آموزش دوره جامع آماده‌سازی شغلی مهندس هوش مصنوعی (۲۰۲۶) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

• گواهینامه پایان دوره Certificate of Completion

• مقدمه‌ای بر نحوه به دست آوردن شغل مهندس AI در سال ۲۰۲۶ Introduction to How to Land an AI Engineer Job in 2026

• منابع دوره: اسلایدها و فایل‌های کد Resources for the Course - Slides and Code Files

• Clawdbot و تغییر به سمت محاسبات عامل-محور Clawdbot and the Shift to Agent-First Computing

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

• مقدمه 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 پایتونیک و پروژه عملی Day 7: Pythonic Code and Project Work

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

• مقدمه 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

• مقدمه 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 احتمال و توزیع‌ها Day 5: Probability Theory and Distributions

• روز ششم: مبانی آمار Day 6: Statistics Fundamentals

• روز هفتم: مینی پروژه ریاضی — پیاده‌سازی 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

• مقدمه 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 P-Valueها 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

هفته پنجم: مقدمه‌ای بر یادگیری ماشین Week 5: Introduction to Machine Learning

• مقدمه هفته پنجم: مقدمه‌ای بر یادگیری ماشین Introduction to Week 5 Introduction to Machine Learning

• روز اول: مبانی و اصطلاحات یادگیری ماشین Day 1: Machine Learning Basics and Terminology

• روز دوم: معرفی یادگیری نظارت شده و مدل‌های رگرسیون Day 2: Introduction to Supervised Learning and Regression Models

• روز سوم: مدل‌های رگرسیون پیشرفته — رگرسیون چندجمله‌ای و منظم‌سازی Day 3: Advanced Regression Models – Polynomial Regression and Regularization

• روز چهارم: معرفی طبقه‌بندی و رگرسیون لجستیک Day 4: Introduction to Classification and Logistic Regression

• روز پنجم: ارزیابی مدل و اعتبارسنجی متقاطع (Cross Validation) Day 5: Model Evaluation and Cross-Validation

• روز ششم: الگوریتم k-نزدیک‌ترین همسایه (kNN) Day 6: k-Nearest Neighbors (k-NN) Algorithm

• روز هفتم: مینی پروژه یادگیری نظارت شده Day 7: Supervised Learning Mini Project

هفته ششم: مهندسی ویژگی‌ها و ارزیابی مدل Week 6: Feature Engineering and Model Evaluation

• مقدمه هفته ششم: مهندسی ویژگی‌ها و ارزیابی مدل Introduction to Week 6 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) 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

هفته هفتم: الگوریتم‌های پیشرفته یادگیری ماشین Week 7: Advanced Machine Learning Algorithms

• مقدمه هفته هفتم: الگوریتم‌های پیشرفته یادگیری ماشین Introduction to Week 7 Advanced Machine Learning Algorithms

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

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

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

• روز چهارم: معرفی 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 دیتاست واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

هفته هشتم: تنظیم و بهینه‌سازی مدل Week 8: Model Tuning and Optimization

• مقدمه هفته هشتم: تنظیم و بهینه‌سازی مدل Introduction to Week 8 Model Tuning and Optimization

• روز اول: مقدمه‌ای بر تنظیم هایپرپارامترها Day 1: Introduction to Hyperparameter Tuning

• روز دوم: جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی Day 2: Grid Search and Random Search

• روز سوم: تنظیم پیشرفته هایپرپارامترها با بهینه‌سازی بیزی Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

• روز چهارم: تکنیک‌های منظم‌سازی برای بهینه‌سازی مدل Day 4: Regularization Techniques for Model Optimization

• روز پنجم: تکنیک‌های اعتبارسنجی متقاطع و ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

• روز ششم: تنظیم خودکار هایپرپارامترها با GridSearchCV و RandomizedSearchCV Day 6: Automated Hyperparameter Tuning with GridSearchCV and RandomizedSearchCV

• روز هفتم: پروژه بهینه‌سازی — ساخت و تنظیم مدل نهایی Day 7: Optimization Project – Building and Tuning a Final Model

هفته نهم: شبکه‌های عصبی و مبانی یادگیری عمیق Week 9: Neural Networks and Deep Learning Fundamentals

• مقدمه هفته نهم: شبکه‌های عصبی و مبانی یادگیری عمیق Introduction to Week 9 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 (Forward Propagation) و توابع فعال‌ساز Day 2: Forward Propagation and Activation Functions

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

• روز چهارم: گرادیان 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 در CIFAR 10 Day 7: Neural Network Project – Image Classification on CIFAR-10

هفته دهم: شبکه‌های عصبی پیچشی (CNNs) Week 10: Convolutional Neural Networks (CNNs)

• مقدمه هفته دهم: شبکه‌های عصبی پیچشی (CNNs) Introduction to Week 10 Convolutional Neural Networks (CNNs)

• روز اول: مقدمه‌ای بر شبکه‌های عصبی پیچشی Day 1: Introduction to Convolutional Neural Networks

• روز دوم: لایه‌های پیچشی و فیلترها Day 2: Convolutional Layers and Filters

• روز سوم: لایه‌های Pooling و کاهش ابعاد Day 3: Pooling Layers and Dimensionality Reduction

• روز چهارم: ساخت معماری‌های CNN با Keras و TensorFlow Day 4: Building CNN Architectures with Keras and TensorFlow

• روز پنجم: ساخت معماری‌های CNN با PyTorch Day 5: Building CNN Architectures with PyTorch

• روز ششم: منظم‌سازی و افزایش داده‌ها (Data Augmentation) برای CNNها Day 6: Regularization and Data Augmentation for CNNs

• روز هفتم: پروژه CNN — طبقه‌بندی تصاویر در Fashion MNIST یا CIFAR 10 Day 7: CNN Project – Image Classification on Fashion MNIST or CIFAR-10

هفته یازدهم: شبکه‌های عصبی بازگشتی (RNNs) و مدل‌سازی توالی Week 11: Recurrent Neural Networks (RNNs) and Sequence Modeling

• مقدمه هفته یازدهم: شبکه‌های عصبی بازگشتی (RNNs) و مدل‌سازی توالی Introduction to Week 11 Recurrent Neural Networks (RNNs) and Sequence Modeling

• روز اول: مقدمه‌ای بر مدل‌سازی توالی و RNNها Day 1: Introduction to Sequence Modeling and RNNs

• روز دوم: درک معماری RNN و پس‌انتشار در زمان (BPTT) Day 2: Understanding RNN Architecture and Backpropagation Through Time (BPTT)

• روز سوم: شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM) Day 3: Long Short-Term Memory (LSTM) Networks

• روز چهارم: واحدهای بازگشتی دریچه‌ای (GRUs) Day 4: Gated Recurrent Units (GRUs)

• روز پنجم: پیش‌پردازش متن و جاسازی کلمات (Word Embeddings) برای RNNها Day 5: Text Preprocessing and Word Embeddings for RNNs

• روز ششم: مدل‌های توالی به توالی (Seq2Seq) و کاربردها Day 6: Sequence-to-Sequence Models and Applications

• روز هفتم: پروژه RNN — تولید متن یا تحلیل احساسات Day 7: RNN Project – Text Generation or Sentiment Analysis

هفته دوازدهم: ترنسفورمرها و مکانیسم‌های توجه Week 12: Transformers and Attention Mechanisms

• مقدمه هفته دوازدهم: ترنسفورمرها و مکانیسم‌های توجه Introduction to Week 12 Transformers and Attention Mechanisms

• روز اول: مقدمه‌ای بر مکانیسم‌های توجه Day 1: Introduction to Attention Mechanisms

• روز دوم: مقدمه‌ای بر معماری ترنسفورمرها Day 2: Introduction to Transformers Architecture

• روز سوم: توجه به خود (Self-Attention) و توجه چندسر در ترنسفورمرها Day 3: Self-Attention and Multi-Head Attention in Transformers

• روز چهارم: کدگذاری موقعیتی (Positional Encoding) و شبکه‌های Feed-Forward Day 4: Positional Encoding and Feed-Forward Networks

• روز پنجم: کار عملی با ترنسفورمرهای پیش‌آموزش‌دیده — BERT و GPT Day 5: Hands-On with Pre-Trained Transformers – BERT and GPT

• روز ششم: ترنسفورمرهای پیشرفته — مدل‌های BERT و GPT-3 Day 6: Advanced Transformers – BERT Variants and GPT-3

• روز هفتم: پروژه ترنسفورمر — خلاصه‌سازی یا ترجمه متن Day 7: Transformer Project – Text Summarization or Translation

هفته سیزدهم: یادگیری انتقالی و تنظیم دقیق (Fine Tuning) Week 13: Transfer Learning and Fine-Tuning

• مقدمه هفته سیزدهم: یادگیری انتقالی و تنظیم دقیق Introduction to Week 13 Transfer Learning and Fine-Tuning

• روز اول: مقدمه‌ای بر یادگیری انتقالی (Transfer Learning) Day 1: Introduction to Transfer Learning

• روز دوم: یادگیری انتقالی در بینایی ماشین Day 2: Transfer Learning in Computer Vision

• روز سوم: تکنیک‌های تنظیم دقیق در بینایی ماشین Day 3: Fine-Tuning Techniques in Computer Vision

• روز چهارم: یادگیری انتقالی در پردازش زبان طبیعی (NLP) Day 4: Transfer Learning in NLP

• روز پنجم: تکنیک‌های تنظیم دقیق در NLP Day 5: Fine-Tuning Techniques in NLP

• روز ششم: انطباق دامنه و چالش‌های یادگیری انتقالی Day 6: Domain Adaptation and Transfer Learning Challenges

• روز هفتم: پروژه یادگیری انتقالی — تنظیم دقیق برای یک تسک سفارشی Day 7: Transfer Learning Project – Fine-Tuning for a Custom Task

هفته چهاردهم: سیستم‌های مدرن AI و مهندسی GenAI Week 14: Modern AI Systems & GenAI Engineering

• چگونه مهندسی AI تغییر کرد (۲۰۲۰ ← ۲۰۲۶) How AI Engineering Changed (2020 → 2026)

• مقایسه APIهای LLM و مدل‌های متن‌باز (OpenAI, Anthropic, Llama) LLM APIs vs Open-Source Models (OpenAI, Anthropic, Llama)

• مهندسی پرامپت (Prompt Engineering) در مقابل برنامه‌نویسی پرامپت Prompt Engineering vs Prompt Programming

• معماری‌های تولید تقویت شده با بازیابی (RAG) Retrieval-Augmented Generation (RAG) Architectures

• پایگاه‌داده‌های برداری (FAISS, Pinecone, Weaviate) Vector Databases (FAISS, Pinecone, Weaviate)

• فراخوانی ابزارها و فراخوانی توابع (Tool & Function Calling) Tool Calling & Function Calling

• مینی پروژه: ساخت یک اپلیکیشن RAG در سطح تولید Mini Project: Build a Production-Grade RAG App

هفته پانزدهم: مهندسی AI عامل‌محور (Agentic AI) Week 15: Agentic AI Engineering

• عامل AI چیست (در مقابل اپلیکیشن LLM) What Is an AI Agent (vs LLM App)

• حلقه‌های عامل: برنامه‌ریزی ← اجرا ← مشاهده ← تامل Agent Loops: Plan → Act → Observe → Reflect

• تکنیک‌های ReAct، زنجیره تفکر (CoT) و درخت تفکر (ToT) ReAct, Chain-of-Thought, Tree-of-Thoughts

• حافظه در عامل‌ها (کوتاه‌مدت و بلندمدت) Memory in Agents (Short-term & Long-term)

• سیستم‌های چند-عاملی و ارکستراسیون Multi-Agent Systems & Orchestration

• نرده‌های حفاظتی (Guardrails)، ایمنی و حالت‌های شکست Guardrails, Safety & Failure Modes

• پروژه نهایی: ساخت یک عامل AI خودگردان Capstone: Build an Autonomous AI Agent

هفته شانزدهم: مهندسی AI در محیط تولید (Production) Week 16: Production AI Engineering

• از نوت‌بوک تا محیط تولید (Production) From Notebook to Production

• بسته‌بندی مدل و APIها (FastAPI, Flask) Model Packaging & APIs (FastAPI, Flask)

• سیستم‌های CI/CD برای مدل‌های یادگیری ماشین CI/CD for ML Systems

• مانیتورینگ مدل و شناسایی رانش (Drift Detection) Model Monitoring & Drift Detection

• ارزیابی‌های LLM و معیارهای کیفیت LLM Evals & Quality Metrics

• بهینه‌سازی هزینه و توازن بین تاخیر و کیفیت Cost Optimization & Latency Tradeoffs

• پروژه: استقرار و مانیتورینگ یک سیستم AI Project: Deploy & Monitor an AI System

هفته هفدهم: ساخت پورتفولیوی برنده برای جذب شغل Week 17: Building a Job-Winning AI Portfolio

• استخدام‌کنندگان واقعاً به دنبال چه هستند؟ What Recruiters Actually Look For

• ساختاردهی به پروژه‌های AI برای نمایش حداکثری تاثیر Structuring AI Projects for Impact

• نوشتن فایل‌های README که منجر به مصاحبه شوند Writing README Files That Get Interviews

• تبدیل پروژه‌ها به مطالعات موردی (Case Studies) Turning Projects into Case Studies

• استراتژی مشارکت در پروژه‌های متن‌باز (Open Source) Open-Source Contributions Strategy

• وب‌سایت شخصی برای مهندسان AI Personal Website for AI Engineers

• چک‌لیست بررسی پورتفولیو Portfolio Review Checklist

هفته هجدهم: مصاحبه‌ها و ارزیابی‌ها Week 18: Interviews & Assessments

• فرمت‌های مصاحبه مهندس AI (شرکت‌های FAANG، استارتاپ‌ها، سازمان‌ها) AI Engineer Interview Formats (FAANG, Startups, Enterprises)

• مصاحبه‌های کدنویسی پایتون (الگوها و اشتباهات رایج) Python Coding Interviews (Patterns & Pitfalls)

• سوالات مصاحبه تئوری یادگیری ماشین (ML) ML Theory Interview Questions

• مصاحبه‌های یادگیری عمیق و ترنسفورمرها Deep Learning & Transformers Interviews

• طراحی سیستم برای سیستم‌های AI System Design for AI Systems

• تکالیف خانگی: چگونه برنده شویم Take-Home Assignments: How to Win

• مصاحبه‌های شبیه‌سازی شده (فنی + رفتاری) Mock Interviews (Technical + Behavioral)

هفته نوزدهم: به دست آوردن شغل Week 19: Landing the Job

• رزومه مهندس AI که از فیلتر ATS عبور کند AI Engineer Resume That Passes ATS

• نوشتن نقاط قوت با رویکرد تاثیرگذاری (Impact-Driven) Writing Impact-Driven Bullet Points

• لینکدین و برندینگ شخصی برای مهندسان AI LinkedIn & Personal Branding for AI Engineers

• استراتژی‌های شبکه‌سازی که واقعاً جواب می‌دهند Networking Strategies That Actually Work

• چگونه استراتژیک درخواست دهیم (نه ۵۰۰ درخواست تصادفی) How to Apply Strategically (Not 500 Applications)

• مذاکره حقوق برای نقش‌های AI Salary Negotiation for AI Roles

• برنامه ۹۰ روزه برای اولین نقش شغلی مهندسی AI 90-Day Plan for Your First AI Engineer Role