آموزش مبانی مهندسی هوش مصنوعی - آخرین آپدیت

هفته اول: مبانی برنامه‌نویسی پایتون Week 1: Python Programming Basics

• مقدمه‌ای بر هفته اول: مبانی برنامه‌نویسی پایتون Introduction to Week 1 Python Programming Basics

• روز اول: معرفی پایتون و آماده‌سازی محیط توسعه Day 1: Introduction to Python and Development Setup

• روز دوم: جریان کنترل در پایتون Day 2: Control Flow in Python

• روز سوم: توابع و ماژول‌ها Day 3: Functions and Modules

• روز چهارم: ساختارهای داده (لیست‌ها، تاپل‌ها، دیکشنری‌ها، مجموعه‌ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

• روز پنجم: کار با رشته‌ها Day 5: Working with Strings

• روز ششم: مدیریت فایل‌ها Day 6: File Handling

• روز هفتم: کدنویسی به سبک پایتون و پروژه عملی Day 7: Pythonic Code and Project Work

هفته دوم: ضروریات علوم داده Week 2: Data Science Essentials

• مقدمه‌ای بر هفته دوم: ضروریات علوم داده Introduction to Week 2 Data Science Essentials

• روز اول: معرفی NumPy برای محاسبات عددی Day 1: Introduction to NumPy for Numerical Computing

• روز دوم: عملیات پیشرفته در NumPy Day 2: Advanced NumPy Operations

• روز سوم: معرفی Pandas برای مدیریت داده‌ها Day 3: Introduction to Pandas for Data Manipulation

• روز چهارم: پاکسازی و آماده‌سازی داده‌ها با Pandas Day 4: Data Cleaning and Preparation with Pandas

• روز پنجم: تجمیع و گروه‌بندی داده‌ها در Pandas Day 5: Data Aggregation and Grouping in Pandas

• روز ششم: بصری‌سازی داده‌ها با Matplotlib و Seaborn Day 6: Data Visualization with Matplotlib and Seaborn

• روز هفتم: پروژه تحلیل اکتشافی داده‌ها (EDA) Day 7: Exploratory Data Analysis (EDA) Project

هفته سوم: ریاضیات برای یادگیری ماشین Week 3: Mathematics for Machine Learning

• مقدمه‌ای بر هفته سوم: ریاضیات برای یادگیری ماشین Introduction to Week 3 Mathematics for Machine Learning

• روز اول: مبانی جبر خطی Day 1: Linear Algebra Fundamentals

• روز دوم: مفاهیم پیشرفته جبر خطی Day 2: Advanced Linear Algebra Concepts

• روز سوم: حساب دیفرانسیل برای یادگیری ماشین (مشتقات) Day 3: Calculus for Machine Learning (Derivatives)

• روز چهارم: حساب دیفرانسیل برای یادگیری ماشین (انتگرال‌ها و بهینه‌سازی) Day 4: Calculus for Machine Learning (Integrals and Optimization)

• روز پنجم: تئوری احتمالات و توزیع‌ها Day 5: Probability Theory and Distributions

• روز ششم: مبانی آمار Day 6: Statistics Fundamentals

• روز هفتم: مینی پروژه ریاضی محور – رگرسیون خطی از صفر Day 7: Math-Driven Mini Project – Linear Regression from Scratch

هفته چهارم: احتمال و آمار برای یادگیری ماشین Week 4: Probability and Statistics for Machine Learning

• مقدمه‌ای بر هفته چهارم: احتمال و آمار برای یادگیری ماشین Introduction to Week 4 Probability and Statistics for Machine Learning

• روز اول: تئوری احتمال و متغیرهای تصادفی Day 1: Probability Theory and Random Variables

• روز دوم: توزیع‌های احتمالی در یادگیری ماشین Day 2: Probability Distributions in Machine Learning

• روز سوم: استنباط آماری – تخمین و فواصل اطمینان Day 3: Statistical Inference – Estimation and Confidence Intervals

• روز چهارم: آزمون فرضیه و مقادیر P-Value Day 4: Hypothesis Testing and P-Values

• روز پنجم: انواع آزمون‌های فرضیه Day 5: Types of Hypothesis Tests

• روز ششم: تحلیل همبستگی و رگرسیون Day 6: Correlation and Regression Analysis

• روز هفتم: پروژه تحلیل آماری – تحلیل داده‌های واقعی Day 7: Statistical Analysis Project – Analyzing Real-World Data