دوره آموزشی گواهینامه متخصص هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

Introduction to Course and Instructor

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

مبانی برنامه نویسی پایتون برای هوش مصنوعی Python Programming Basics for Artificial Intelligence

• روز 1: مقدمه ای بر پایتون و راه اندازی توسعه Day 1: Introduction to Python and Development Setup

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

• روز 3: توابع و ماژول ها Day 3: Functions and Modules

• روز 4: ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

• روز 5: کار با رشته ها Day 5: Working with Strings

• روز 6: کار با فایل ها Day 6: File Handling

• روز 7: کد پایتونیک و کار روی پروژه Day 7: Pythonic Code and Project Work

• خودکارسازی مرتب سازی بازخورد فوری با پایتون Automating Urgent Feedback Sorting with Python

ملزومات علم داده برای هوش مصنوعی Data Science Essentials for Artificial Intelligence

• روز 1: مقدمه ای بر NumPy برای محاسبات عددی Day 1: Introduction to NumPy for Numerical Computing

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

• روز 3: مقدمه ای بر Pandas برای دستکاری داده ها Day 3: Introduction to Pandas for Data Manipulation

• روز 4: پاکسازی و آماده سازی داده ها با Pandas Day 4: Data Cleaning and Preparation with Pandas

• روز 5: تجمیع و گروه بندی داده ها در Pandas Day 5: Data Aggregation and Grouping in Pandas

• روز 6: تجسم داده ها با Matplotlib و Seaborn Day 6: Data Visualization with Matplotlib and Seaborn

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

• آماده سازی و تجسم داده های فروش برای بررسی مدیران اجرایی Preparing and Visualizing Sales Data for Executive Review

ریاضیات برای یادگیری ماشین و هوش مصنوعی Mathematics for Machine Learning and Artificial Intelligence

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

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

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

• روز 4: حساب دیفرانسیل و انتگرال برای یادگیری ماشین (انتگرال ها و بهینه سازی) Day 4: Calculus for Machine Learning (Integrals and Optimization)

• روز 5: نظریه احتمال و توزیع ها Day 5: Probability Theory and Distributions

• روز 6: مبانی آمار Day 6: Statistics Fundamentals

• روز 7: پروژه کوچک مبتنی بر ریاضی – رگرسیون خطی از ابتدا Day 7: Math-Driven Mini Project – Linear Regression from Scratch

• طراحی یک مجموعه داده آماده هوش مصنوعی: بررسی ریاضی با تیم ML Designing an AI-Ready Dataset: Math Review with the ML Team

احتمال و آمار برای یادگیری ماشین و هوش مصنوعی Probability and Statistics for Machine Learning and Artificial Intelligence

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

• روز 2: توزیع های احتمال در یادگیری ماشین Day 2: Probability Distributions in Machine Learning

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

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

• روز 5: انواع آزمون های فرضیه Day 5: Types of Hypothesis Tests

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

• روز 7: پروژه تحلیل آماری – تجزیه و تحلیل داده های دنیای واقعی Day 7: Statistical Analysis Project – Analyzing Real-World Data

• تفسیر نتایج تست A/B برای راه اندازی محصول Interpreting A/B Test Results for Product Launch

مقدمه ای بر یادگیری ماشین Introduction to Machine Learning

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

• روز 2: مقدمه ای بر یادگیری نظارت شده و مدل های رگرسیون Day 2: Introduction to Supervised Learning and Regression Models

• روز 3: مدل های رگرسیون پیشرفته - رگرسیون چند جمله ای و Regularization Day 3: Advanced Regression Models – Polynomial Regression and Regularization

• روز 4: مقدمه ای بر طبقه بندی و رگرسیون لجستیک Day 4: Introduction to Classification and Logistic Regression

• روز 5: ارزیابی مدل و Cross-Validation Day 5: Model Evaluation and Cross-Validation

• روز 6: الگوریتم k-Nearest Neighbors (k-NN) Day 6: k-Nearest Neighbors (k-NN) Algorithm

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

• انتخاب مدل نظارت شده مناسب برای مسئله ریزش کاربر (User Churn) Choosing the Right Supervised Model for a User Churn Problem

آزمون و تبریک Quiz and Congratulations

• آزمون نهایی Final Quiz

• تبریک و آرزوی موفقیت Congratulations and Best of Luck