دوره جامع تكنولوژی داده (دوره دوم)

(Data Tech)

مرکز آموزش‌های تخصصی و مهارت افزايی دانشگاه خاتم با همكاری

مركز تحقیقات و مطالعات فناپ برگزار می‌نمايد:

اهداف دوره:

• تربیت نیروهای متخصص در حوزه علم داده؛

• ایجاد و توسعه مهارت‌های حوزه‌های علم‌داده، نظیر:
  • یادگیری ماشین؛
  • تجزیه و تحلیل‌ داده‌ها؛
  • مدیریت پایگاه‌های داده؛
  • سیستم‌های هوشمندی کسب و کار؛
  • داده‌کاوی و شناسایی الگوهای مختلف در داده‌ها؛
  • رویکردهای توصیف و پیش‌بینی با استفاده از داده‌ها؛
  • وب‌کاوی، متن‌کاوی و پردازش تصویر؛
  • سیستم‌های فرآیندکاوی؛
  • مدیریت داده‌های عظیم (Big Data).

سرفصل‌های دوره:

مزيت‌های دوره:

• آموزش مجازی و دسترسی به فايل ويدويی جلسات در تمام طول دوره؛

• استفاده از نمونه‌های عينی و پروژه‌های واقعی سازمان در هر درس؛

• مسیر یادگیری منسجم جهت فراگیری مفاهیم، تکنیک‌ها و ابزارهای تخصصی حوزه‌های مرتبط با علم‌داده؛

• حضور اساتيد برتر در حوزه علم داده از شرکت فناپ و دانشگاه خاتم؛

• ارائه مدرک از دانشگاه خاتم و مرکز مطالعات و تحقیقات فناپ.

مخاطبان دوره:

این دوره برای عموم آزاد است.

پیش‌نیازهای دوره:

• داشتن حداقل مدرک کارشناسی (یا دانشجویان سال آخر کارشناسی) در رشته‌ی مرتبط یا حداقل یک‌سال سابقه‌ی کار مرتبط (در صورت عدم احراز شرایط فوق یک مصاحبه‌ی تخصصی با داوطلبان ورود به دوره انجام خواهد شد)؛

• آشنایی با مباحث آماری و شناخت مقدماتی زبان‌های برنامه‌نویسی.

شیوه‌ی ثبت‌نام و برگزاری دوره:

این دوره بصورت مجازی در سامانه lms.khatam.ac.ir دانشگاه خاتم و در بستر نرم‌افزار Adobe Connect برگزار خواهد شد. جلسات به گونه‌ای برنامه‌ریزی شده‌است که تداخلی با ساعات کاری کارکنان شرکت‌کننده در دوره نداشته باشد.

زمان‌بندی دوره:

 شهريه‌ی دوره:

ساختار کلی دوره‌ی تكنولوژی داده:

• اين دوره شامل 8 درس می‌باشد كه در دو ترم ارائه خواهد شد. جمعاً کل ساعات آموزشی 154 ساعت خواهد بود.

• طول دوره برابر 3 ماه می‌باشد.

• باتوجه به وضعیت شیوع کرونا و حفظ سلامت دانشجویان دوره‌ به صورت آنلاین برگزار می‌شود. نکته‌ی حائز اهمیت امکان استفاده از دوره برای علاقمندان شهرستان فراهم می‌باشد که یک فرصت عادلانه و برابر برای آموزش در حوزه‌ی تخصصی و در سطح کلان است. (در صورت امكان و نياز، برگزاری 5 جلسه به صورت حضوری پیش‌بینی شده است).

• دانشجویان موظف به تكميل پروژه‌ی پایانی دوره هستند. 

*پروژه پایانی بر اساس یک پروژه مشخص و از طریق اساتید دوره از دانش‌پذیران بعمل خواهد آمد. در پایان برگزیدگان به مرحله‌ی جذب و مصاحبه‌ی استخدامی در فناپ هدایت می‌شوند. *

جهت کسب اطلاعات بیشتر و شرکت در دوره می‌توانید با شماره تلفن 89174069-021 تماس بگیرید و یا با پست الکترونیک Training@khatam.ac.ir با ما در ارتباط باشید.

محتوای دروس دوره

مبانی علم داده:

• تعاریف و مفاهیم؛

• مقدمه‌ای بر علم داده؛

• مبانی علم آمار و روش‌های نمونه‌گیری؛

• نظریه‌ی احتمال و برآورد آماری؛

• اصول کار با بردارها و ماتریس‌ها؛

• متغیرهای تصادفی و توزیع‌های احتمالی؛

• آزمون فرض و تحلیل آماری؛

• همبستگی و رگرسیون.

برنامه‌نویسی در علم داده با پایتون:

• مقدمه‌ای بر پایتون؛

• آماده‌سازی و تمیز کردن داده؛

• کتابخانه‌های پایتون مناسب برای یادگیری ماشین؛

• Numpy, Scipe, Pandas, Scikit- Learn برای ML؛

• مصورسازی داده‌ها؛

• مدل‌های دسته‌بندی و ارزیابی آن‌ها؛

• مدل‌های رگرسیونی و ارزیابی‌ آن‌ها؛

• کلاس‌بندی و ارزیابی مدل‌ها.

مدیریت پایگاه داده:

• معرفی معماری RDBMSها و بررسی ویژگی‌ها و مقایسه آن‌ها؛

• آشنایی با مبانی مدیریت پایگاه داده؛

• معرفی دیتابیس اوراکل؛ ویژگی‌ها و تاریخچه؛

• نصب و پیکربندی پایگاه داده Oracle روی ویندوز؛

• آشنایی با روش‌های اتصال به دیتابیس؛

• آشنایی با بازیابی و ذخیره داده‌ها در دیتابیس؛

• آشنایی مقدماتی با برنامه‌نویسی PL/SQL و SQL؛

• آشنایی با پراسیجرها، پکیج‌ها، تریگر، کرسرها و انواع داده در اوراکل؛

• آشنایی با مدیریت خطاها؛

• آشنایی با نحوه‌ی ساخت کاربر و اعمال دسترسی‌ها در دیتابیس اوراکل؛

• آشنایی با مدیریت حافظه در اوراکل.

یادگیری ماشین:

• The Machine Learning Landscape؛

• End-to-End Machine Learning Project؛

• Classification؛

• Training Models؛

• Support Vector Machines؛

• Decision Trees؛

• Ensemble Learning and Random Forests؛

• Dimensionality Reduction؛

• Unsupervised Learning Techniques.

یادگیری عمیق:

• Introduction to Artificial Neural Networks with Keras؛

• Training Deep Neural Networks؛

• Custom Models and Training with TensorFlow؛

• Loading and Preprocessing Data with TensorFlow؛

• Deep Computer Vision Using Convolutional Neural Networks؛

• Processing Sequences Using RNNs and CNNs؛

• Natural Language Processing with RNNs and Attention؛

• Representation Learning and Generative Learning Using Autoencoders and GANs؛

• Reinforcement Learning؛

• Training and Deploying TensorFlow Models at Scale.

متن‌کاوی و وب‌کاوی:

• مقدمه‌ای بر متن‌کاوی و وب‌کاوی؛

• مبانی استخراج اطلاعات از وب (Web scraping)؛

• پردازش زبان طبیعی (NLP)؛

• پاک‌سازی و آماده‌سازی متن؛

• Word embedding؛

• خوشه‌بندی متن؛

• مدل‌سازی موضوع (Topic Modeling)؛

• مدل‌سازی پیش‌گویانه با متن؛

• تجزیه و تحلیل احساسات (sentiment analysis).

کلان داده:

• مفاهیم Big Data؛

• معماری Big Data؛

• معماری و کار عملی با Hadoop؛

• معماری و کارعملی با Spark؛

• معماری و کارعملی با Hive؛

• معماری و کار عملی با Kafka؛

• معماری NoSQL DB؛

• کار عملی با Elasticsearch.

هوش تجاری:

• مبانی هوش تجاری؛

• مفاهیم انباره داده؛

• مراحل طراحی و پیاده‌سازی انباره داده؛

• داشبوردها؛

• کار عملی ETL با Spark؛

• معرفی و آموزش ETL با ODI؛

• طراحی داشبورد با Tableau