فرادرس
x عدم نمایش آخرین فرصت جشنواره تخفیف بسوی مهر ۴۰% تخفیف کد تخفیف: SRV99 کلیک کنید
فرصت باقیمانده

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها
آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

فرشید  شیرافکن
مهندس فرشید شیرافکن

مدرس فرادرس

دانشجوی دکترای تخصصی بیوانفورماتیک


مهندس فرشید شیرافکن دارای مدرک کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار بوده و در حال حاضر دانشجوی دکترای بیوانفورماتیک دانشگاه تهران هستند. ایشان از مدرسین نمونه در زمینه ارائه و آموزش دروس دانشگاهی انتخاب شده اند. (+)



آموزش یادگیری ماشین (Machine Learning) شامل 16 درس است که در دو بخش تهیه شده است. هر بخش شامل 8 درس است. در بخش اول مفاهیم اولیه، داده، رگرسیون و چهار روش طبقه بندی: رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم بررسی می شوند. در بخش دوم ادامه روش های طبقه بندی: دسته بندی بیز، k نزدیک ترین همسایه و یادگیری جمعی بررسی می شوند. سپس انتخاب ویژگی، تقلیل ابعاد، خوشه بندی، کشف داده های پرت و کاوش قوانین انجمنی آموزش داده می شوند.

 

👤 مدرس: مهندس فرشید شیرافکن
🕓 مدت زمان: ۱۶ ساعت و ۵۰ دقیقه
🎓 تعداد دانشجو: ۲,۴۹۶ نفر این آموزش را تهیه کرده اند. — ۱۶۷ نفر در یک ماه اخیر

هزینه عادی آموزش: ۴۱,۰۰۰ تومان
در جشنواره بسوی مهر: ۲۴,۶۰۰ (کسب اطلاعات بیشتر +)




آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • بازگشت و شارژ کل مبلغ پرداختی در حساب کاربری
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش


    توضیحات

    چکیده آموزش


    یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشین ها توانایی یادگیری می دهد، بدون این که نیاز باشد این ماشین ها به طور صریح برنامه نویسی شوند. به عبارتی، یادگیری ماشین بررسی می کند که چگونه کامپیوترها می توانند براساس داده یاد بگیرند یا کارایی شان را بهبود بخشند.

    آموزش یادگیری ماشین شامل 16 درس است که در دو بخش تهیه شده است. هر بخش شامل 8 درس است. در بخش اول مفاهیم اولیه، داده، رگرسیون و چهار روش طبقه بندی: رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم بررسی می شوند. در بخش دوم ادامه روش های طبقه بندی: دسته بندی بیز، k نزدیک ترین همسایه و یادگیری جمعی بررسی می شوند. سپس انتخاب ویژگی، تقلیل ابعاد، خوشه بندی، کشف داده های پرت و کاوش قوانین انجمنی آموزش داده می شوند.

    در این آموزش ابتدا مطالب به صورت تئوری توضیح داده می شود و سپس در پایان هر درس به کمک زبان پایتون پیاده سازی می شوند، همچنین می توانید آموزش یادگیری ماشین (Machine Learning) (تئوری و عملی) – بخش دوم را از طریق این لینک (+) مشاهده نمایید.

     
    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: مقدمه ای بر یادگیری ماشین
      • تعریف یادگیری ماشین و کاربردهای آن
      • انواع الگوریتم های یادگیری (با نظارت و بدون نظارت)
      • معرفی دیتاست Iris
      • دسته بندی های خطی
        • پرسپترون (Perceptron)
        • فیشر یا LDA
      • مقدمه ای بر یادگیری با نظارت و الگوریتم های دسته بندی
      • معرفی Cross Validation
      • مقدمه ای بر یادگیری بدون نظارت (خوشه بندی) و معرفی اولیه کاهش ابعاد (PCA)
      • ارزیابی سیستم های یادگیری
      • ماتریس درهم ریختگی
        • True Positive
        • False Positive
        • True Negative
        • False Negative
      • معرفی معیارها
        • Accuracy
        • Precision
        • Recall
        • Specificity
        • Fscore
      • ماتریس درهم ریختگی (Confusion Matrix) برای بیش از دو کلاس
      • بررسی دقیق منحنی Roc
    • درس دوم: داده
      • انواع داده
        • اسمی
        • ترتیبی
        • عددی
      • شاخص های آماری
        • میانگین
        • میانه
        • مد
        • واریانس
        • انحراف معیار
        • چارک ها
      • نمایش گرافیکی توصیف های آماری
        • نمودار میله ای
        • هیستوگرام
        • نمودار چارک
        • Box plot
      • وابستگی (Correlation)
      • ویژگی های اسمی – باینری
      • عدم شباهت برای داده های عددی
        • فاصله ها
        • مینکوفسکی (Minkowski)
        • منهتن
        • اقلیدسی
        • سوپریمم
      • معیار کسینوس برای شباهت
    • درس سوم: پیش پردازش داده
      • معیارهای کیفیت داده
      • اعمال پیش پردازش
        • پاک سازی داده ها
        • ترکیب و تجمیع داده ها
        • کاهش داده ها
        • تبدیل داده ها و گسسته سازی
      • نحوه رسیدگی به داده های گم شده
      • داده نویز
      • روش سبدی برای هموار سازی داده ها
      • استراتژی های کاهش داده ها
      • نمونه برداری
    • درس چهارم: رگرسیون
      • رگرسیون خطی
        • تک متغیره
        • چند متغیره
      • تابع هزینه (Cost Function)
      • نقشه های توپوگرافیک (Contour)
      • گرادیان کاهشی
      • نرخ یادگیری و بررسی همگرایی
      • استفاده از گرادیان کاهشی در رگرسیون خطی
      • معادله نرمال
      • تابع هزینه (فرم ماتریسی)
      • نکاتی در رابطه با رگرسیون خطی چند متغیره
      • رگرسیون خطی (تعداد داده های آموزشی و تعمیم پذیری)
      • انواع خطا
      • بیش پردازش (Overfitting) و روش های اجتناب از آن
    • درس پنجم: رگرسیون لجستیک (Logistic Regression)
      • مرز تصمیم خطی و غیرخطی
      • تابع هزینه
      • الگوریتم گرادیان کاهشی در رگرسیون لجستیک
      • کلاس بندی با چند کلاس (یکی در برابر بقیه)
      • تنظیم رگرسیون خطی و رگرسیون لجستیک
      • بایاس و واریانس (Bias & Variance)
      • پیچیدگی مدل
    • درس ششم: شبکه عصبی مصنوعی
      • معرفی شبکه های عصبی مصنوعی
      • نورون های مصنوعی
      • قانون آموزش پرسپترون (قانون دلتا)
      • پیاده سازی OR
      • اثبات قانون دلتا
      • شبکه عصبی پرسپترون چند لایه
      • پیاده سازی گیت XOR و XNOR
      • مثال
        • محاسبه خروجی شبکه عصبی
        • کلاس بندی داده ها با شبکه عصبی مصنوعی
      • الگوریتم پس انتشار خطا (Back Propagation)
      • مثال
        • تابع تحریک سیگموید (Sigmoid)
        • تابع تحریک تانژانت هیپربولیک (Hyperbolique)
      • استفاده از قاعده مشتق زنجیره ای برای محاسبه فرمول به هنگام سازی وزن ها
    • درس هفتم: ماشین بردار پشتیبان
      • مقدمه ای بر بردار
        • جمع و تفریق
        • جهت
        • فاصله از ابر صفحه
      • ماشین بردار پشتیبان
      • محاسبه اندازه حاشیه
      • بردارهای پشتیبان
      • مساله بهینه سازی حداکثر کردن اندازه حاشیه
      • حل مساله های بهینه سازی به کمک ضرایب لاگرانژ
      • مثال
        • محاسبه معادله خط جدا کننده دو کلاس
      • شرایط KKT
      • فرم دوگان لاگرانژ
      • ماشین بردار پشتیبان با حاشیه نرم
      • بهینه سازی ماشین بردار پشتیبان با حاشیه نرم
      • کرنل (Kernel)
      • مثال
        • نگاشت داده ها به فضای دیگر
      • حقه کرنل (Kernel Trick)
      • مثال
        • محاسبه معادله خط جدا کننده دو کلاس
      • کرنل های معروف
        • چند جمله ای
        • گوسی
        • سیگموید
      • پارامتر سیگما در کرنل گوسی
      • مزایا و معایب SVM
    • درس هشتم: درخت تصمیم
      • چند مثال برای درخت تصمیم
      • الگوریتم های ساختن درخت تصمیم
      • الگوریتم Hunt
      • آنتروپی
      • بهره (Gain)
      • نسبت کسب اطلاعات
      • الگوریتم ID3
      • ضریب Gini
      • شکست چند انشعابی
      • مقایسه آنتروپی و Gini
      • ضریب Gini برای ویژگی های پیوسته
      • تعیین قانون با ارزش تر
      • بررسی چند مثال
      • بیش برازش ناشی از نویز
      • هرس کردن (Pruning)
      • مزایا و معایب درخت تصمیم
     
    مفید برای رشته های
    • مهندسی کامپیوتر


    پیش نمایش

    پیش نمایش ۱ : مقدمه ‌‎ای بر یادگیری ماشین - ۲۲ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۲۲ مگابایت (کلیک کنید +)

    پیش نمایش ۲ : داده - ۵۹ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۶۴ مگابایت (کلیک کنید +)

    پیش نمایش ۳ : پیش ‌پردازش داده - ۱۹ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۲۰ مگابایت (کلیک کنید +)

    پیش نمایش ۴ : رگرسیون - ۲۰ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۵ : رگرسیون لجستیک - ۴۷ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۶ : شبکه عصبی مصنوعی - ۱۷ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۷ : ماشین بردار پشتیبان - ۱۴ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۸ : درخت تصمیم - ۵۸ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.




    اطلاعات تکمیلی

    نام آموزش آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول
    ناشر فرادرس
    شناسه اثر ۸–۱۲۴۵۲–۰۷۲۸۳۸ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش FVDM9406
    مدت زمان ۱۶ ساعت و ۵۰ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۱۲۴۹ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


    ​راهنمای تهیه آموزش ها

    آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

    راهنمایی بیشتر ( +)

    در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
    • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

    هزینه عادی آموزش: ۴۱,۰۰۰ تومان
    در جشنواره بسوی مهر: ۲۴,۶۰۰ (کسب اطلاعات بیشتر +)




    دیدگاه ها

    ( امتیاز ۴.۸ از ۵ )
    ۴.۸ از 5


    تا کنون ۲,۴۹۶ نفراز این آموزش استفاده کرده اند و ۳۷ نظر ثبت شده است.
    1. 0 از 5

      :

      عالی است.

      درصورت امکان داده کاوی با rapidminer را هم ارائه دهید. ممنونم.

    2. 0 از 5

      :

      سلام.

      من برای پیاده سازی پایان نامه ام خیلی به این آموزش نیاز داشتم.

      با تشکر.

    3. 0 از 5

      :

      با توجه به اینکه که داده کاوی طیف وسیعی از مقالات و پایان نامه دانشجویان را شامل می شود من و جمعی از دوستانم برای پایان نامم به شدت به این آموزش احتیاج داشتیم.

    4. 0 از 5

      :

      سلام.

      با توجه به این که داده کاوی در بسیاری از علوم و شاخه ها کاربرد دارد، از بهترین آموزش های فرادرس است.

    5. 5 از 5

      :

      سرفصل ها خیلی عالی است مثل همیشه.

    6. 0 از 5

      :

      با سلام خدمت اساتید محترم، عالی است. با تشکر

    7. 0 از 5

      :

      با سلام خدمت اساتید محترم، عالی است. با تشکر

    8. 0 از 5

      :

      بسیار عالی - جامع - کاربردی با بیان ساده و روان - بی نظیر در میان تمام آموزش های یادگیری ماشین در وب.

    9. 0 از 5

      :

      خیلی عالی. مدرس با حوصله و بیان خوب مسائل سخت را بسیار ساده توضیح می دهد. فرادرس ممنون از قرار دادن این آموزش.

    10. 5 از 5

      :

      واقعا در بین منابع فارسی بهترین هستش .

    11. 5 از 5

      :

      خیلی کامل است.مدرس بسیار مسلط است. این آموزش من را بی نیاز از هر منبع دیگری کرد. قبلا یک آموزش دیگر گرفته بودم که آن هم خوب بود ولی این آموزش خیلی کامل تر است. فرادرس خیلی به ما شهرستانی ها کمک کرد.

    12. 0 از 5

      :

      این اموزش مانند اموزشهای دیگر اقای شیرافکن برای افراد بسیار اموزنده و عالی هست.

    13. 0 از 5

      :

      فرشید شیرافکن مدرس آموزش.
      مخاطبین عزیز می توانید بعد از مشاهده آموزش یادگیری ماشین (بخش اول) ، بخش دوم این آموزش را مشاهده کنید.
      مباحث بخش دوم : طبقه بندی بیز، k نزدیکترین همسایه ، یادگیری جمعی ، جنگل تصادفی ، روشهای انتخاب ویژگی ، کاهش ابعاد(PCA)، خوشه بندی(کلاسترینگ) ، کشف داده های پرت و کاوش قوانین انجمنی .

    14. 0 از 5

      :

      تازه آموزشو خریدم ، بی نهایت خوشحالم
      از کی با خودم می گفتم ای کاش استاد شیرافکن دوره یادگیری ماشین بذاره ، واقعا روش تدریس و لحن بیانش نظیر نداره
      مرسی از استاد شیرافکن مرسی از فرادرس

    15. 5 از 5

      :

      با عرض سلام و احترام،
      بابت ارائه ی این آموزش فوق العاده از شما سپاسگزارم. محتوای آموزش، مثال های ارائه شده برای درک مطلب و بیان شفاف و شیوای مدرس حقیقتا شایسته ی قدر دانی و سپاس گزاری است.

    16. 5 از 5

      :

      عالی همراه مثال - فهم و درک و عمل

    17. 0 از 5

      :

      خسته نباشید به استاد محترم. واقعا هر دو بخش بی نظیره.

    18. 5 از 5

      :

      ممنونم از استاد بزرگوار و گرامی
      من تا الان از چند کتاب و ویدئوی آموزشی البته رایگان استفاده کردم ولی تدریس شما بی نظیر بود،واقعا ممنونم.
      من معمولا توی هیچ سایتی نظر نمی دم ، اما بنظرم عالی هستش.

    19. 0 از 5

      :

      سلام استاد ممنون از آموزش تون . لطفا قید بفرمایید که در پایتون پیاده سازی میشه . چون اشاره ایی نشده بود و من فکر کردم در متلب پیاده سازی شده

    20. 0 از 5

      :

      خیلی ممنون از مخاطب گرامی لاله خانم.
      پیاده سازی عملی در این آموزش با زبان برنامه نویسی "پایتون" است.
      فرض بر این بوده که دانشجوی عزیز در ابتدا با هیچ یک از مفاهیم یادگیری ماشین آشنا نیست.
      ابتدا مفاهیم به صورت تئوری توضیح داده شده و سپس به صورت عملی پیاده سازی شده است.
      تهیه این آموزش بیش از یکسال طول کشیده و سعی شده تا آموزش کاملی تقدیم شما عزیزان شود.
      فرشید شیرافکن مدرس آموزش.

    21. 0 از 5

      :

      سلام استاد عزیز
      واقعا لذت می برم از این بیان و آموزش خوب لطفا آموزش یادگیری عمیق و در کل تمام آموزش های هوش مصنوعی را تهیه کنید.اجرتون با خدا

    22. 4 از 5

      :

      کاربردی بود و من به بقیه هم این آموزش رو پیشنهاد کردم. هم از لحاظ محتوایی و هم برنامه نویسی. برای انجام پروژه دید خوبی به دانشجو ها میدهد.

    23. 4 از 5

      :

      مطالب ارائه شده خیلی مفید و کاربردی بود.

    24. 4 از 5

      :

      بیان مدرس، نحوه تدرس و میزان تسلط مدرس خوب بود. استفاده از قلم یکی از ویژگی های خوب این آموزش است ضمن اینکه مباحث تئوری و عملی در کنار هم بود خیلی عالیه هست.

    25. 5 از 5

      :

      کلا استاد شیر افکن آموزش ها شون خوبه.

    26. 4 از 5

      :


      سلام دیدمش خوبه به نظرم

    27. 5 از 5

      :

      عالی

    28. 5 از 5

      :

      سلام. پیشنهاد می کنم آموزش گراف کاوی و تحلیل شبکه ها در پایتون با NetworkX را به عنوان یک آموزش کاربردی برای انجام کارهای تحقیقاتی مشاهده کنید.
      فرشید شیرافکن مدرس آموزش یادگیری ماشین و گراف کاوی .

    29. 5 از 5

      :

      جا داره اول تشکر کنم از استاد شیر افکن به خاطر بیان عالی و قابل فهمشون.
      استاد جان یه نکته ای، در درس داده (ب) وقتی که دارید رسم نمودار نرمال رو توضیح میدید (دقیقه 18:17) کدی که وارد میکنید قابل اجرا نیست، آیا به خاطر این هست که من پایتون 3 رو استفاده میکنم؟
      کد شما mlab.normpdf.
      باز هم، ممنون از این مجموعه عالی و ارزشمند.

    30. 4 از 5

      :

      به نظرم آموزش سطح لازم رو برای یادگیری داشته و مدرس تسلط بالایی دارند. فقط یکم نیاز داشت مباحث علمیش بیشتر باشه.

    31. 0 از 5

      :

      سلام استاد, من میخام این آموزش رو تهیه کنم اما میشه قبلش بمن بگید که من با دیدن این آموزش ها میتونم پروژه پایان نامم که دسته بندی دیتاست انواع گیاهان با کلاسیفایر ها رو انجام بدم؟؟ میشه لطفا خعلی سریع جواب من رو بدید؟؟؟

    32. 5 از 5

      :

      دوستان توجه کنند که توی اپدیت جدید sklearn تابع Imputer به فرم زیر تبدیل شده و قابل استفاده هست.
      from sklearn.impute import SimpleImputer
      و SimpleImputer نیاز به مقدار دهی ندارد وگرنه ارور می دهد.

    33. 5 از 5

      :

      استاد اگر امار و احتمال کامل بلد نباشیم و فقط یه درکی پیدا کنیم مشکلی در ادامه کار برامون پیش نمیاد؟
      یعنی تئوری فقط یه درکی از مفهومات پیدا کنیم و عملی و کار با کتابخونه ها و دیتا ست کامل بلد باشیم
      مشکلی که نداره برای کار کردن مثلا تو یه شرکتی چیزی؟؟
      یا حتما باید آمار و احتمال و تئوری کامل یاد بگیریم؟؟

    34. 5 از 5

      :

      با عرض سلام، خدمت آقا نیما. اطلاع از مفاهیم اولیه آمار و احتمال ضروری است و تسلط بیشر به مفاهیم، هنگام نوشتن مقاله و درک مقاله ها بسیار مفید است.

    35. 5 از 5

      :

      سلام خدمت مخاطبین عزیز.
      اگر با زبان پایتون آشنایی ندارید می توانید از" آموزش پایتون همراه با مثالهای عملی" که با تازگی منتشر شده،استفاده کنید. این آموزش 13 ساعت است.

    36. 5 از 5

      :

      با سلام خدمت استاد شیرافکن
      من علاقه زیادی به داده کاوی و هوش مصنوعی دارم و پایان نامه ارشدم از الگوریتم های یادگیری ماشین استفاده کردم.
      سوالی از شما دارم این است که برای شرکت در کنکور دکتری هوش مصنوعی آیا این این مجموعه کافی است و یا منابع بیشتری لازم است؟
      در رابطه با درس شناسایی الگو هم سوال داشتم که آیا منبع خوبی برای این درس می شناسید یا نه. البته امیدوارم درس شناسایی الگو هم توسط شما ارائه گردد.
      با تشکر

    37. 5 از 5

      :

      سلام خدمت محمد عزیز. این آموزش به همراه قسمت 2 می تواند منبع کاملی برای درس یادگیری ماشین باشد، اما برای درس شناسایی الگو باید آموزش دیگری تهیه شود. موفق باشید.


    نظر شما در مورد این فرادرس چیست؟

    امتیاز شما به این آموزش:




​همین امروز شروع به آموختن کنید​

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

هزینه عادی آموزش: ۴۱,۰۰۰ تومان
در جشنواره بسوی مهر: ۲۴,۶۰۰ (کسب اطلاعات بیشتر +)


برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

دسته های مرتبط: ,


فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران