آنچه از یک Machine Learning Engineer انتظار می‌رود:
- برای مدل های یادگیری عمیق خطوط تامین داده مناسب را ایجاد کند
- با تیمهای توسعه سیستمها و نرم افزارها همکاری کند
- راه حل های Machine Learning (ML) مورد نیاز سازمان را ارائه دهد.
- چالش های فعلی و آینده سازمان مرتبط با دیتا را بررسی کند.
- سیستم های موجود را بهبود ببخشد
- ایجاد ویژگی‌ها و توسعه الگوریتم ها
- الگوریتمهای شبکه عصبی (NN) اختصاصی ایجاد کند
- به اهمیت موازنه بین توپولوژی NN، دقت ML، و معماری سخت افزار توجه کند.
- مدل ها و سیستم هایی برای تعیین شباهت، طبقه بندی و تشخیص ایجاد کند
- برای بهبود تضمین کیفیت سیستم ML، یادگیری ماشین را با مهارت انسانی ترکیب کند
- با استفاده از Tensorflow و پکیجهای دیگر، ابزارها و زیرساخت های یادگیری ماشین را معماری و ایجاد کند
- …
سرفصلها:
1- مقدمات، بررسی روشهای شناخت سازمان، تعریف دقیق مساله و شناخت و ذخیره‌سازی داده
- تاریخچه
- تعاریف و تفاوت یادگیری ماشین (Machine Learning) و علم داده (Data Science)
- بررسی کاربردهای یادگیری ماشین مانند:
Classification, Text Mining, Predictive Analytics, Pattern Recognition, Time Series Analysis, Demand Forecasting, Customer Intelligence, Recommendation Systems, Optimization, NLP, Image Analytics, …
- کاربردهای یادگیری ماشین در صنایع مختلف مانند صنایع نفت، خودرو، بانک و …
- کاربردهای یادگیری ماشین در فرایندهای مختلف مانند فرایند بازاریابی، فرایندهای منابع انسانی، فرایند خدمات پس از فروش، فرایندهای تولید و …
- متدولوژی‌های پیاده‌سازی یادگیری ماشین
- شناخت نیاز سازمان: از مراحل بسیار مهم یک پروژه یادگیری ماشین، شناخت کامل نیاز کسب و کار است، در واقع انگیزه اصلی اجرای پروژه در این گام به خوبی مشخص می‌شود. زمانی که شناخت نیاز کسب و کار و کاربرد مورد نظر مدل یادگیری ماشین، به خوبی انجام شود، مشخص می‌شود چه داده‌هایی باید جمع‌آوری شوند و چگونه این داده ها تحلیل و در نهایت به حل مساله مورد نظر منجر شود.
- شناسایی منابع داده‌ها در سازمان و شناسایی کاربردهای نوآورانه به منظور آنالیز این داده‌ها
- تبادل نظر با همکاران سازمان به منظور درک مسائل و چالشهای مرتبط که با یادگیری ماشین قابل حل هستند و تعریف دقیق مساله مورد نظر
- ایجاد شناخت نسبت به ویژگیهای داده
2- پیش پردازش داده و مهندسی ویژگی (Feature Engineering)
3- مدلها و الگوریتمهای رایج و پر استفاده Machine learning
الگوریتمهای یادگیری ماشین باعث می‌شوند، دیدگاههای فراوانی در جهت بهبود، پیش بینی، و … از داده‌های موجود سازمان بدست آوریم. در این فاز به بررسی 30 مورد از مهمترین و پرکاربردترین الگوریتمها و ابزارهای یادگیری ماشین، می‌پردازیم. یکی از تفاوتهای این دوره با دوره تربیت Data Scientist تاکید این دوره بر توانایی توسعه الگوریتمهاست.
4- طراحی و توسعه مدل یادگیری ماشین و پیاده‌سازی تک تک الگوریتمهای فاز قبل در پایتون و یک نرم افزار Modeler
(Model Deployment & Scaling)
در این فاز، بر اساس دیتاستهای واقعی این دوره، به اجرای الگوریتمهای فاز قبل در پایتون و در یک مدلساز ML می‌پردازیم. بطور مثال در مورد کاربرد روشهای متن کاوی از دیتاست یک هتل پنج ستاره در تهران استفاده می شود و یا در تحلیل Market Basket Analysis از دیتاستهای دیجی کالا استفاده خواهد شد. این فاز حداقل شامل گامهای زیر می‌باشد:
- مبانی کدنویسی در پایتون
- فراگیری و بررسی کدهای الگوریتمهای فاز قبل
- فراگیری مهارت پایتون ((Modules, Objects/Classes, package installation
- کار با پایتون و کتابخانه‌های Scikit-learn, Pandas, Keras, NLTK, Numpy و …
- فراگیری مهارت نوشتن و دیباگ کدها در پایتون
- اجرا و تست انواع مدلهای یادگیری ماشین در پایتون و یک ML Modeler
5- Model Assessment & Validation
6- ارائه نتایج
- ارائه گرافیکی مناسب از داده و دستاوردهای مدل یادگیری ماشین
- طراحی و ایجاد گزارشهای مرتبط
- فرایند ارائه نتایج
- مستندسازی
- Excel
- Power BI
اساتید دوره:
دکتر بهروز نوری
- دکترای مهندسی صنایع/فناوری اطلاعات از دانشگاه صنعتی امیرکبیر
- بیش از 16 سال تجربه فعالیت در فناوری اطلاعات و مدیریت پروژه در صنایع نفت و گاز و فولاد، و IT و 12 سال سابقه برگزاری دوره‌های آموزشی در حوزه مدیریت، کیفیت و فناوری اطلاعات
- مدیر پروژه
- اجرای دو پروژه Machine Learning و Data Science در صنعت خودرو و بخش خدمات
مهندس امیر رضا تجلی
- کارشناسی ارشد مهندسی صنایع دانشگاه تهران
- بیش از 3 سال تجربه در فناوری اطلاعات و Data Science
- تجربه حضور در چندین پروژه Machine Learning و Data Science
دکتر محمد کیانی
- دکتری مهندسی کامپیوتر دانشگاه اصفهان
- مدرس و متخصص Machine Learning و Data Science
- تجربه اجرایی دو پروژه Machine Learning و Data Science