پیش نیاز ها
آشنا به آمار و احتمال ریاضی
درک پایهای از مفاهیم احتمالات و آمار برای تحلیل دادهها و فهم مدلهای یادگیری ماشینی
زبان برنامه نویسی Python
آشنایی با مفاهیم اساسی برنامهنویسی پایتون و کار با کتابخانهها
سرفصل دوره
گام اول: آشنایی با Python و FastAPI
۱. آشنایی با زبان Python و مفاهیم پایهای:
مدیریت دادهها
ساختارهای دادهای (لیست، دیکشنری و …)
کار با ماژولها و کتابخانهها
۲. مقدمهای بر FastAPI:
معرفی FastAPI و مزایای آن
اصول طراحی وب APIها
آشنایی با مفاهیم HTTP و متدهای آن (GET, POST, PUT, DELETE)
۳. کار با کتابخانههای مرتبط:
Pydantic: مدیریت دادهها و اعتبارسنجی ورودیها
مدیریت خطاها و پیامهای بازگشتی در FastAPI
۴. پروژه کوچک Backend:
ساخت و استقرار اولین وب API با استفاده از FastAPI
پیادهسازی CRUD ساده
گام دوم: یادگیری ماشینی و پیادهسازی مدلها
۱. مقدمهای بر یادگیری ماشینی:
معرفی یادگیری ماشینی و مفاهیم پایه
انواع مدلها (نظارتی و غیرنظارتی)
۲. کار با کتابخانههای یادگیری ماشینی:
NumPy و Pandas: مدیریت دادهها و پیشپردازش
Scikit-learn: ساخت مدلهای یادگیری ماشینی
Matplotlib و Seaborn: تجزیه و تحلیل دادهها و مصورسازی
۳. پیادهسازی مدلهای اولیه:
رگرسیون خطی
طبقهبندی (Classification)
خوشهبندی (Clustering)
گام سوم: ترکیب یادگیری ماشینی و FastAPI
۱. یکپارچهسازی مدلهای یادگیری ماشینی با FastAPI:
بارگذاری مدلها
طراحی وب API برای پیشبینی و تحلیل دادهها
۲. پروژههای کاربردی:
پیادهسازی چندین پروژهی یادگیری ماشینی در قالب وب API
بهینهسازی و استقرار پروژهها
پروژه پایانی:
ساخت یک اپلیکیشن کامل
پیادهسازی یک اپلیکیشن از صفر تا صد
استفاده از مدل یادگیری ماشینی در Backend
طراحی و ارائه API برای کاربردهای دنیای واقعی
خروجی دوره
در پایان این دوره، دانشپذیر توانایی:
طراحی، پیادهسازی و استقرار وب APIها با FastAPI
ساخت و استفاده از مدلهای یادگیری ماشینی در پروژههای عملی
ارائه یک اپلیکیشن کامل یادگیری ماشینی به صورت Web API
خواهد داشت.
این دوره با رویکرد کاربردیسازی یادگیری ماشینی تدوین شده است و میتواند تکمیلکنندهی دورههای نظری هوش مصنوعی باشد.
دانشپذیران در گام اول، با ساختار کلی زبان پایتون و چارچوب FastAPI آشنا شده و سپس با فراگیری پروتکلها (HTTP) و کتابخانههای این حوزه(Pydantic)، دانش خود را عمیق میکند.
پس از یادگیری FastAPI و انجام یک پروژه Backend، گام دوم دوره با رویکرد یادگیری ماشینی آغاز میشود.
در ابتدا مفاهیم اولیه و کتابخانههای مورد نیاز آموخته شده و چندین مدل یادگیری ماشینی توسط دانشپذیر ساخته میشود.
در انتها با استفاده از دانش این دو گام، چندین پروژه یادگیری ماشینی با استفاده از FastAPI پیادهسازی میشود.
انتظار میرود که در انتهای دوره، دانشپذیر بتواند صفر تا صد یک اپلیکیشن مبتنی بر مدلهای یادگیری ماشینی را به صورت Web API به عنوان پروژه پایانی تحویل دهد.
پس از ارائه پروژه دانشپذیران در پایان دوره مدرک معتبر و قابل ترجمه مجتمع فنی تهران دریافت می نمایند .
دیدگاهتان را بنویسید