آموزش [دوره جامع هوش مصنوعی]: از مبتدی تا قهرمان هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه ای بر دوره Einführung in den Kurs

• مقدمه ای بر مسترکلاس مهندسی هوش مصنوعی: از صفر تا قهرمان هوش مصنوعی Einführung in die Masterclass für KI-Engineering: Von Null zum KI-Held

• منابع دوره – اسلایدها و فایل های کد Kursressourcen – Folien und Code-Dateien

هفته 1: مبانی پایتون برای هوش مصنوعی Woche 1: Python-Grundlagen für Künstliche Intelligenz

• مقدمه ای بر هفته 1 – مبانی پایتون Einführung in Woche 1 – Python-Grundlagen

• روز 1: معرفی پایتون و راه اندازی محیط توسعه Tag 1: Einführung in Python und Einrichtung der Entwicklungsumgebung

• روز 2: ساختارهای کنترلی در پایتون Tag 2: Kontrollstrukturen in Python

• روز 3: توابع و ماژول ها Tag 3: Funktionen und Module

• روز 4: ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها) Tag 4: Datenstrukturen (Listen, Tupel, Dictionaries, Sets)

• روز 5: کار با رشته ها Tag 5: Arbeiten mit Strings

• روز 6: مدیریت فایل Tag 6: Dateiverwaltung

• روز 7: کد پایتونیک و کار پروژه Tag 7: Pythonischer Code und Projektarbeit

هفته 2: مبانی علم داده برای هوش مصنوعی Woche 2: Data-Science-Grundlagen für Künstliche Intelligenz

• مقدمه ای بر هفته 2 – اصول علم داده Einführung in Woche 2 – Data Science Essentials

• روز 1: معرفی NumPy برای محاسبات عددی Tag 1: Einführung in NumPy für numerische Berechnungen

• روز 2: عملیات پیشرفته NumPy Tag 2: Erweiterte NumPy-Operationen

• روز 3: معرفی Pandas برای دستکاری داده ها Tag 3: Einführung in Pandas für Datenmanipulation

• روز 4: پاکسازی و آماده سازی داده ها با Pandas Tag 4: Datenbereinigung und -vorbereitung mit Pandas

• روز 5: تجمیع و گروه بندی داده ها با Pandas Tag 5: Datenaggregation und Gruppierung mit Pandas

• روز 6: مصورسازی داده ها با Matplotlib و Seaborn Tag 6: Datenvisualisierung mit Matplotlib und Seaborn

• روز 7: پروژه تحلیل اکتشافی داده (EDA) Tag 7: Exploratives Datenanalyseprojekt (EDA)

هفته 3: ریاضیات برای یادگیری ماشین و هوش مصنوعی Woche 3: Mathematik für Machine Learning und KI

• مقدمه ای بر هفته 3 – ریاضیات برای ML Einführung in Woche 3 – Mathematik für ML

• روز 1: مبانی جبر خطی Tag 1: Grundlagen der linearen Algebra

• روز 2: جبر خطی پیشرفته Tag 2: Erweiterte lineare Algebra

• روز 3: آنالیز برای ML – مشتقات Tag 3: Analysis für ML – Ableitungen

• روز 4: آنالیز – انتگرال ها و بهینه سازی Tag 4: Analysis – Integrale und Optimierung

• روز 5: نظریه احتمال و توزیع ها Tag 5: Wahrscheinlichkeitstheorie und Verteilungen

• روز 6: مبانی آمار Tag 6: Statistik-Grundlagen

• روز 7: پروژه کوچک ریاضی – رگرسیون خطی از پایه Tag 7: Mathematisches Mini-Projekt – Lineare Regression von Grund auf

هفته 4: احتمال و آمار برای ML و هوش مصنوعی Woche 4: Wahrscheinlichkeit und Statistik für ML & KI

• مقدمه ای بر هفته 4 – احتمال و آمار Einführung in Woche 4 – Wahrscheinlichkeit & Statistik

• روز 1: متغیرهای تصادفی و نظریه احتمال Tag 1: Zufallsvariablen und Wahrscheinlichkeitstheorie

• روز 2: توزیع های احتمال در ML Tag 2: Wahrscheinlichkeitsverteilungen im ML

• روز 3: استنباط آماری – تخمین و بازه های اطمینان Tag 3: Statistische Inferenz – Schätzung & Konfidenzintervalle

• روز 4: آزمون فرضیه و مقادیر p Tag 4: Hypothesentests und p-Werte

• روز 5: انواع آزمون های فرضیه Tag 5: Arten von Hypothesentests

• روز 6: تحلیل همبستگی و رگرسیون Tag 6: Korrelations- und Regressionsanalyse

• روز 7: پروژه آمار – تجزیه و تحلیل مجموعه داده های واقعی Tag 7: Statistikprojekt – Analyse realer Datensätze

هفته 5: مقدمه ای بر یادگیری ماشین Woche 5: Einführung in Machine Learning

• مقدمه ای بر هفته 5 – ML Einführung in Woche 5 – ML

• روز 1: مبانی و اصطلاحات در یادگیری ماشین Tag 1: Grundlagen und Begriffe im Machine Learning

• روز 2: یادگیری نظارت شده و مدل های رگرسیون Tag 2: Überwachtes Lernen & Regressionsmodelle

• روز 3: رگرسیون پیشرفته – چند جمله ای و منظم سازی Tag 3: Erweiterte Regression – Polynom & Regularisierung

• روز 4: طبقه بندی و رگرسیون لجستیک Tag 4: Klassifikation & Logistische Regression

• روز 5: ارزیابی مدل و اعتبارسنجی متقابل Tag 5: Modellbewertung & Cross-Validation

• روز 6: الگوریتم k-نزدیکترین همسایه (k-NN) Tag 6: k-Nearest-Neighbors (k-NN) Algorithmus

• روز 7: پروژه کوچک: یادگیری نظارت شده Tag 7: Mini-Projekt: Überwachtes Lernen

هفته 6: مهندسی ویژگی و ارزیابی مدل Woche 6: Feature Engineering & Modellbewertung

• مقدمه ای بر هفته 6 – مهندسی ویژگی و ارزیابی Einführung in Woche 6 – Feature Engineering & Bewertung

• روز 1: مقدمه ای بر مهندسی ویژگی Tag 1: Einführung in Feature Engineering

• روز 2: مقیاس بندی و نرمال سازی داده ها Tag 2: Skalierung und Normalisierung von Daten

• روز 3: کدگذاری متغیرهای دسته ای Tag 3: Kodierung kategorialer Variablen

• روز 4: تکنیک های انتخاب ویژگی Tag 4: Techniken zur Merkmalsauswahl

• روز 5: ایجاد و تبدیل ویژگی ها Tag 5: Erstellung & Transformation von Merkmalen

• روز 6: روش های ارزیابی برای مدل ها Tag 6: Bewertungsverfahren für Modelle

• روز 7: اعتبارسنجی متقابل و تنظیم بیش پارامتر Tag 7: Cross-Validation & Hyperparameter-Tuning

هفته 7: الگوریتم های پیشرفته ML Woche 7: Fortgeschrittene ML-Algorithmen

• مقدمه ای بر هفته 7 – الگوریتم های پیشرفته Einführung in Woche 7 – Fortgeschrittene Algorithmen

• روز 1: مقدمه ای بر یادگیری جمعی Tag 1: Einführung in Ensemble Learning

• روز 2: Bagging و Random Forests Tag 2: Bagging & Random Forests

• روز 3: Boosting و Gradient Boosting Tag 3: Boosting & Gradient Boosting

• روز 4: معرفی XGBoost Tag 4: Einführung in XGBoost

• روز 5: LightGBM و CatBoost Tag 5: LightGBM & CatBoost

• روز 6: برخورد با داده های نامتعادل Tag 6: Umgang mit unausgeglichenen Daten

• روز 7: پروژه Ensemble – مقایسه مدل بر روی مجموعه داده واقعی Tag 7: Ensemble-Projekt – Modellvergleich auf echtem Datensatz

هفته 8: بهینه سازی مدل و تنظیم دقیق Woche 8: Modelloptimierung & Feintuning

• مقدمه ای بر هفته 8 – بهینه سازی مدل Einführung in Woche 8 – Modelloptimierung

• روز 1: مقدمه ای بر تنظیم بیش پارامتر Tag 1: Einführung in Hyperparameter-Tuning

• روز 2: Grid Search و Random Search Tag 2: Grid Search & Random Search

• روز 3: تنظیم بیزی پیشرفته Tag 3: Bayessches Tuning fortgeschritten

• روز 4: تکنیک های منظم سازی Tag 4: Regularisierungstechniken

• روز 5: اعتبارسنجی متقابل و ارزیابی Tag 5: Cross-Validation & Bewertung

• روز 6: تنظیم خودکار با GridSearchCV و RandomizedSearchCV Tag 6: Automatisches Tuning mit GridSearchCV & RandomizedSearchCV

• روز 7: پروژه بهینه سازی – تنظیم نهایی مدل Tag 7: Optimierungsprojekt – Finale Modellanpassung

هفته 9: شبکه های عصبی و مبانی یادگیری عمیق Woche 9: Neuronale Netze & Deep Learning Grundlagen

• مقدمه ای بر هفته 9 – شبکه های عصبی Einführung in Woche 9 – Neuronale Netze

• روز 1: مقدمه ای بر یادگیری عمیق و شبکه ها Tag 1: Einführung in Deep Learning & Netzwerke

• روز 2: Forward Propagation و توابع فعال سازی Tag 2: Forward Propagation & Aktivierungsfunktionen

• روز 3: توابع زیان و Backpropagation Tag 3: Verlustfunktionen & Backpropagation

• روز 4: Gradient Descent و بهینه سازی Tag 4: Gradientenabstieg & Optimierung

• روز 5: شبکه ها با TensorFlow و Keras Tag 5: Netzwerke mit TensorFlow & Keras

• روز 6: شبکه ها با PyTorch Tag 6: Netzwerke mit PyTorch

• روز 7: پروژه – طبقه بندی تصویر با CIFAR-10 Tag 7: Projekt – Bildklassifikation mit CIFAR-10

هفته 10: شبکه های عصبی کانولوشن (CNNs) Woche 10: Convolutional Neural Networks (CNNs)

• مقدمه ای بر هفته 10 – CNNs Einführung in Woche 10 – CNNs

• روز 1: مقدمه ای بر CNNs Tag 1: Einführung in CNNs

• روز 2: لایه های کانولوشن و فیلترها Tag 2: Convolutional Layers & Filter

• روز 3: Pooling و کاهش ابعاد Tag 3: Pooling & Dimensionsreduktion

• روز 4: CNNs با Keras و TensorFlow Tag 4: CNNs mit Keras & TensorFlow

• روز 5: CNNs با PyTorch Tag 5: CNNs mit PyTorch

• روز 6: منظم سازی و افزایش داده Tag 6: Regularisierung & Datenaugmentation

• روز 7: پروژه – طبقه بندی با Fashion MNIST یا CIFAR-10 Tag 7: Projekt – Klassifikation mit Fashion MNIST oder CIFAR-10

هفته 11: شبکه های عصبی بازگشتی (RNNs) و مدل سازی توالی Woche 11: Recurrent Neural Networks (RNNs) & Sequenzmodellierung

• مقدمه ای بر هفته 11 – RNNs و توالی ها Einführung in Woche 11 – RNNs & Sequenzen

• روز 1: مقدمه ای بر مدل سازی توالی و RNNs Tag 1: Einführung in Sequenzmodellierung & RNNs

• روز 2: معماری RNN و Backpropagation Through Time Tag 2: RNN-Architektur & Backpropagation Through Time

• روز 3: Long Short-Term Memory (LSTM) Tag 3: Long Short-Term Memory (LSTM)

• روز 4: Gated Recurrent Units (GRUs) Tag 4: Gated Recurrent Units (GRUs)

• روز 5: پیش پردازش متن و Word Embeddings Tag 5: Textvorverarbeitung & Word Embeddings

• روز 6: Sequence-to-Sequence مدل ها و کاربردها Tag 6: Sequence-to-Sequence Modelle & Anwendungen

• روز 7: پروژه – تولید متن یا تحلیل احساسات Tag 7: Projekt – Textgenerierung oder Sentimentanalyse

هفته 12: Transformer و مکانیسم های Attention Woche 12: Transformer & Attention-Mechanismen

• مقدمه ای بر هفته 12 – Transformer و Attention Einführung in Woche 12 – Transformer & Attention

• روز 1: مقدمه ای بر مکانیسم های Attention Tag 1: Einführung in Attention-Mechanismen

• روز 2: معماری Transformer Tag 2: Transformer-Architektur

• روز 3: Self-Attention و Multi-Head Attention Tag 3: Self-Attention & Multi-Head Attention

• روز 4: کدگذاری موقعیتی و شبکه های Feed-Forward Tag 4: Positionale Kodierung & Feed-Forward Netzwerke

• روز 5: کار با Transformer های از پیش آموزش داده شده (BERT، GPT) Tag 5: Arbeiten mit vortrainierten Transformers (BERT, GPT)

• روز 6: Transformer های پیشرفته – BERT-Varianten و GPT-3 Tag 6: Fortgeschrittene Transformer – BERT-Varianten & GPT-3

• روز 7: پروژه – خلاصه سازی متن یا ترجمه Tag 7: Projekt – Textzusammenfassung oder Übersetzung

هفته 13: Transfer Learning و Fine-Tuning Woche 13: Transfer Learning & Fine-Tuning

• مقدمه ای بر هفته 13 – Transfer Learning Einführung in Woche 13 – Transfer Learning

• روز 1: مقدمه ای بر Transfer Learning Tag 1: Einführung in Transfer Learning

• روز 2: Transfer Learning در Computer Vision Tag 2: Transfer Learning in Computer Vision

• روز 3: Fine-Tuning در Computer Vision Tag 3: Fine-Tuning in Computer Vision

• روز 4: Transfer Learning در NLP Tag 4: Transfer Learning im NLP

• روز 5: Fine-Tuning در NLP Tag 5: Fine-Tuning im NLP

• روز 6: انطباق دامنه و چالش ها در Transfer Learning Tag 6: Domainanpassung & Herausforderungen im Transfer Learning

• روز 7: پروژه – Fine-Tuning برای وظیفه فردی Tag 7: Projekt – Fine-Tuning für individuelle Aufgabe