آموزش کارشناسی ارشد مهندسی هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره مقدمة عن الدورة

• مقدمه مسترکلاس مهندسی هوش مصنوعی: از صفر تا قهرمان هوش مصنوعی مقدمة في ماستر كلاس هندسة الذكاء الاصطناعي: من الصفر إلى بطل الذكاء الاصطناعي

• منابع دوره – فایل‌های ارائه و کد برنامه نویسی موارد الدورة – ملفات العرض التقديمي والشفرة البرمجية

هفته اول: مبانی برنامه نویسی پایتون برای هوش مصنوعی الأسبوع الأول: أساسيات برمجة بايثون للذكاء الاصطناعي

• مقدمه ای بر مبانی پایتون مقدمة عن أساسيات بايثون

• روز 1: معرفی پایتون و راه اندازی محیط توسعه اليوم 1: مقدمة في بايثون وإعداد بيئة التطوير

• روز 2: کنترل جریان برنامه اليوم 2: التحكم في تدفق البرامج

• روز 3: توابع و ماژول ها (Modules) اليوم 3: الدوال والوحدات (Modules)

• روز 4: ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها) اليوم 4: هياكل البيانات (القوائم، التابلو، القواميس، المجموعات)

• روز 5: کار با رشته های متنی اليوم 5: التعامل مع السلاسل النصية

• روز 6: مدیریت فایل ها اليوم 6: إدارة الملفات

• روز 7: نوشتن کد پایتون کاربردی و پروژه عملی اليوم 7: كتابة كود بايثوني عملي ومشروع تطبيقي

هفته دوم: مبانی علوم داده برای هوش مصنوعی الأسبوع الثاني: أساسيات علوم البيانات للذكاء الاصطناعي

• مقدمه ای بر علم داده مقدمة عن علوم البيانات

• روز 1: مقدمه ای بر NumPy برای محاسبات عددی اليوم 1: مقدمة في NumPy للحسابات الرقمية

• روز 2: عملیات پیشرفته در NumPy اليوم 2: العمليات المتقدمة في NumPy

• روز 3: مقدمه ای بر Pandas برای پردازش داده اليوم 3: مقدمة في Pandas لمعالجة البيانات

• روز 4: پاکسازی داده ها با استفاده از Pandas اليوم 4: تنظيف البيانات باستخدام Pandas

• روز 5: تجمیع در Pandas اليوم 5: التجميع في Pandas

• روز 6: تصویرسازی داده با استفاده از Matplotlib و Seaborn اليوم 6: التصوير البياني باستخدام Matplotlib وSeaborn

• روز 7: پروژه تحلیل داده اکتشافی اليوم 7: مشروع تحليل بيانات استكشافية

هفته سوم: ریاضیات در یادگیری ماشین و هوش مصنوعی الأسبوع الثالث: الرياضيات في تعلم الآلة والذكاء الاصطناعي

• مقدمه ای بر ریاضیات مقدمة عن الرياضيات

• روز 1: مبانی جبر خطی اليوم 1: أساسيات الجبر الخطي

• روز 2: مفاهیم پیشرفته در جبر خطی اليوم 2: مفاهيم متقدمة في الجبر الخطي

• روز 3: دیفرانسیل در یادگیری ماشین اليوم 3: التفاضل في تعلم الآلة

• روز 4: انتگرال و بهینه سازی اليوم 4: التكامل والتحسين

• روز 5: نظریه احتمالات و توزیع ها اليوم 5: نظرية الاحتمالات والتوزيعات

• روز 6: مبانی آمار اليوم 6: أساسيات الإحصاء

• روز 7: پروژه ریاضی – رگرسیون خطی از صفر اليوم 7: مشروع رياضي – الانحدار الخطي من الصفر

هفته چهارم: احتمالات و آمار در یادگیری ماشین و هوش مصنوعی الأسبوع الرابع: الاحتمالات والإحصاء في تعلم الآلة والذكاء الاصطناعي

• مقدمه ای بر احتمالات و آمار مقدمة عن الاحتمالات والإحصاء

• روز 1: نظریه احتمالات و متغیرهای تصادفی اليوم 1: نظرية الاحتمالات والمتغيرات العشوائية

• روز 2: توزیع های احتمالی اليوم 2: التوزيعات الاحتمالية

• روز 3: استنتاج آماری اليوم 3: الاستدلال الإحصائي

• روز 4: آزمون فرضیه و مقدار P اليوم 4: اختبار الفرضيات وقيمة P

• روز 5: انواع آزمون های فرضیه اليوم 5: أنواع اختبارات الفرضيات

• روز 6: تحلیل همبستگی و رگرسیونی اليوم 6: التحليل الارتباطي والانحداري

• روز 7: پروژه تحلیل آماری با استفاده از داده های واقعی اليوم 7: مشروع تحليل إحصائي باستخدام بيانات حقيقية

هفته پنجم: مقدمه ای بر یادگیری ماشین الأسبوع الخامس: مقدمة في تعلم الآلة

• مقدمه ای بر یادگیری ماشین مقدمة عن تعلم الآلة

• روز 1: مفاهیم و اصطلاحات اساسی اليوم 1: مفاهيم ومصطلحات أساسية

• روز 2: یادگیری با نظارت و مدل های رگرسیونی اليوم 2: التعلم تحت الإشراف والنماذج الانحدارية

• روز 3: مدل های رگرسیونی پیشرفته اليوم 3: النماذج الانحدارية المتقدمة

• روز 4: طبقه بندی و رگرسیون لجستیک اليوم 4: التصنيف والانحدار اللوجستي

• روز 5: ارزیابی مدل ها و اعتبارسنجی متقابل اليوم 5: تقييم النماذج والتحقق المتقاطع

• روز 6: الگوریتم نزدیکترین همسایه (k-NN) اليوم 6: خوارزمية الجار الأقرب (k-NN)

• روز 7: پروژه عملی یادگیری با نظارت اليوم 7: مشروع عملي للتعلم تحت الإشراف

هفته ششم: مهندسی ویژگی و ارزیابی مدل ها الأسبوع السادس: هندسة الميزات وتقييم النماذج

• مقدمه ای بر مهندسی ویژگی مقدمة عن هندسة الميزات

• روز 1: مقدمه ای بر استخراج ویژگی اليوم 1: مقدمة في استخراج الميزات

• روز 2: نرمال سازی و مقیاس بندی داده ها اليوم 2: تطبيع وتحجيم البيانات

• روز 3: کدگذاری داده های دسته بندی اليوم 3: ترميز البيانات الفئوية

• روز 4: تکنیک های انتخاب ویژگی اليوم 4: تقنيات اختيار الميزات

• روز 5: ایجاد و تبدیل ویژگی ها اليوم 5: إنشاء وتحويل الميزات

• روز 6: تکنیک های ارزیابی مدل ها اليوم 6: تقنيات تقييم النماذج

• روز 7: اعتبارسنجی متقابل و تنظیم پارامترها اليوم 7: التحقق المتقاطع وضبط المعلمات

هفته هفتم: الگوریتم های یادگیری ماشین پیشرفته الأسبوع السابع: خوارزميات تعلم الآلة المتقدمة

• مقدمه ای بر الگوریتم های پیشرفته مقدمة عن الخوارزميات المتقدمة

• روز 1: یادگیری تجمیعی اليوم 1: التعلم التجميعي

• روز 2: Bagging و جنگل های تصادفی اليوم 2: Bagging والغابات العشوائية

• روز 3: Boosting و تقویت تدریجی اليوم 3: Boosting والتعزيز التدرجي

• روز 4: مقدمه ای بر XGBoost اليوم 4: مقدمة في XGBoost

• روز 5: LightGBM و CatBoost اليوم 5: LightGBM وCatBoost

• روز 6: برخورد با داده های نامتعادل اليوم 6: التعامل مع البيانات غير المتوازنة

• روز 7: پروژه یادگیری تجمیعی – مقایسه مدل ها اليوم 7: مشروع تعلم تجميعي – مقارنة النماذج

هفته هشتم: بهینه سازی مدل ها و تنظیم آن ها الأسبوع الثامن: تحسين النماذج وضبطها

• مقدمه ای بر تنظیم و بهینه سازی مقدمة عن الضبط والتحسين

• روز 1: تنظیم پارامترهای هایپر اليوم 1: ضبط المعلمات الفائقة

• روز 2: جستجوی شبکه ای و جستجوی تصادفی اليوم 2: البحث الشبكي والبحث العشوائي

• روز 3: تنظیم با استفاده از بهینه سازی بیزی اليوم 3: الضبط باستخدام التحسين البايزي

• روز 4: تکنیک های منظم سازی اليوم 4: تقنيات التنظيم

• روز 5: ارزیابی مدل و اعتبارسنجی متقابل اليوم 5: تقييم النموذج والتحقق المتقاطع

• روز 6: تنظیم خودکار با استفاده از GridSearchCV و RandomizedSearchCV اليوم 6: ضبط آلي باستخدام GridSearchCV وRandomizedSearchCV

• روز 7: پروژه نهایی – ساخت و بهینه سازی مدل نهایی اليوم 7: مشروع نهائي – بناء وتحسين النموذج النهائي

هفته نهم: شبکه های عصبی و یادگیری عمیق الأسبوع التاسع: الشبكات العصبية والتعلم العميق

• مقدمه ای بر یادگیری عمیق مقدمة في التعلم العميق

• روز 1: مقدمه ای بر شبکه های عصبی اليوم 1: مقدمة في الشبكات العصبية

• روز 2: انتشار رو به جلو و توابع فعالسازی اليوم 2: الانتشار الأمامي ودوال التنشيط

• روز 3: توابع زیان و پس انتشار اليوم 3: دوال الخسارة والتغذية العكسية

• روز 4: گرادیان کاهشی و تکنیک های بهینه سازی اليوم 4: الانحدار التدرجي وتقنيات التحسين

• روز 5: ساخت شبکه های عصبی با استفاده از TensorFlow و Keras اليوم 5: بناء الشبكات العصبية باستخدام TensorFlow وKeras

• روز 6: ساخت شبکه ها با استفاده از PyTorch اليوم 6: بناء الشبكات باستخدام PyTorch

• روز 7: پروژه – طبقه بندی تصاویر با استفاده از CIFAR-10 اليوم 7: مشروع – تصنيف الصور باستخدام CIFAR-10

هفته دهم: شبکه های عصبی کانولوشن CNNs الأسبوع العاشر: الشبكات العصبية الالتفافية CNNs

• مقدمه ای بر CNN مقدمة عن CNN

• روز 1: آشنایی با CNN اليوم 1: التعرف على CNN

• روز 2: لایه های کانولوشن و فیلترها اليوم 2: الطبقات الالتفافية والفلاتر

• روز 3: لایه های ادغام و کاهش ابعاد اليوم 3: طبقات التجميع وتقليل الأبعاد

• روز 4: ساخت CNN با استفاده از Keras و TensorFlow اليوم 4: بناء CNN باستخدام Keras وTensorFlow

• روز 5: ساخت CNN با استفاده از PyTorch اليوم 5: بناء CNN باستخدام PyTorch

• روز 6: منظم سازی و تقویت داده ها اليوم 6: التنظيم وتعزيز البيانات

• روز 7: پروژه – طبقه بندی تصاویر با استفاده از Fashion MNIST یا CIFAR-10 اليوم 7: مشروع – تصنيف الصور باستخدام Fashion MNIST أو CIFAR-10

هفته یازدهم: شبکه های عصبی بازگشتی RNNs و مدل سازی توالی الأسبوع الحادي عشر: الشبكات العصبية المتكررة RNNs ونمذجة التسلسل

• مقدمه ای بر RNN و مدل سازی توالی مقدمة عن RNN ونمذجة التسلسل

• روز 1: مقدمه ای بر RNNs اليوم 1: مقدمة عن RNNs

• روز 2: درک معماری و انتشار به عقب در طول زمان اليوم 2: فهم البنية والانتشار العكسي عبر الزمن

• روز 4: واحدهای GRU اليوم 4: وحدات GRU

• روز 5: پردازش متن و تعبیه کلمات اليوم 5: معالجة النصوص وتضمين الكلمات

• روز 6: مدل های توالی به توالی و برنامه های کاربردی آن ها اليوم 6: نماذج التسلسل للتسلسل وتطبيقاتها

• روز 7: پروژه – تولید متن یا تحلیل احساسات اليوم 7: مشروع – توليد النصوص أو تحليل المشاعر

هفته دوازدهم: Transformers و مکانیسم های توجه الأسبوع الثاني عشر: Transformers وآليات الانتباه

• مقدمه ای بر Transformers و توجه مقدمة عن Transformers والانتباه

• روز 2: معماری Transformer اليوم 2: بنية Transformer

• روز 3: توجه خودکار و توجه چند سر اليوم 3: الانتباه الذاتي والانتباه متعدد الرؤوس

• روز 4: کدگذاری موقعیتی و شبکه های رو به جلو اليوم 4: الترميز الموضعي والشبكات الأمامية

• روز 5: کار با مدل های از پیش آموزش داده شده – BERT و GPT اليوم 5: التعامل مع النماذج المدربة مسبقًا – BERT وGPT

• روز 6: مدل های Transformers پیشرفته – BERT متغیر و GPT-3 اليوم 6: نماذج Transformers المتقدمة – BERT المتغير وGPT-3

• روز 7: پروژه Transformer – خلاصه سازی یا ترجمه اليوم 7: مشروع Transformer – التلخيص أو الترجمة

هفته سیزدهم: یادگیری انتقالی و سفارشی سازی الأسبوع الثالث عشر: التعلم الانتقالي والتخصيص

• مقدمه ای بر یادگیری انتقالی مقدمة عن التعلم الانتقالي

• روز 2: یادگیری انتقالی در بینایی کامپیوتر اليوم 2: التعلم الانتقالي في رؤية الحاسوب

• روز 3: تکنیک های سفارشی سازی در بینایی اليوم 3: تقنيات التخصيص في الرؤية

• روز 4: یادگیری انتقالی در پردازش زبان طبیعی اليوم 4: التعلم الانتقالي في معالجة اللغة الطبيعية

• روز 5: تکنیک های سفارشی سازی در NLP اليوم 5: تقنيات التخصيص في NLP

• روز 6: سازگاری دامنه و چالش های انتقال اليوم 6: التكيف مع المجال وتحديات النقل

• روز 7: پروژه – سفارشی سازی مدل برای یک کار خاص اليوم 7: مشروع – تخصيص نموذج لمهمة معينة