آموزش جامع هوش مصنوعی با جاوا اسکریپت

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

تریلر دوره

توضیحات کامل دوره

آموزش جامع هوش مصنوعی با جاوا اسکریپتاحتمالا می‌دانید که یادگیری ماشین (Machine Learning) و هوش مصنوعی  (artificial intelligence) آینده‌ی همه‌ی تکنولوژی‌ها است. در سال‌های آینده هیچ صنعتی وجود نخواهد ...

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.


سرفصل‌های دوره

  • معرفی دوره
    رایگان 00:12:42
  • یادگیری ماشین چیست
    رایگان 00:11:25
  • یادگیری حل مسائل و مشکل
    رایگان 00:15:28
  • نصب و راه اندازی یک پروژه
    رایگان 00:05:54
  • طرح کلی مشکل
    رایگان 00:04:41
  • شناسایی اطلاعات مرتبط
    رایگان 00:08:09
  • ساختاردهی به dataset
    رایگان 00:09:35
  • ثبت اطلاعات محاسبه شده
    رایگان 00:07:25
  • نوع مشکل چیست
    رایگان 00:07:59
  • الگوریتم KNN چطور کار می‌کند
    رایگان 00:15:09
  • کتابخانه‌ی Lodash
    00:17:01
  • پیاده سازی الگوریتم KNN قسمت اول
    00:13:10
  • پیاده سازی الگوریتم KNN قسمت دوم
    00:10:27
  • تست کردن الگوریتم
    00:08:39
  • عملیات برای نتایج اشتباه
    00:06:56
  • اطلاعات training و test (آموزشی و تست)
    00:07:16
  • به دست آوردن تصادفی اطلاعات
    00:07:12
  • تعمیم الگوریتم KNN
    00:06:11
  • به دست آوردن صحت الگوریتم
    00:10:22
  • پرینت گزارش دقت برای الگوریتم
    00:06:28
  • بازسازی گزارش صحت برای الگوریتم
    00:09:29
  • بررسی مقدار بهینه برای K
    00:13:45
  • بروز کردن الگوریتم KNN برای چند ویژگی feature
    00:13:22
  • KNN چند بعدی
    00:06:51
  • فاصله‌ی N بعدی
    00:13:20
  • فضای ویژگی‌ها
    رایگان 00:15:49
  • اندازه features یا ویژگی‌ها و تاثیر آنها
    00:07:15
  • Normalization یا نرمال‌سازی ویژگی‌ها
    00:15:40
  • نرمال سازی داده‌ها با minMax
    00:16:01
  • اجرای Normalization
    00:06:15
  • انتخاب feature برای KNN
    00:11:10
  • انتخاب features و دقت آنها
    00:12:52
  • معرفی tensorflowjs
    رایگان 00:08:30
  • برنامه برای ادامه‌ی راه
    00:05:16
  • توضیحات راجب tensor, shape, dimension
    00:15:22
  • عملیات با المان‌ها
    00:15:43
  • عملیات broadcasting
    00:11:15
  • log کردن اطلاعات تنسور
    00:03:29
  • نحوه‌ی دسترسی به تنسور(tensor accessors)
    00:07:22
  • استفاده از slice در اطلاعات
    00:12:39
  • اتصال تنسور‌ها(Concatenation)
    00:10:56
  • جمع کردن مقادیر در راستای یک محور
    00:10:27
  • نکات تکمیلی درباره‌ی بعد‌های تنسور
    00:13:28
  • KNN با رگرسیون
    00:08:17
  • تغییر در ساختار داده
    00:07:37
  • KNN با tensorflow
    00:18:12
  • ترتیب اطلاعات در tesnorها
    00:10:03
  • مرتب کردن tensorها
    00:16:30
  • متوسط گیری از مقادیر
    00:19:05
  • راه اندازی KNN با tensorflow
    00:08:49
  • load کردن اطلاعات CSV
    00:13:01
  • اجرای آنالیز KNN با tensorflow
    00:13:34
  • گزارش درصد ارور
    00:09:58
  • نرمال سازی یا استاندارد سازی
    00:14:13
  • استاندارد سازی با tesnorflow
    00:22:18
  • پیاده سازی استاندارد سازی
    00:06:51
  • debugging
    00:11:16
  • نکات تکمیلی
    00:06:02
  • رگرسیون خطی
    00:04:43
  • چرا رگرسیون خطی
    00:11:13
  • گرادیان کاهشی چیست
    00:20:17
  • حدس زدن ضرایب با MSE
    00:19:42
  • بررسی و مشاهدات روی MSE
    00:10:38
  • مشتق
    00:12:37
  • گرادیان کاهشی در عمل
    00:22:29
  • دوره‌ای روی مباحثَ
    00:09:56
  • learning rate
    00:26:39
  • پاسخ به ابهامات
    00:05:31
  • گرادیان کاهشی تکمیلی
    00:08:03
  • گرادیان کاهشی تکمیل شده در عمل
    رایگان 00:15:22
  • پروژه‌ی جدید
    00:11:40
  • load کردن اطلاعات
    00:08:51
  • تنظیمات الگوریتم
    00:14:05
  • متد train
    00:04:32
  • متد گرادیان کاهشی
    00:14:41
  • محاسبه شیب MSE
    00:10:42
  • به روز کردن ضرایب
    00:04:36
  • نتیجه الگوریتم
    00:11:47
  • ضرب ماتریس‌ها
    00:07:46
  • ضرب ماتریس‌ها 2
    00:07:55
  • ماتریس و معادلات شیب
    00:09:55
  • ساده سازی با ضرب ماتریس‌ها
    00:10:23
  • پشت پرده‌ی ضرب ماتریس‌ها
    00:20:38
  • بازسازی کلاس رگرسیون خطی
    00:12:39
  • نوشتن معادله با tensorflow
    00:15:16
  • اپدیت کردن m و b
    00:09:38
  • مقایسه بین دو پیاده سازی
    00:04:02
  • به دست آوردن دقت مدل (ssr و sst)
    00:18:00
  • پیاده سازی ضریب تعیین
    رایگان 00:12:58
  • پیاده سازی ضریب تعیین و دقت الگوریتم
    00:14:48
  • توضیحات استاندارد سازی
    00:09:19
  • متد processFeatures
    00:06:35
  • پیاده سازی استاندارد سازی
    00:12:46
  • نکته‌ی استاندارد سازی
    00:05:20
  • تغییرات روی learning rate
    رایگان 00:05:55
  • رگرسیون چند متغیره
    00:18:17
  • پیاده سازی آنالیز چند متغیره
    00:10:49
  • بهینه سازی learning rate
    00:12:10
  • ذخیره‌ی MSE
    00:08:10
  • به روز کردن learning rate
    00:13:06
  • تغییرات LR
    00:07:36
  • MSE روی نمودار
    00:07:51
  • MSE در مقابل b
    00:05:49
  • گرادیان کاهشی دسته‌ای و تصادفی
    00:12:48
  • پیاده سازی batch gradient descent
    00:07:52
  • محاسبه‌ی اندازه‌ی دسته‌ها
    00:10:20
  • تکرار روی batch یا دسته‌ها
    00:12:02
  • نتیجه‌ی گرادیان کاهشی دسته‌ای
    رایگان 00:08:53
  • حدس زدن در مدل
    00:13:28
  • Logistic regression
    00:05:21
  • logistic regression در عمل
    00:09:38
  • معادله‌ی صحیح
    00:08:24
  • معادله sigmoid
    00:07:10
  • مرز تصمیم (decision boundaries)
    00:14:15
  • پروژه‌ی جدید
    00:09:30
  • import کردن اطلاعات ماشین‌ها
    00:08:03
  • encode کردن مقادیر label
    00:07:33
  • توضیحات logistic regression
    00:11:23
  • معادله sigmoid در logistic regression
    00:06:08
  • تغییرات در کد‌ها
    00:11:24
  • دقت الگوریتم
    00:05:53
  • پیاده سازی تابع تست
    00:09:56
  • پیاده سازی مرز تصمیم
    00:11:02
  • MSE vs Cross Entropy
    00:10:13
  • پیاده سازی Cross Entropy
    00:07:59
  • ادامه پیاده سازی تابع Cost
    00:07:23
  • تست نتایج و plot کردن
    00:06:42
  • multinominal logistic regression
    00:12:21
  • multinominal logistic regression 2
    00:05:49
  • رویکرد single instance
    00:15:05
  • رویکرد چند ستونه
    00:06:29
  • مساله‌ی جدید در logistic regression چند جمله‌ای
    00:07:13
  • دسته بندی مقادیر پیوسته
    00:08:15
  • آموزش مدل چند جمله‌ای
    00:10:09
  • احتمال conditional و marginal
    00:14:00
  • sigmoid vs softmax
    00:08:51
  • تبدیل sigmoid به softmax
    00:08:03
  • دقت الگوریتم
    00:09:25
  • شناسایی دستخط
    00:03:43
  • grayscale مقادیر
    00:08:26
  • features
    00:06:48
  • مسطح کردن اطلاعات
    00:12:18
  • encode کردن برچسب‌ها
    00:10:31
  • پیاده سازی دقت سنج
    00:13:42
  • debugging کد‌ها
    00:15:44
  • تغییر در variance
    00:12:01
  • dataset بزرگ
    00:05:56
  • پایین آوردن استفاده از memory
    00:10:14
  • ساختن memory snapshots
    00:08:49
  • garbage collector
    00:11:27
  • shallow size و retained size
    00:08:23
  • memory usage
    00:12:36
  • از بین بردن رفرنس
    00:08:10
  • بهینه‌سازی tensorflow در مموری
    00:11:09
  • پیاده‌سازی tf.tidy
    00:10:35
  • plot کردن cost
    00:18:15
  • بالا بردن دقت الگوریتم
    00:09:00
  • load کردن فایل CSV و خوندن فایل از disk
    00:19:33
  • parse کردن اطلاعات
    00:12:40
  • extract کردن اطلاعات، shuffle کردن و split کردن
    00:28:01

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

600,000 تومان

این دوره شامل:
28:56:00 ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/06
آخرین به‌روزرسانی: 2026-11-01 00:14:42
تعداد امتیازها: 0
تعداد دانشجو:
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: