آموزش کلاس کارشناسی ارشد مهندسی هوش مصنوعی: از صفر تا قهرمان هوش مصنوعی

سرفصل ها و درس ها

مقدمه دوره Introduction to Course

• مقدمه ای بر کلاس کارشناسی ارشد مهندسی هوش مصنوعی: از صفر تا قهرمان هوش مصنوعی Introduction to AI Engineering Masterclass: From Zero to AI Hero

هفته 1: مبانی برنامه نویسی پایتون Week 1: Python Programming Basics

• مقدمه ای بر مبانی برنامه نویسی پایتون هفته اول Introduction to Week 1 Python Programming Basics

• روز اول: آشنایی با پایتون و راه اندازی توسعه Day 1: Introduction to Python and Development Setup

• روز دوم: 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 (فهرست ها، تاپل ها، دیکشنری ها، مجموعه ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

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

• روز ششم: رسیدگی به پرونده Day 6: File Handling

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

هفته 2: ملزومات علم داده Week 2: Data Science Essentials

• مقدمه هفته 2 ضروریات علم داده Introduction to Week 2 Data Science Essentials

• 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 سوم: معرفی پانداها برای دستکاری داده ها Day 3: Introduction to Pandas for Data Manipulation

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

• روز پنجم: جمع آوری و گروه بندی داده ها در پانداها Day 5: Data Aggregation and Grouping in Pandas

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

• روز هفتم: پروژه تجزیه و تحلیل داده های اکتشافی (EDA). Day 7: Exploratory Data Analysis (EDA) Project

هفته 3: ریاضیات برای یادگیری ماشین Week 3: Mathematics for Machine Learning

• مقدمه ای بر هفته سوم ریاضیات برای یادگیری ماشینی Introduction to Week 3 Mathematics for Machine Learning

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

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

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

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

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

• روز ششم: مبانی آمار Day 6: Statistics Fundamentals

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

هفته 4: احتمال و آمار برای یادگیری ماشین Week 4: Probability and Statistics for Machine Learning

• مقدمه ای بر احتمالات و آمار هفته چهارم برای یادگیری ماشینی Introduction to Week 4 Probability and Statistics for Machine Learning

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

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

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

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

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

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

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

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

• مقدمه ای بر هفته پنجم مقدمه ای بر یادگیری ماشینی Introduction to Week 5 Introduction to Machine Learning

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

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

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

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

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

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

• روز هفتم: مینی پروژه آموزشی تحت نظارت Day 7: Supervised Learning Mini Project

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

• مقدمه ای بر هفته ششم مهندسی ویژگی و ارزیابی مدل Introduction to Week 6 Feature Engineering and Model Evaluation

• روز 1: مقدمه ای بر مهندسی ویژگی Day 1: Introduction to Feature Engineering

• روز 2: مقیاس گذاری و عادی سازی داده ها Day 2: Data Scaling and Normalization

• روز 3: رمزگذاری متغیرهای طبقه بندی شده Day 3: Encoding Categorical Variables

• روز 4: تکنیک های انتخاب ویژگی Day 4: Feature Selection Techniques

• روز پنجم: ایجاد و تبدیل ویژگی ها Day 5: Creating and Transforming Features

• روز ششم: تکنیک های ارزیابی مدل Day 6: Model Evaluation Techniques

• روز هفتم: اعتبارسنجی متقاطع و تنظیم فراپارامتر Day 7: Cross-Validation and Hyperparameter Tuning

هفته 7: الگوریتم های پیشرفته یادگیری ماشین Week 7: Advanced Machine Learning Algorithms

• مقدمه ای بر هفته 7 الگوریتم های یادگیری ماشین پیشرفته Introduction to Week 7 Advanced Machine Learning Algorithms

• روز اول: مقدمه ای بر یادگیری گروهی Day 1: Introduction to Ensemble Learning

• روز 2: کوله بری و جنگل های تصادفی Day 2: Bagging and Random Forests

• روز 3: تقویت و افزایش گرادیان 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 داده های نامتعادل Day 6: Handling Imbalanced Data

• روز 7: پروژه یادگیری گروهی - مقایسه مدل ها در یک مجموعه داده واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

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

• مقدمه ای بر تنظیم و بهینه سازی مدل هفته هشتم Introduction to Week 8 Model Tuning and Optimization

• روز 1: مقدمه ای بر تنظیم فراپارامتر Day 1: Introduction to Hyperparameter Tuning

• روز 2: جستجوی شبکه و جستجوی تصادفی Day 2: Grid Search and Random Search

• روز 3: تنظیم فراپارامتر پیشرفته با بهینه سازی بیزی Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

• روز 4: تکنیک های منظم سازی برای بهینه سازی مدل Day 4: Regularization Techniques for Model Optimization

• روز 5: روش های اعتبارسنجی متقابل و ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

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

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

هفته نهم: شبکه های عصبی و اصول یادگیری عمیق Week 9: Neural Networks and Deep Learning Fundamentals

• مقدمه ای بر هفته نهم شبکه های عصبی و مبانی یادگیری عمیق Introduction to Week 9 Neural Networks and Deep Learning Fundamentals

• روز اول: مقدمه ای بر یادگیری عمیق و شبکه های عصبی Day 1: Introduction to Deep Learning and Neural Networks

• روز 2: توابع انتشار و فعال سازی به جلو Day 2: Forward Propagation and Activation Functions

• روز 3: توابع از دست دادن و پس انتشار Day 3: Loss Functions and Backpropagation

• روز 4: نزول گرادیان و تکنیک های بهینه سازی Day 4: Gradient Descent and Optimization Techniques

• روز پنجم: ساخت شبکه های عصبی با TensorFlow و Keras Day 5: Building Neural Networks with TensorFlow and Keras

• روز ششم: ساخت شبکه های عصبی با PyTorch Day 6: Building Neural Networks with PyTorch

• روز هفتم: پروژه شبکه عصبی – طبقه بندی تصاویر در CIFAR-10 Day 7: Neural Network Project – Image Classification on CIFAR-10

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

• مقدمه ای بر هفته دهم شبکه های عصبی کانولوشنال (CNN) Introduction to Week 10 Convolutional Neural Networks (CNNs)

• روز اول: مقدمه ای بر شبکه های عصبی کانولوشنال Day 1: Introduction to Convolutional Neural Networks

• روز 2: لایه ها و فیلترهای کانولوشن Day 2: Convolutional Layers and Filters

• روز 3: ادغام لایه ها و کاهش ابعاد Day 3: Pooling Layers and Dimensionality Reduction

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

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

• روز ششم: منظم سازی و افزایش داده برای CNN ها Day 6: Regularization and Data Augmentation for CNNs

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

هفته یازدهم: شبکه های عصبی مکرر (RNN) و مدل سازی توالی Week 11: Recurrent Neural Networks (RNNs) and Sequence Modeling

• مقدمه ای بر هفته یازدهم شبکه های عصبی مکرر (RNN) و مدل سازی توالی Introduction to Week 11 Recurrent Neural Networks (RNNs) and Sequence Modeling

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

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

• روز 3: شبکه های حافظه کوتاه مدت (LSTM). Day 3: Long Short-Term Memory (LSTM) Networks

• روز 4: واحدهای مکرر دردار (GRU) Day 4: Gated Recurrent Units (GRUs)

• روز پنجم: پیش پردازش متن و جاسازی کلمه برای RNN Day 5: Text Preprocessing and Word Embeddings for RNNs

• روز ششم: مدل ها و برنامه های دنباله به دنباله Day 6: Sequence-to-Sequence Models and Applications

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

هفته دوازدهم: ترانسفورماتورها و مکانیسم های توجه Week 12: Transformers and Attention Mechanisms

• مقدمه ای بر ترانسفورماتورها و مکانیسم های توجه هفته دوازدهم Introduction to Week 12 Transformers and Attention Mechanisms

• روز اول: مقدمه ای بر مکانیسم های توجه Day 1: Introduction to Attention Mechanisms

• روز دوم: مقدمه ای بر معماری ترانسفورماتورها Day 2: Introduction to Transformers Architecture

• روز سوم: توجه به خود و توجه چند سر در ترانسفورماتورها Day 3: Self-Attention and Multi-Head Attention in Transformers

• روز 4: شبکه‌های رمزگذاری موقعیتی و فید فوروارد Day 4: Positional Encoding and Feed-Forward Networks

• روز 5: کار با ترانسفورماتورهای از پیش آموزش دیده - BERT و GPT Day 5: Hands-On with Pre-Trained Transformers – BERT and GPT

• روز ششم: ترانسفورماتورهای پیشرفته - انواع BERT و GPT-3 Day 6: Advanced Transformers – BERT Variants and GPT-3

• روز هفتم: پروژه تبدیل - خلاصه یا ترجمه متن Day 7: Transformer Project – Text Summarization or Translation

هفته 13: آموزش انتقال و تنظیم دقیق Week 13: Transfer Learning and Fine-Tuning

• مقدمه هفته سیزدهم آموزش انتقال و تنظیم دقیق Introduction to Week 13 Transfer Learning and Fine-Tuning

• روز اول: مقدمه ای بر یادگیری انتقالی Day 1: Introduction to Transfer Learning

• روز دوم: آموزش انتقال در کامپیوتر ویژن Day 2: Transfer Learning in Computer Vision

• روز سوم: تکنیک های تنظیم دقیق در بینایی کامپیوتر Day 3: Fine-Tuning Techniques in Computer Vision

• روز 4: آموزش انتقال در NLP Day 4: Transfer Learning in NLP

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

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

• روز 7: پروژه آموزش انتقال - تنظیم دقیق برای یک کار سفارشی Day 7: Transfer Learning Project – Fine-Tuning for a Custom Task