آموزش دوره جامع مهندسی هوش مصنوعی (AI Engineer Explorer) - آخرین آپدیت

سرفصل ها و درس ها

معرفی دوره و مدرس Introduction to Course and Instructor

• آنچه در دوره مهندسی هوش مصنوعی خواهید آموخت What You'll Learn in the AI Engineer Explorer Course

مبانی برنامه‌نویسی پایتون برای هوش مصنوعی Python Programming Basics for Artificial Intelligence

• روز اول: مقدمه‌ای بر پایتون و آماده‌سازی محیط توسعه Day 1: Introduction to Python and Development Setup

• روز دوم: جریان کنترل (Control Flow) 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 و مجموعه‌ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

• روز پنجم: کار با رشته‌ها (Strings) Day 5: Working with Strings

• روز ششم: مدیریت فایل‌ها Day 6: File Handling

• روز هفتم: کدنویسی به سبک پایتون (Pythonic) و کار روی پروژه Day 7: Pythonic Code and Project Work

ضروریات علوم داده برای هوش مصنوعی Data Science Essentials for Artificial Intelligence

• روز اول: مقدمه‌ای بر 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: مقدمه‌ای بر 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

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

• 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

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

• 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 فرض و P-Valueها Day 4: Hypothesis Testing and P-Values

• روز پنجم: انواع آزمون‌های فرض 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

آشنایی با یادگیری ماشین Introduction to Machine Learning

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

• روز دوم: مقدمه‌ای بر یادگیری نظارت‌شده و مدل‌های رگرسیون Day 2: Introduction to Supervised Learning and Regression Models

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

• روز چهارم: مقدمه‌ای بر طبقه‌بندی (Classification) 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 (k-NN) Day 6: k-Nearest Neighbors (k-NN) Algorithm

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