افرادی که حوزه کاری یا تحقیقاتی آنان یادگیری ماشین و عمیق باشد

امکان تحلیل و ساخت برنامه کاربردی در حوزه یادگیری عمیق

• مقدمه و معرفی یادگیری عمیق (Deep learning)
• معرفی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• تاریخچه یادگیری عمیق
• کاربردهای یادگیری عمیق
• مزایا و چالش های یادگیری عمیق
• روش ها و مدل های یادگیری عمیق
• معرفی مدل های یادگیری عمیق
• یادگیری بدون نظارت (Unsupervised)
• مدل های خود رمزنگار (Auto Encoder)
• مدل های شبکه عصبی عمیق مولد (Generative adversarial network)
• یادگیری با نظارت (Supervised)
• مدل های شبکه عصبی کانولوشنی (Convolutional neural network)
• مدل های شبکه عصبی بازگشتی (Recurrent neural network)
• جزئیات شبکه های عصبی کانولوشنی
• لایه های کانولوشن
• لایه های کاهش اندازه
• مدل های برتر شبکه های عصبی کانولوشنی
• نحوه آموزش شبکه های عصبی
• آماده سازی داده های آموزش
• انتخاب معماری مناسب شبکه
• الگوریتم های آموزش و بهینه سازی
• تکنیک های تنظیم و بهبود روند آموزش
• تکنیک Batch Normalization
• تکنیک Dropout
• تکنیک انتقال یادگیری (Transfer Learning)
• سخت افزارها، نرم افزارها و برنامه نویسی یادگیری عمیق (با پایتون)
• معرفی سخت‌ افزارهای مناسب برای پیاده سازی ایده های یادگیری عمیق
• معرفی نرم افزارها و کتابخانه های برنامه نویسی حوزه یادگیری عمیق
• نحوه راه اندازی بسترهای کدنویسی پایتون، TensorFlow در ویندوز
• مثال های برنامه نویسی در کتابخانه TensorFlow به زبان پایتون

• تمامی لینوکس کاران و متخصصان شبکه
• Sysadmins Developers

• شروع کار با Docker
• معرفی Docker، تاریخچه و آشنایی با مباحث اولیه
• پیش نیازهای نصب، نصب Docker  - آشنایی با مباحث اولیه و پیاده سازی آن ها
• شروع کار با Docker  و Basic Commands
• بررسی معماری Docker
• آشنایی باContainer    و Image  , Docker Files
• راه اندازی پراسس ها تحت Docker
• Manage Containers
• Resource Management
• Docker logs
• تنظیمات شبکه در Docker و Link  کردن Container  ها
• راه اندازی سرویس های مختلف تحت Docker
• آشنایی با مفهوم Storage
• آشنایی Swarm Mode
• و....

• علاقه مندان به مباحث Big Data
• دانشجویان و فارغ التحصیلان رشته های کامپیوتر و فناوری اطلاعات
• علاقه مندان به مفاهیم سیستم ها و برنامه نویسی توزیع شده

• ارائه راه‌حل جهت دریافت و جمع ‌آوری جریان داده‌ها
• ذخیره‌سازی داده‌های جریانی بصورت لحظه‌ایی
• توانایی توسعه برنامه پردازش داده‌های جریانی

Introduction to Stream Data Processing

• Definition
• Origin and history of Big Data
• Webpages in Big Data projects
• Big Data problems
• Types of Big Data processing
  • Batch
  • Stream
  • Data processing in (almost) real time
  • Definition
  • Advantages and disadvantages
  • Examples
  • Types of message delivery guarentee
    • at-most-once
    • at-least-once
    • exactly-once
  • Tools:
    • Apache Kafka
    • Apache NiFi
    • ELK Stack
    • Apache Flume
    • Fluentd

  • Introduction to Apache Kafka

  • What Kafka is and why it was created
  • The Kafka Architecture
  • The main components of Kafka
  • Some of the use cases for Kafka

  • Kafka Command Line

  • The contents of Kafka's /bin directory
  • How to start and stop Kafka
  • How to create new topics
  • How to use Kafka command line tools to produce and consume messages
  • Kafka terminologies
    • Broker
    • Topic
    • Partition
    • Producer
    • Consumer

  • Kafka Producer Java API

  • The Kafka producer client
  • Some of the KafkaProducer configuration settings and what they do
  • How to create a Kafka producer using the Java API and send messages both synchronously and asynchronously

Kafka Consumer Java API

• The Kafka consumer client
• Some of the KafkaConsumer configuration settings and what they do
• How to create a Kafka consumer using the Java API

Kafka Connect and Spark Streaming

• How to use Kafka and Spark Streaming together

Streaming Platform Concept

• Spark Streaming
• Apache Storm
• Apache Flink
• Apache Kafka Streaming

• فعال در حوزه آمار
• تحلیلگران داده
• فعال در حوزه Business Intelligence
• کسانی که حداقل با یک زبان برنامه نویسی کار کرده اند
• طراحان سایت
• فعال در حوزه Bio-Medical جهت تحلیل دنباله­های DNA

سازمان­هایی که قصد مهاجرت به سیستم­های توصیه کننده دارند

توانایی تحلیل داده، درک کامل کاربرد فرمول­های ریاضی، یادگیری پیاده سازی یادگیری ماشین، پیاده سازی سیستم­های توصیه کننده، آمادگی دانشجو جهت استخدام در حوزه­های علم داده

• نصب پایتون
• نصب محیط­های کدنویسی
• نصب محیط ایزوله
• کار با ترمینال هر سیستم عامل
• متغیر ها
• انواع داده ای
  • Int
  • Float
  • String
  • Bool
  • Dictionary
  • Set
  • Tuple
  • List
• قوانین نام گذاری
• گرفتن ورودی از کاربر و نمایش خروجی
• عملگرهای منطقی
• اولویت عملگرها
• توابع
• حلقه
• شیئ گرایی (ابتدایی)
• بهبود عملکرد الگوریتم
• جبر خطی
• ماتریس ها
• کار با Numpy
• کار با Pandas
• آمار و احتمالات
• محاسبه شباهت کاربران
• یادگیری ماشین
  • Feature Selection
  • Overfitting
  • Underfitting

Dimensionally Reduction

• Supervised learning
• Unsupervised learning
• EDA
• KNN
• Regression
• K-means
• K-medoids
• PCA
• LDA
• Fuzzy C-means
• Decision Tree

• Recommendation
  • Content-based
  • Collaborative filtering
• ارزیابی الگوریتم
  • Sensitivity
  • Specificity
  • Confidence
  • Accuracy precision recall f1-score
  • Test train split
  • K-fold
  • Leave one out
  • Shuffle split
  • Logless
  • ROC(AUC)
  • Cross validation classification confusion matrix
  • MAE
  • MSE
  • R2

• مدیران ارشد شرکت‌های نرم‌افزاری 
• مدیران پروژه 
• برنامه نویس‌ها 
• افراد درگیر در فرایند تولید نرم‌افزار
• علاقه مندان

• توانایی مدیریت پروژه‌های تولید نرم‌افزار با متد چابک 
• توانایی شناخت و تمرین نقش‌های اسکرام در تیم 
• توانایی مشارکت در تیم‌های اسکرام به صورت فعال و تاثیرگذار 
• توانایی مهاجرت از روش‌های سنتی مدیریت پروژه به روش‌های چابک

• Agile manifesto
• •    Values & principles
• •    Scrum Framework
• •    Product Backlig
• •    Backlig Grooming
• •    Estimation
• •    Release Planning
• Teams
• •    Distributed Scrum
• •    Scrum Roles
• •    Sprint Planning
• •    Sprint Execution
• •    Definition of Done
• Simulation
• •    Tools

• علاقه مندان به مباحث Big Data
• دانشجویان و فارغ التحصیلان رشته های کامپیوتر و فناوری اطلاعات
• علاقه مندان به مفاهیم سیستم ها و برنامه نویسی توزیع شده

آشنایی با مفاهیم و راه‌حل‌های موجود در دنیای کلان داده و توانایی حل مسائل موجود در این حوزه با استفاده از ابزارهای تدریس شده در کلاس

• توضیح در خصوص کلان داده و سیستم های توزیع شده
• مفاهیم سیستم فایل توزیع شده و بررسی سیستم فایل هادوپ ) HDFS )
• مفهوم مدل برنامه نویسی Mapreduce
• نصب کلاستر سکوی Hadoop )سیستم فایل HDFS و چهارچوب Yarn ( و اجرای برنامه های نمونه بروی آن
• نصب کلاستر Apache Storm و مدل توسعه برنامه در آن و اجرای برخی از مسایل دنیای واقعی بروی آن
• نصب کلاستر Apache Spark و مدل توسعه برنامه در Spark و اجرای برنامه های نمونه بروی آن

• علاقه مندان به مباحث Big Data
• دانشجویان و فارغ التحصیلان رشته های کامپیوتر و فناوری اطلاعات
• علاقه مندان به مفاهیم سیستم ها و برنامه نویسی توزیع شده
• علاقه‌مندان به زبان اسکالا و سکوی آپاچی اسپارک

توسعه برنامه ها مبتنی بر زبان اسکالا و حل مسئله های کلان داده با استفاده از ابزار آپاچی اسپارک

• توضیح در خصوص کلان داده و سیستم های توزیع شده
• آماده سازی محیط کدنویسی و اجرا
  1. مقدمه بر زبان برنامه نویسی جاوا
  2. نصب و راه اندازی IDE
• بررسی پروژه آپاچی Spark
• راه اندازی و پیکربندی کلاستر Spark
• توسعه و اجرای برنامه های نمونه با استفاده از پروژه Spark
  1. بررسی و کار با مفاهیم RDD
  2. Transformation و Action
  3. بررسی تابع‌های UDF
• بررسی فرمت فایل‌های مورد استفاده در کلان داده و چگونگی نحوه استفاده از آنها در اسپارک
• بررسی زیرساخت‌های ذخیر‌ه‌سازی داده و استفاده آنها همراه با اسپارک
  1. HDFS
  2. Object Storage
  3. Cassandra
  4. MongoDB
• توسعه برنامه با استفاده از مولفه SparkSQL
  1. تحلیل داده‌های دارای ساختار توسط پرس‌وجوهای sql در اسپارک
  2. DataFrame
  3. Dataset
• توسعه برنامه با استفاده از مولفه MLib در پروژه اسپارک
• بررسی مولفه Graphframe به منظور پردازش داده‌های گراف در اسپارک
• بررسی زیرساخت‌های استقرار پروژه اسپارک
  1. Yarn
  2. Mesos
  3. Docker
  4. Kubernetes
  5. Cloud Computing - IaaS

• علاقه مندان به مباحث Big Data
• دانشجویان و فارغ التحصیلان رشته های کامپیوتر و فناوری اطلاعات
• علاقه مندان به مفاهیم سیستم ها و برنامه نویسی توزیع شده
• علاقه‌مندان به زبان اسکالا و سکوی آپاچی اسپارک

توسعه برنامه ها مبتنی بر زبان اسکالا و حل مسئله های کلان داده با استفاده از ابزار آپاچی اسپارک

• توضیح در خصوص کلان داده و سیستم های توزیع شده
• آماده سازی محیط کدنویسی و اجرا
  1. مقدمه بر زبان برنامه نویسی جاوا
  2. نصب و راه اندازی IDE
• بررسی پروژه آپاچی Spark
• راه اندازی و پیکربندی کلاستر Spark
• توسعه و اجرای برنامه های نمونه با استفاده از پروژه Spark
  1. بررسی و کار با مفاهیم RDD
  2. Transformation و Action
  3. بررسی تابع‌های UDF
• بررسی فرمت فایل‌های مورد استفاده در کلان داده و چگونگی نحوه استفاده از آنها در اسپارک
• بررسی زیرساخت‌های ذخیر‌ه‌سازی داده و استفاده آنها همراه با اسپارک
  1. HDFS
  2. Object Storage
  3. Cassandra
  4. MongoDB
• توسعه برنامه با استفاده از مولفه SparkSQL
  1. تحلیل داده‌های دارای ساختار توسط پرس‌وجوهای sql در اسپارک
  2. DataFrame
  3. Dataset
• توسعه برنامه با استفاده از مولفه MLib در پروژه اسپارک
• بررسی مولفه Graphframe به منظور پردازش داده‌های گراف در اسپارک
• بررسی زیرساخت‌های استقرار پروژه اسپارک
  1. Yarn
  2. Mesos
  3. Docker
  4. Kubernetes
  5. Cloud Computing - IaaS