گواهی متخصص هوش مصنوعی | آموزش مهندسی هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

Introduction au cours et à l’instructeur

• آنچه در مدرک مهندسی هوش مصنوعی اکسپلورر خواهید آموخت Ce que vous apprendrez dans le Certificat d’Explorateur en Ingénierie de l’IA

مبانی برنامه نویسی پایتون برای هوش مصنوعی Bases de la programmation Python pour l’intelligence artificielle

• روز اول: مقدمه ای بر پایتون و پیکربندی محیط Jour 1 : Introduction à Python et configuration de l’environnement

• روز دوم: ساختارهای کنترلی در پایتون Jour 2 : Structures de contrôle en Python

• روز سوم: توابع و ماژول ها Jour 3 : Fonctions et modules

• روز چهارم: ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها) Jour 4 : Structures de données (Listes, Tuples, Dictionnaires, Ensembles)

• روز پنجم: دستکاری رشته ها Jour 5 : Manipulation des chaînes de caractères

• روز ششم: مدیریت فایل ها Jour 6 : Gestion des fichiers

• روز هفتم: کد پایتونیک و پروژه عملی Jour 7 : Code pythonique et projet pratique

• منابع برای پروژه ها Ressources pour les projets

اصول علم داده برای هوش مصنوعی Fondamentaux de la science des données pour l’intelligence artificielle

• روز اول: مقدمه ای بر NumPy برای محاسبات عددی Jour 1 : Introduction à NumPy pour le calcul numérique

• روز دوم: عملیات پیشرفته با NumPy Jour 2 : Opérations avancées avec NumPy

• روز سوم: مقدمه ای بر Pandas برای دستکاری داده ها Jour 3 : Introduction à Pandas pour la manipulation des données

• روز چهارم: پاکسازی و آماده سازی داده ها با Pandas Jour 4 : Nettoyage et préparation des données avec Pandas

• روز پنجم: تجمیع و گروه بندی داده ها با Pandas Jour 5 : Agrégation et regroupement des données avec Pandas

• روز ششم: تصویرسازی داده ها با Matplotlib و Seaborn Jour 6 : Visualisation de données avec Matplotlib et Seaborn

• روز هفتم: پروژه تحلیل اکتشافی داده ها (EDA) Jour 7 : Projet d’analyse exploratoire des données (EDA)

• منابع برای پروژه ها Ressources pour les projets

ریاضیات برای Machine Learning و هوش مصنوعی Mathématiques pour le Machine Learning et l’intelligence artificielle

• روز اول: اصول جبر خطی Jour 1 : Fondamentaux de l’algèbre linéaire

• روز دوم: مفاهیم پیشرفته در جبر خطی Jour 2 : Concepts avancés en algèbre linéaire

• روز سوم: حساب دیفرانسیل برای Machine Learning (مشتقات) Jour 3 : Calcul différentiel pour le Machine Learning (Dérivées)

• روز چهارم: حساب انتگرال و بهینه سازی برای ML Jour 4 : Calcul intégral et optimisation pour le ML

• روز پنجم: نظریه احتمالات و توزیع ها Jour 5 : Théorie des probabilités et distributions

• روز ششم: اصول آمار Jour 6 : Fondamentaux en statistiques

• روز هفتم: مینی پروژه ریاضی – رگرسیون خطی از صفر Jour 7 : Mini-projet mathématique – Régression linéaire de zéro

• منابع برای پروژه ها Ressources pour les projets

احتمالات و آمار برای Machine Learning و هوش مصنوعی Probabilités et statistiques pour le Machine Learning et l’IA

• روز اول: نظریه احتمالات و متغیرهای تصادفی Jour 1 : Théorie des probabilités et variables aléatoires

• روز دوم: توزیع های احتمال در Machine Learning Jour 2 : Distributions de probabilité en Machine Learning

• روز سوم: استنباط آماری – تخمین و بازه های اطمینان Jour 3 : Inférence statistique – Estimation et intervalles de confiance

• روز چهارم: آزمون های فرضیه و مقادیر p Jour 4 : Tests d’hypothèse et valeurs p

• روز پنجم: انواع آزمون های فرضیه Jour 5 : Types de tests d’hypothèse

• روز ششم: همبستگی و تحلیل رگرسیون Jour 6 : Corrélation et analyse de régression

• روز هفتم: پروژه تحلیل آماری – تجزیه و تحلیل داده های واقعی Jour 7 : Projet d’analyse statistique – Analyse de données réelles

• منابع برای پروژه ها Ressources pour les projets

مقدمه ای بر Machine Learning Introduction au Machine Learning

• روز اول: مبانی و اصطلاحات Machine Learning Jour 1 : Bases et terminologie du Machine Learning

• روز دوم: مقدمه ای بر یادگیری نظارت شده و مدل های رگرسیون Jour 2 : Introduction à l’apprentissage supervisé et aux modèles de régression

• روز سوم: مدل های رگرسیون پیشرفته – رگرسیون چند جمله ای و منظم سازی Jour 3 : Modèles de régression avancés – Régression polynomiale et régularisatio

• روز چهارم: مقدمه ای بر طبقه بندی و رگرسیون لجستیک Jour 4 : Introduction à la classification et régression logistique

• روز پنجم: ارزیابی مدل ها و اعتبارسنجی متقابل Jour 5 : Évaluation des modèles et validation croisée

• روز ششم: الگوریتم k نزدیکترین همسایه (k-NN) Jour 6 : Algorithme des k plus proches voisins (k-NN)

• روز هفتم: مینی پروژه در یادگیری نظارت شده Jour 7 : Mini-projet en apprentissage supervisé

• منابع برای پروژه ها Ressources pour les projets

آزمون نهایی و تبریک Quiz final et félicitations

• آزمون نهایی Quiz final

• تبریک و موفق باشید Félicitations et bonne continuation