomaly detection)

11 ساعت و 51 دقیقه

(177 رای)

هوش مصنوعی

یادگیری ماشین

مقدمه‌ای بر یادگیری عمیق

شبکه عصبی کانولوشنال(CNN)

معماری شبکه‌های عصبی عمیق

آموزش و بهینه سازی شبکه های عمیق

یادگیری انتقالی

اتوانکدر

مقدمات پیاده‌ سازی

شبکه‌های بازگشتی و ترانسفورمرها

پیاده سازی مدل‌های یادگیری عمیق

14 ساعت و 12 دقیقه

(42 رای)

مقدمه

مرور یادگیری ماشین

Markov Decision Process(MDP)

dynamic programming

model-free method: روش های مبتنی بر ارزش

model-free method: گرادیان سیاست

model-free method:‌ روش های actor-critic

model based method

Imitation learning

یادگیری تقویتی برون خطی

یادگیری تقویتی با بازخورد انسانی (RLHF)

Multi-Armed Bandit

کدنویسی بخش روش مبتنی بر ارزش

کدنویسی بخش روش مبتنی بر ارزش۲

کد نویسی بخش روش مبتنی بر گرادیان سیایت

کدنویسی بخش روش مبتنی بر مدل

کدنویسی بخش multi armed bandit

7 ساعت و 49 دقیقه

(43 رای)

مقدمه

آشنایی با تکنیک های تعبیه گره ها

دسته بندی روش های یادگیری ماشین روی گراف ها

شهود روش های تعبیه گرافی و هدف آن

به دست آوردن شباهت با استفاده از قدم زدن تصادفی

الگوریتم node2vec

به دست آوردن تعبیه ها برای یک گراف

بکار گیری الگوریتم nod2vec بر روی یک مجموعه داده با python

مقدمه ای بر شبکه های عصبی گرافی

خلاصه ای از جلسه قبل و مبانی یادگیری عمیق

یادگیری عمیق برای گراف ها

شبکه های پیچشی گرافی

ریاضیات مدل و فرآیند آموزش

طراحی مدل و قابلیت استنتاج

مقایسه ی شبکه های عصبی گرافی با شبکه های عصبی پیچشی

پیاده سازی شبکه‌های عصبی گرافی پیچشی با pytorch

نمایی کلی از شبکه های عصبی گرافی

استفاده از GNN ها برای سیستم های توصیه گر

مقدمه ای بر سیستم های توصیه گر

بکار گیری گراف در سیستم های توصیه گر

مدل های مبتنی بر تعبیه برای سیستم های توصیه گر

معرفی روش فیلترینگ مشارکتی گراف عصبی

معرفی روش light GCN

بکارگیری روش lightGCN برای سیستم‌های توصیه‌گر

معرفی روش pinSAGE‌ و کاربرد آن در شبکه pinterest

شبکه های عصبی بازگشتی گرافی برای تولید گراف

3 ساعت و 23 دقیقه

(132 رای)

مبانی CI/CD

معرفی متدولوژی های توسعه نرم افزار

چرخه عمر DevOps

طریقه پیاده سازی Gitflow

نصب و راه‌اندازی گیت‌لب

پایپ‌لاین CI/CD

راه‌اندازی گیت‌لب رانر

سامانه ارزیابی کیفیت کد(سونار‌کیوب)

داکر

مدیریت خط تولید

مثال عملی

ارزیابی کیفیت کد پروژه یادگیری ماشین در پایپ لاین 01

ارزیابی کیفیت کد پروژه یادگیری ماشین در پایپ لاین 02

12 ساعت و 18 دقیقه

(89 رای)

ML in Production

Data Lifecycle in Production

ML Modeling Pipelines in Production

Deploying ML Models in Production

Hands-on

مشخصات مسیر یادگیری

مدت

118 ساعت و 50 دقیقه

مدرک

ندارد

تاریخ به روز رسانی

1404/07/27

13,800,000تومان

هر قسط با اسنپ پی : 3,450,000 تومان

4 قسط ماهانه، بدون چک و ضامن.

دوره آموزشی کارشناس پردازش سری‌های زمانی (+96ساعت آموزش) - آکادمی همراه

کارشناس پردازش سری‌های زمانی

برنامه نویسی پایتون

ریاضیات در علوم‌داده و هوش مصنوعی

ساختمان داده و طراحی الگوریتم

اصول پایگاه داده مقدماتی

یادگیری ماشین نظارت شده

یادگیری ماشین بدون نظارت

یادگیری عمیق

یادگیری تقویتی

شبکه‌های عصبی گرافی

آموزش کاربردی CI/CD

MLOps

مشخصات مسیر یادگیری