چهارمین دوره جامع تکنولوژی داده منطبق با نیازمندی‌های حرفه ای کسب و کار برای متخصصین و كليه علاقه مندان طراحی و برنامه‌ریزی شده است. در این دوره علاوه بر بررسی مفاهیم و ابزارهای مختلف در حوزه های علم داده و آموزش های پیش نیازی آن، به آشنایی با زبان های مرتبط نظیر Python و همچنین مباحث پیشرفته مرتبط پرداخته می شود. در این دوره مفاهیم، تکنیک‌ها و ابزارهای مرجع و تخصصی روز علم‌داده توسط برجسته‌ترین اساتید تدریس خواهند شد. همچنين این دوره با تمركز بر مهارت‌هاي تحليل داده به مديران كمك مي‌كند تا مهمترين شكاف‌هاي مديريتي خود را برطرف نمايند. لازم به ذکر است سومین دوره از این سری رویدادها با بیشترین رضایتمندی برگزار گردید. انتظار می رود در پایان دوره، دانش پذیران به یک متخصص علم داده که آشنایی کامل با مباحث عملی این حوزه دارند، تبدیل شده باشند. در حقیقت آنها ضمن درگیر شدن با پروژه‌های واقعی سازمان، آمادگی کامل برای تصدی موقعیت‌های شغلی مرتبط را در سازمان، بدون نیاز به طی زمان‌های آموزش طولانی مدت داشته باشند.
اهداف دوره
ایجاد و توسعه مهارت‌های حوزه‌های علم‌داده، نظیر
- یادگیری ماشین و یادگیری عمیق
- تجزیه و تحلیل‌داده‌ها
- داده کاوی و شناسایی الگوهای مختلف در داده‌ها
- رویکردهای توصیف و پیش بینی با استفاده از داده‌ها
- مدیریت داده‌های عظیم(Big Data) و ابزارهای آن
مزيت هاي دوره
- حضور اساتيد برتر در حوزه علم داده از شرکت فناپ و دانشگاه های کشور
- آشنایی با پروژه های عملی در صنعت
- آموزش مجازي و دسترسي به فايل ويدويي جلسات در تمام طول دوره
- مسیر یادگیری منسجم جهت فراگیری مفاهیم، تکنیک‌ها و ابزارهای تخصصی حوزه‌های مرتبط با علم‌داده
دروس دوره
| عنوان درس | مدرس | ساعت | تاریخ شروع |
| مبانی علم داده | دکتر وحید حاجی پور (فناپ) | 7 | 26 مرداد |
| پایتون در علم داده | دکتر محمد امینی (فناپ) | 28 | 2 شهریور |
| کلان داده | مهندس وحید امیری (مدرس دانشگاه) | 21 | 6 مهر |
| یادگیری ماشین | دکتر محمدرضا محمدی (هیئت علمی دانشگاه علم و صنعت) | 25 | 1 آبان |
| یادگیری عمیق | دکتر محمد امینی (فناپ) | 17 | 29 آبان |
| 98 |
پيش نيازهاي دوره
- داشتن حداقل مدرک کارشناسی(یا دانشجویان سال آخر کارشناسی) در رشته مرتبط یا حداقل یکسال سابقه کار مرتبط (در صورت عدم احراز شرایط فوق یک مصاحبه تخصصی با داوطلبان ورود به دوره انجام خواهد شد.)
- آشنایی با مباحث آماری و شناخت مقدماتی زبان‌های برنامه نویسی
گواهي دوره
در پایان دوره به کلیه شرکت کنندگان گواهی معتبر از سوی مركز آموزش‌هاي تخصصي و مهارت افزايي دانشگاه خاتم و یک گواهی از سوی مرکز تحقیقات فناپ (به زبان انگلیسی) اهدا خواهد شد.
شهريه و ساعات دوره:
| شهریه دوره (تومان) | 7000000 |
| شیوه اقساط | 2500000 نقد الباقی طی دو چک |
| درصد تخفیف دانشجویی( غیر از دانشجویان دانشگاه خاتم) درصد تخفیف سازمانی یا گروهی(معرفی از سازمان و یا 3 نفر و بالاتر) | 10 |
| تخفیف دانشجویی(دانشگاه خاتم) تخفیف همکاران گروه مالی پاسارگاد | 15 |
شروع دوره: 26 مردادماه 1402
پایان دوره: 13 آذرماه 1402
مخاطبان دوره: این دوره برای عموم آزاد است.
شیوه برگزاری: کلاس های دوره بصورت مجازی برگزار میگردد و در صورت امکان برگزاری برخی جلسات کارگاهی در دانشگاه خاتم برگزار خواهد شد. کلاس ها بصورت دو بار در هفته، دوشنبه (از ساعت 16 تا 19) و پنج شنبه (از ساعت 9 الی 13) خواهد بود. جلسات به گونه‌ای برنامه ریزی شده است که تداخلی با ساعات کاری کارکنان شرکت کننده در دوره نداشته باشد.
شیوه ثبت نام: ثبت نام از طریق سایت دانشگاه خاتم صورت میگیرد. برای کسب اطلاعات بیشتر در خصوص ثبت نام می‌توانید با شماره تماس 89174921-021 و یا ایمیل training@khatam.ac.ir مرکز آموزش‌های تخصصی و مهارت افزایی اقدام نمایید.
سرفصل‌های دوره
| Course | Syllabus |
| Data Science Introduction (7 hours) | Basics of Data Science Statistics Fundamentals Probability Fundamentals Conditional Probability Regression and Correlation Workshop |
| Introduction to Python (28 hours) | Python language introduction Control Flow Working with data types Functions Anonymous Functions, Lambda Expressions Filtering and Mapping Object-Oriented Python Dates and Times in Python Exception Handling Data processing with NumPy Data Analysis with Pandas Data Visualization with Python Data Visualization with Seaborn Data Visualization with Pandas Workshop |
| Big Data ( 21 hours) | 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 معماریNoSQL DB کار عملی با Elasticsearch Workshop |
| Machine learning (25 hours) | Machine Learning Introduction Supervised learning Unsupervised learning Dimensionality Reduction Model Validation Under fitting & Over fitting Pipelines Workshop |
| Deep Learning (17 hours) | Neural Networks Convolutional Neural Networks Recurrent Neural Networks GANs – Generative Adversarial Network Workshop |