آموزش هوش مصنوعی و یادگیری ماشین در بستر دات نت با سی شارپ(ml.net)

آموزش هوش مصنوعی و یادگیری ماشین در بستر دات نت با سی شارپ(ml.net)

11 : 52 : 06
0.0

امروزه در دنیایی زندگی می کنیم که نرم افزار های موجود در جهان به دنبال پیروی و استفاده از هوش مصنوعی و یادگیری ماشین برای ارتقا دادن سطح نرم افزار های خود استفاده می کنند. سوال مهمی که در اینجا در بین برنامه نویسان مطرح می شود این است که برای استفاده از هوش مصنوعی و یادگیری ماشین در نرم افزار ها و وب سایت ها از چه زبان برنامه نویسی و از چه تکنولوژی و ابزار هایی باید استفاده کرد؟ یکی از روش های استفاده از هوش مصنوعی و یادگیری ماشین، در بستر دات نت با زبان برنامه نویسی سی شارپ و فریمورک ml.net است. برخی از افراد تا اسم هوش مصنوعی و یادگیری ماشین به گوششان می خورد، ذهنیت سختی نسبت به آن پیدا خواهند کرد اما ما در آکادمی برنامه نویسی کدیاد، این مهارت را به شما از صفر تا نزدیکای صد به صورت جامع آموزش خواهیم داد. پس همین الان برای درک فریمورک ml.net و پیاده سازی آسان هوش مصنوعی با سی شارپ در دوره ثبت نام کنید.

کد یاد
سوگند قاسم پور

تریلر دوره

توضیحات کامل دوره

...

سرفصل‌های دوره

  • ml.net چیست؟
    00:09:14
  • model builder چیست؟(پیاده سازی پروژه تحلیل احساسات کاربر در کامنت با استفاده از model builder)
    00:19:40
  • چه سناریویی در یادگیری ماشین(ml.net) برای ما مناسب است؟
    00:15:37
  • پیش بینی کرایه تاکسی با استفاده از ml.net model builder(سناریو value prediction)
    00:10:04
  • پروژه پیشنهاد کننده فیلم (Movie Reccommendation) با استفاده از ml.net model builder
    00:11:54
  • پیاده سازی پروژه پیش بینی قیمت لپ تاپ با استفاده از دستور regression در ml.net cli
    00:12:35
  • مفهوم pipeline در یادگیری ماشین چیست؟(پیاده سازی پروژه پیش بینی قیمت مسکن)
    00:25:38
  • منظور از آماده سازی داده(Data Preparation) و ارزیابی مدل(منظور از R-Squered و RMS Error)در یادگیری ماشین چیست؟
    00:12:31

  • آماده سازی پروژه تحلیل احساسات کاربران سایت(پروژه Asp.net core Web API)
    00:12:02
  • چرخه عملیات Training در ml.net به چه صورت است؟
    00:14:27
  • پیاده سازی pipeline برای پروژه تحلیل احساسات کامنت کاربر در ml.net
    00:40:42
  • آماده سازی لایه مدل برای بررسی کامنت کاربر
    00:37:57
  • اجرای پروژه Sentiment Analyser API
    00:06:05
  • نرمال سازی مدل با NormalizeMeanVariante توضیحی در خصوص مفهوم Confusion Matrix
    00:18:58
  • نحوه Retrain کردن مدل(Retrain Model in Ml.net)
    00:21:34
  • ذخیره سازی و تست مدل Retrain شده
    00:10:35
  • توضیح مفهوم k Fold در cross validation در ml.net
    00:22:58
  • پیاده سازی قدم به قدم مقاله ماکروسافت(آموزش یک مدل یادگیری ماشین با استفاده از cross validation)
    00:18:18

  • آماده سازی پروژه طبقه بندی ریسک نقض قوانین بهداشت در رستوران ها(مبحث Multiclass classification in ml.net)
    00:11:54
  • پیاده سازی پروژه طبقه بندی ریسک با یادگیری ماشین خودکار(AutoML in ML.Net)
    00:23:32
  • محاسبه معیار های micro accuracy, macro accuracy و LogLoss Reduction
    00:23:45
  • بررسی Imbalanced Data در multiclass classification
    00:21:31

  • آماده سازی پروژه Movie Recommender با استفاده از ml.net
    00:06:10
  • تحلیل پروژه امتیازبندی فیلم در Netflix (الگوریتمMatrix Factorization (MF))
    00:11:10
  • پیاده سازی ماتریس فاکتورسازی(Matrix Factorization (MF)) در پروژه ml.net پیشنهاد دهنده فیلم
    00:42:52
  • پیاده سازی بخش استفاده از مدل train شده(Use the Train Model)
    00:17:18
  • نحوه Save کردن مدل Train شده در ml.net
    00:06:43
  • توضیحی در خصوص Improve Model و مشکل Cold start در Collaborative filtering
    00:12:24

  • توضیحاتی در خصوص Image classification و transfer learning و مرحله bottleneck
    00:13:42
  • آماده سازی پروژه طبقه بندی تصاویر ترک خورده(cracked) و ترک نخورده(uncracked)
    00:16:48
  • نحوه لود کردن دیتای تصویر برای پروژه دسته بندی تصاویر در ml.net
    00:19:28
  • پیاده سازی مرحله آماده سازی داده و استفاده از ShuffleRows method
    00:21:55
  • پیاده سازی بخش training pipeline در پروژه Image Classification
    00:18:38
  • طبقه بندی یک تصویر(Classify a single image)
    00:19:44
  • طبقه بندی چندین تصویر(Classify multiple images)
    00:07:50
  • پروژه طبقه بندی تصاویر و حل خطای پیدا نشدن فایل اجرای resnetv2,101, 299.meta در پوشه appdata
    00:16:01

  • ONNX چیست؟
    00:05:38
  • پروژه تشخیص حالات چهره از طریق وب کم(facial expression detection)
    00:12:31
  • لود کردن مدل ONNX در پروژه تشخیص احساسات تصاویر
    00:27:45
  • برنامه تشخیص احساسات صورت از روی تصویر
    00:21:46
  • جلسه پایانی-پیاده سازی پروژه تشخیص احساسات صورت از طریق وبکم
    00:12:12

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

1,000,000 تومان
450,000 تومان
55% تخفیف
ثبت‌نام در دوره
این دوره شامل:
6 فصل آموزشی
11 : 52 : 06 ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/08
آخرین به‌روزرسانی: 2026-10-23 16:59:51
تعداد امتیازها: 0
تعداد دانشجو:
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: