آموزش دوره جامع گواهینامه مهندس AI (سطح Associate) - آخرین آپدیت

سرفصل ها و درس ها

معرفی دوره و مدرس Introduction to Course and Instructor

• گواهینامه پایان دوره Certificate of Completion

• آنچه در دوره گواهینامه مهندس AI Associate خواهید آموخت What You’ll Learn in the AI Engineer Associate Certificate Course

مهندسی ویژگی‌ها و ارزیابی مدل Feature Engineering and Model Evaluation

• روز اول: مقدمه‌ای بر مهندسی ویژگی‌ها Day 1: Introduction to Feature Engineering

• روز دوم: مقیاس‌بندی و نرمال‌سازی داده‌ها Day 2: Data Scaling and Normalization

• روز سوم: کدگذاری متغیرهای دسته‌ای (Categorical Encoding) Day 3: Encoding Categorical Variables

• روز چهارم: تکنیک‌های انتخاب ویژگی Day 4: Feature Selection Techniques

• روز پنجم: ایجاد و تبدیل ویژگی‌ها Day 5: Creating and Transforming Features

• روز ششم: تکنیک‌های ارزیابی مدل Day 6: Model Evaluation Techniques

• روز هفتم: اعتبارسنجی متقاطع و تنظیم هایپرپارامترها Day 7: Cross-Validation and Hyperparameter Tuning

• آماده‌سازی ویژگی‌ها و ارزیابی مدل برای پیش‌بینی ریزش مشتری (Customer Churn) Prepping Features and Evaluating Models for Customer Churn

الگوریتم‌های پیشرفته یادگیری ماشین Advanced Machine Learning Algorithms

• روز اول: مقدمه‌ای بر یادگیری مجموعه‌ای (Ensemble Learning) Day 1: Introduction to Ensemble Learning

• روز دوم: Bagging و جنگل‌های تصادفی Day 2: Bagging and Random Forests

• روز سوم: Boosting و Gradient Boosting Day 3: Boosting and Gradient Boosting

• روز چهارم: آشنایی با XGBoost Day 4: Introduction to XGBoost

• روز پنجم: LightGBM و CatBoost Day 5: LightGBM and CatBoost

• روز ششم: مدیریت داده‌های نامتوازن Day 6: Handling Imbalanced Data

• روز هفتم: پروژه یادگیری مجموعه‌ای - مقایسه مدل‌ها روی یک مجموعه داده واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

• انتخاب مدل مجموعه‌ای مناسب برای مورد استفاده تشخیص کلاهبرداری Selecting the Right Ensemble Model for a Fraud Detection Use Case

شبکه‌های عصبی و مبانی یادگیری عمیق Neural Networks and Deep Learning Fundamentals

• روز اول: مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی Day 1: Introduction to Deep Learning and Neural Networks

• روز دوم: انتشار پیشرو و توابع فعال‌ساز Day 2: Forward Propagation and Activation Functions

• روز سوم: توابع هزینه و پس‌انتشار (Backpropagation) Day 3: Loss Functions and Backpropagation

• روز چهارم: گرادینت کاهشی و تکنیک‌های بهینه‌سازی Day 4: Gradient Descent and Optimization Techniques

• روز پنجم: ساخت شبکه‌های عصبی با TensorFlow و Keras Day 5: Building Neural Networks with TensorFlow and Keras

• روز ششم: ساخت شبکه‌های عصبی با PyTorch Day 6: Building Neural Networks with PyTorch

• روز هفتم: پروژه شبکه عصبی - طبقه‌بندی تصاویر روی CIFAR 10 Day 7: Neural Network Project – Image Classification on CIFAR-10

• عیب‌یابی و بهبود شبکه عصبی برای طبقه‌بندی تصاویر Debugging and Improving a Neural Network for Image Classification

الگوریتم‌های یادگیری ماشین و پیاده‌سازی‌ها Machine Learning Algorithms and Implementations

• مقدمه‌ای بر الگوریتم‌های یادگیری ماشین Introduction to Machine Learning Algorithms

• 1. پیاده‌سازی رگرسیون خطی در پایتون 1. Linear Regression Implementation in Python

• 2. پیاده‌سازی رگرسیون Ridge و Lasso در پایتون 2. Ridge and Lasso Regression Implementation in Python

• 3. پیاده‌سازی رگرسیون چندجمله‌ای در پایتون 3. Polynomial Regression Implementation in Python

• 4. پیاده‌سازی رگرسیون لجستیک در پایتون 4. Logistic Regression Implementation in Python

• 5. پیاده‌سازی K-نزدیک‌ترین همسایه (KNN) در پایتون 5. K-Nearest Neighbors (KNN) Implementation in Python

• 6. پیاده‌سازی ماشین‌های بردار پشتیبان (SVM) در پایتون 6. Support Vector Machines (SVM) Implementation in Python

• 7. پیاده‌سازی درخت‌های تصمیم در پایتون 7. Decision Trees Implementation in Python

• 8. پیاده‌سازی جنگل‌های تصادفی در پایتون 8. Random Forests Implementation in Python

• 9. پیاده‌سازی Gradient Boosting در پایتون 9. Gradient Boosting Implementation in Python

• 10. پیاده‌سازی Naive Bayes در پایتون 10. Naive Bayes Implementation in Python

• 11. پیاده‌سازی خوشه‌بندی K-Means در پایتون 11. K-Means Clustering Implementation in Python

• 12. پیاده‌سازی خوشه‌بندی سلسله‌مراتبی در پایتون 12. Hierarchical Clustering Implementation in Python

• 13. پیاده‌سازی DBSCAN در پایتون 13. DBSCAN (Density-Based Spatial Clustering of Applications w Noise) Implementa

• 14. پیاده‌سازی مدل‌های مخلوط گاوسی (GMM) در پایتون 14. Gaussian Mixture Models(GMM) Implementation in Python

• 15. پیاده‌سازی تحلیل مؤلفه‌های اصلی (PCA) در پایتون 15. Principal Component Analysis (PCA) Implementation in Python

• 16. پیاده‌سازی t-SNE در پایتون 16. t-Distributed Stochastic Neighbor Embedding (t-SNE) Implementation in Python

• 17. پیاده‌سازی Autoencoders در پایتون 17. Autoencoders Implementation in Python

• 18. پیاده‌سازی Self Training در پایتون 18. Self-Training Implementation in Python

• 19. پیاده‌سازی Q-Learning در پایتون 19. Q-Learning Implementation in Python

• 20. پیاده‌سازی شبکه‌های Q عمیق (DQN) در پایتون 20. Deep Q-Networks (DQN) Implementation in Python

• 21. پیاده‌سازی روش‌های Policy Gradient در پایتون 21. Policy Gradient Methods Implementation in Python

• 22. پیاده‌سازی One Class SVM در پایتون 22. One-Class SVM Implementation in Python

• 23. پیاده‌سازی Isolation Forest در پایتون 23. Isolation Forest Implementation in Python

• 24. پیاده‌سازی شبکه‌های عصبی پیچشی (CNNs) در پایتون 24. Convolutional Neural Networks (CNNs) Implementation in Python

• 25. پیاده‌سازی شبکه‌های عصبی بازگشتی (RNNs) در پایتون 25. Recurrent Neural Networks (RNNs) Implementation in Python

• 26. پیاده‌سازی LSTM در پایتون 26. Long Short-Term Memory (LSTM) Implementation in Python

• 27. پیاده‌سازی ترنسفورمرها (Transformers) در پایتون 27. Transformers Implementation in Python

• انتخاب و پیاده‌سازی الگوریتم ML مناسب برای یک مجموعه داده واقعی Choosing and Implementing the Right ML Algorithm for a Real-World Dataset

آشنایی با یادگیری ماشین و TensorFlow Introduction to Machine Learning and TensorFlow

• 1. یادگیری ماشین چیست؟ 1. What is Machine Learning?

• 2. مقدمه‌ای بر TensorFlow 2. Introduction to TensorFlow

• 3. مقایسه TensorFlow با سایر فریم‌ورک‌های یادگیری ماشین 3. TensorFlow vs. Other Machine Learning frameworks

• 4. نصب TensorFlow 4. Installing TensorFlow

• 5. راه‌اندازی محیط توسعه 5. Setting up your Development Environment

• 6. تایید نصب 6. Verifying the Installation

• 7. آشنایی با تنسورها 7. Introduction to Tensors

• 8. عملیات روی تنسورها 8. Tensor Operations

• 9. ثابت‌ها، متغیرها و Placeholderها 9. Constants, Variables, and Placeholders

• 10. گراف محاسباتی TensorFlow 10. TensorFlow Computational Graph

• 11. ایجاد و اجرای یک Session در TensorFlow 11. Creating and Running a TensorFlow Session

• 12. مدیریت گراف‌ها و نشست‌ها 12. Managing Graphs and Sessions

• 13. ساخت یک شبکه عصبی ساده Feedforward 13. Building a Simple Feedforward Neural Network

• 14. توابع فعال‌ساز 14. Activation Functions

• 15. توابع هزینه و بهینه‌سازها 15. Loss Functions and Optimizers

• 16. آشنایی با API کراس (Keras) 16. Introduction to Keras API

• 17. ساخت مدل‌های پیچیده با Keras 17. Building Complex Models with Keras

• 18. آموزش و ارزیابی مدل‌ها 18. Training and Evaluating Models

• 19. مقدمه‌ای بر CNNها 19. Introduction to CNNs

• 20. ساخت و آموزش CNNها با TensorFlow 20. Building and Training CNNs with TensorFlow

• 21. یادگیری انتقالی (Transfer Learning) با CNNهای پیش‌آموزش‌دیده 21. Transfer Learning with Pre-trained CNNs

• 22. مقدمه‌ای بر RNNها 22. Introduction to RNNs

• 23. ساخت و آموزش RNNها با TensorFlow 23. Building and Training RNNs with TensorFlow

• 24. کاربردهای RNNها: مدل‌سازی زبان، پیش‌بینی سری‌های زمانی 24. Applications of RNNs: Language Modeling, Time Series Prediction

• 25. ذخیره و بارگذاری مدل‌ها 25. Saving and Loading Models

• 26. استفاده از TensorFlow Serving برای استقرار مدل 26. TensorFlow Serving for Model Deployment

• 27. TensorFlow Lite برای دستگاه‌های موبایل و تعبیه‌شده 27. TensorFlow Lite for Mobile and Embedded Devices

• 28. مقدمه‌ای بر محاسبات توزیع‌شده با TensorFlow 28. Introduction to Distributed Computing with TensorFlow

• 29. فریم‌ورک اجرای توزیع‌شده TensorFlow 29. TensorFlow's Distributed Execution Framework

• 30. مقیاس‌بندی TensorFlow با TensorFlow Serving و Kubernetes 30. Scaling TensorFlow with TensorFlow Serving and Kubernetes

• 31. آشنایی با TFX 31. Introduction to TFX

• 32. ساخت خط‌لوله‌های (Pipelines) کامل ML با TFX 32. Building End-to-End ML Pipelines with TFX

• 33. اعتبارسنجی، تبدیل و ارائه مدل با TFX 33. Model Validation, Transform, and Serving with TFX

• 34. طبقه‌بندی تصاویر 34. Image Classification

• 35. پردازش زبان طبیعی (NLP) 35. Natural Language Processing

• 36. سیستم‌های توصیه‌گر 36. Recommender Systems

• 37. تشخیص اشیاء (Object Detection) 37. Object Detection

• 38. ساخت مدل تحلیل احساسات (Sentiment Analysis) 38. Building a Sentiment Analysis Model

• 39. ایجاد سیستم تشخیص تصویر 39. Creating an Image Recognition System

• 40. توسعه مدل پیش‌بینی سری‌های زمانی 40. Developing a Time Series Prediction Model

• 41. پیاده‌سازی یک چت‌بات 41. Implementing a Chatbot

• 42. شبکه‌های رقابتی مولد (GANs) 42. Generative Adversarial Networks (GANs)

• 43. یادگیری تقویت‌شده (Reinforcement Learning) با TensorFlow 43. Reinforcement Learning with TensorFlow

• 44. یادگیری ماشین کوانتومی با TensorFlow Quantum 44. Quantum Machine Learning with TensorFlow Quantum

• 45. مستندات و آموزش‌های TensorFlow 45. TensorFlow Documentation and Tutorials

• 46. دوره‌های آنلاین و کتاب‌ها 46. Online Courses and Books

• 47. انجمن‌ها و فوروم‌های TensorFlow 47. TensorFlow Community and Forums

• 48. خلاصه مفاهیم کلیدی 48. Summary of Key Concepts

• 49. گام‌های بعدی در مسیر TensorFlow 49. Next Steps in Your TensorFlow Journey

• طراحی و استقرار یک مدل TensorFlow برای پیش‌بینی‌های واقعی Designing and Deploying a TensorFlow Model for Real-World Prediction

آشنایی با یادگیری PyTorch Introduction to Learning PyTorch

• 1. مقدمه‌ای بر PyTorch 1. Introduction to PyTorch

• 2. شروع کار با PyTorch 2. Getting Started with PyTorch

• 3. کار با تنسورها 3. Working with Tensors

• 4. Autograd و گراف‌های محاسباتی پویا 4. Autograd and Dynamic Computation Graphs

• 5. ساخت شبکه‌های عصبی ساده 5. Building Simple Neural Networks

• 6. بارگذاری و پیش‌پردازش داده‌ها 6. Loading and Preprocessing Data

• 7. ارزیابی و اعتبارسنجی مدل 7. Model Evaluation and Validation

• 8. معماری‌های پیشرفته شبکه عصبی 8. Advanced Neural Network Architectures

• 9. یادگیری انتقالی و تنظیم دقیق (Fine Tuning) 9. Transfer Learning and Fine-Tuning

• 10. مدیریت داده‌های پیچیده 10. Handling Complex Data

• 11. استقرار مدل و محیط تولید 11. Model Deployment and Production

• 12. عیب‌یابی و رفع اشکال 12. Debugging and Troubleshooting

• 13. آموزش توزیع‌شده و بهینه‌سازی عملکرد 13. Distributed Training and Performance Optimization

• 14. لایه‌ها و توابع هزینه سفارشی 14. Custom Layers and Loss Functions

• 15. تکنیک‌های پژوهش‌محور 15. Research-oriented Techniques

• 16. یکپارچه‌سازی با سایر کتابخانه‌ها 16. Integration with Other Libraries

• 17. مشارکت در PyTorch و تعامل با جامعه 17. Contributing to PyTorch and Community Engagement

• استقرار و عیب‌یابی یک مدل سفارشی PyTorch برای بخش‌بندی تصویر (Image Segmentation) Deploying and Debugging a Custom PyTorch Model for Image Segmentation

عوامل هوش مصنوعی برای مبتدیان AI Agents for Beginners

• 1.1: درک عوامل AI - نحوه عملکرد عوامل هوش مصنوعی 1.1: Understanding AI Agents - How AI Agents Function

• 1.2: مقدمه‌ای بر عوامل هوش مصنوعی (AI Agents) 1.2: Introduction to AI Agents

• 1.3: انواع عوامل هوش مصنوعی 1.3: Types of AI Agents

• 2.1: تکنولوژی‌های پشت عوامل AI - یادگیری ماشین و عوامل AI 2.1: Technologies Behind AI Agents - Machine Learning and AI Agents

• 2.2: پردازش زبان طبیعی در عوامل هوش مصنوعی 2.2: Natural Language Processing in AI Agents

• 2.3: عوامل هوش مصنوعی در رباتیک 2.3: AI Agents in Robotics

• 3.1: فریم‌ورک‌ها و معماری‌های عامل AI - فریم‌ورک‌های توسعه عامل 3.1: AI Agent Frameworks & Architectures - AI Agent Development Frameworks

• 3.2: بررسی کلی AutoGPT برای عوامل AI 3.2: Overview of AutoGPT for AI Agents

• 3.3: فریم‌ورک IBM Bee برای عوامل AI 3.3: IBM Bee Framework for AI Agents

• 3.4: LangGraph برای عوامل AI دارای وضعیت (Stateful) 3.4: LangGraph for Stateful AI Agents

• 3.5: CrewAI برای عوامل AI مشارکتی 3.5: CrewAI for Collaborative AI Agents

• 4.1: کاربردهای عوامل AI - عوامل AI در عملیات تجاری 4.1: Applications of AI Agents - AI Agents in Business Operations

• 4.2: عوامل هوش مصنوعی در مراقبت‌های بهداشتی 4.2: AI Agents in Healthcare

• 4.3: عوامل هوش مصنوعی در سیستم‌های مالی 4.3: AI Agents in Financial Systems

• 4.4: عوامل هوش مصنوعی در سرگرمی 4.4: AI Agents in Entertainment

• 4.5: عوامل هوش مصنوعی در خانه‌های هوشمند و IoT 4.5: AI Agents in Smart Homes and IoT

• 5.1: روندهای آینده و پیامدهای اخلاقی - آینده عوامل AI 5.1: Future Trends and Ethical Implications - The Future of AI Agents

• 5.2: اخلاق در توسعه عوامل هوش مصنوعی 5.2: Ethics in AI Agent Development

• 5.3: چالش‌های قانونی و نظارتی برای عوامل AI 5.3: Legal and Regulatory Challenges for AI Agents

• 6.1: تأثیر گسترده‌تر عوامل AI - اثرات اجتماعی و اقتصادی 6.1: Broader Impact of AI Agents - Social and Economic Impacts of AI Agents

• 6.2: عوامل AI و همکاری انسان و ماشین 6.2: AI Agents and Human Collaboration

• 6.3: نقش عوامل هوش مصنوعی در تحقیقات علمی 6.3: The Role of AI Agents in Scientific Research

• 6.4: عوامل AI در امنیت عمومی و دفاع ملی 6.4: AI Agents in Public Safety and National Defense

• انتخاب فریم‌ورک مناسب عامل AI برای نمونه اولیه یک دستیار هوشمند Choosing the Right AI Agent Framework for a Smart Assistant Prototype

تبریک و پایان دوره Congratulations

• کوییز نهایی چهارگزینه‌ای Final Multiple Choice Quiz

• تبریک و آرزوی موفقیت Congratulations and Best of Luck