هوش مصنوعی 1

معرفی دوره یادگیری ماشین و هوش مصنوعی (مقدماتی)
این دوره برای افرادی طراحی شده که می‌خواهند قدم اول را در دنیای هوش مصنوعی و یادگیری ماشین بردارند، حتی اگر تجربه زیادی در این زمینه ندارند.

۱- آشنایی با محیط Anaconda
در ابتدای دوره یاد می‌گیرید چطور محیط کاری خودتان را آماده کنید.
Anaconda یک بسته نرم‌افزاری است که:

پایتون و بسیاری از کتابخانه‌های مورد نیاز علم داده را یکجا نصب می‌کند.
اجازه می‌دهد برای هر پروژه یک محیط جدا بسازید تا کتابخانه‌ها و نسخه‌ها قاطی نشوند.
با ابزار Jupyter Notebook همراه است که محیطی تعاملی برای نوشتن و اجرای کدهاست.

۲- آشنایی با کتابخانه Scikit-learn (SKLearn Basics)
Scikit-learn یک جعبه‌ابزار کامل برای ساخت مدل‌های یادگیری ماشین است. در این بخش:
یاد می‌گیرید داده‌ها را وارد کنید و آن‌ها را پیش‌پردازش کنید (مثلاً نرمال‌سازی یا تبدیل متن به عدد).
یاد می‌گیرید مدل‌ها را آموزش دهید و عملکردشان را بسنجید.
با توابع مهمی مثل train_test_split، متریک‌های ارزیابی (Accuracy، MSE) و روش‌های اعتبارسنجی آشنا می‌شوید.

۳- الگوریتم Linear Regression (رگرسیون خطی)
یک روش ساده برای پیش‌بینی مقادیر عددی بر اساس ورودی‌ها.
مثال: پیش‌بینی قیمت خانه بر اساس متراژ، تعداد اتاق، و موقعیت.
یاد می‌گیرید خط یا معادله‌ای پیدا کنید که بهترین تقریب را به داده‌ها بدهد.

۴- الگوریتم K Nearest Neighbor (KNN)
الگوریتمی ساده که بر اساس شباهت کار می‌کند.
برای پیش‌بینی یا دسته‌بندی یک نمونه جدید، به K همسایه نزدیک آن نگاه می‌کند.
مثال: تشخیص نوع گل بر اساس طول و عرض گلبرگ‌ها.

۵- الگوریتم Support Vector Machine (SVM)
یک الگوریتم قدرتمند برای دسته‌بندی داده‌ها.
هدفش پیدا کردن یک مرز (خط یا صفحه) است که بیشترین فاصله را از داده‌های دو گروه داشته باشد.
با کمک تکنیک Kernel می‌تواند مسائل غیرخطی را هم حل کند.
​​​​​​​
۶- الگوریتم K-Means
روشی برای خوشه‌بندی داده‌ها (بدون نیاز به برچسب).
داده‌ها را به K گروه تقسیم می‌کند بر اساس نزدیکی به مرکز هر گروه.

مثال: گروه‌بندی مشتریان بر اساس رفتار خرید بدون اینکه برچسب مشتری‌ها را از قبل بدانیم.

🎯 دستاوردهای شما پس از دوره
بعد از گذراندن این دوره، شما می‌توانید:
محیط کاری پایتون را برای پروژه‌های داده‌کاوی و یادگیری ماشین بسازید.
با کتابخانه Scikit-learn مدل‌های مختلف را آموزش و ارزیابی کنید.
مسائل ساده دسته‌بندی، پیش‌بینی و خوشه‌بندی را حل کنید.
پایه‌های ورود به حوزه‌های پیشرفته‌تر یادگیری عمیق (Deep Learning) را داشته باشید.​​​​​​​

​​​لطفا جهت ثبت نام در این دوره ی ، مشخصات خود و نام دوره را تایپ کنید و دکمه ی ثبت را بزنید تا همکاران ما در اسرع وقت با شما تماس بگیرند.