آموزش دوره جامع مهندسی هوش مصنوعی ۲۰۲۶؛ GenAI، یادگیری عمیق، ماشین لرنینگ و LLM - آخرین آپدیت

سرفصل ها و درس ها

خوش‌آمدگویی و مسیر تبدیل شدن به مهندس Full-Stack AI Welcome & Full-Stack AI Engineer Journey

• 1.1. خوش‌آمدگویی به برنامه جامع مهندسی Full-Stack AI 1.1. Welcome to the Full-Stack AI Engineer Master Program

• 1.2. مهندس Full-Stack AI در سال ۲۰۲۶ کیست؟ 1.2. Who Is a Full-Stack AI Engineer in 2026?

• 1.3. ساختار جامع و End-to-End این دوره 1.3. How This Course Is Structured End-to-End

• 1.4. ابزارها، استک و مهارت‌هایی که استفاده خواهید کرد 1.4. Tools, Stack & Skills You’ll Use Throughout

• 1.5. چگونه تداوم داشته باشیم و دوره را با موفقیت به پایان برسانیم 1.5. How to Stay Consistent & Finish Strong

پایه‌های پایتون برای هوش مصنوعی و یادگیری ماشین Python Foundations for AI & ML

• 2.1. مرور پایتون برای مهندسین AI 2.1. Python Refresher for AI Engineers

• 2.2. کتابخانه NumPy برای محاسبات عددی 2.2. NumPy for Numerical Computing

• 2.3. مدیریت داده‌ها با Pandas 2.3. Data Handling with Pandas

• 2.4. نوشتن کد ML تمیز و ماژولار 2.4. Writing Clean, Modular ML Code

• 2.5. عملی: آزمایشگاه گرم‌کردن با پایتون 2.5. Hands-On: Python Warm-Up Lab

• ایجنت هوش مصنوعی Clawdbot Moltbot Clawdbot Moltbot The AI Agent

درک داده‌ها و تحلیل اکتشافی Data Understanding & Exploratory Analysis

• 3.1. درک ساختار مجموعه داده‌ها (Dataset) 3.1. Understanding Dataset Structure

• 3.2. مقادیر گم‌شده، نویز و داده‌های پرت (Outliers) 3.2. Missing Values, Noise & Outliers

• 3.3. بصری‌سازی داده‌ها با Matplotlib 3.3. Visualizing Data with Matplotlib

• 3.4. روابط ویژگی‌ها و همبستگی‌ها 3.4. Feature Relationships & Correlations

• 3.5. عملی: مینی‌پروژه تحلیل اکتشافی داده‌ها (EDA) 3.5. Hands-On: EDA Mini Project

مفاهیم اصلی یادگیری ماشین Core Machine Learning Concepts

• 4.1. یادگیری ماشین چیست؟ 4.1. What Is Machine Learning?

• 4.2. یادگیری نظارت‌شده در مقابل بدون نظارت 4.2. Supervised vs Unsupervised Learning

• 4.3. مسائل رگرسیون در مقابل طبقه‌بندی 4.3. Regression vs Classification Problems

• 4.4. تقسیم‌بندی داده‌ها به آموزش، اعتبارسنجی و تست 4.4. Train / Validation / Test Splits

• 4.5. گردش کار End-to-End در یادگیری ماشین 4.5. End-to-End ML Workflow

مدل‌سازی رگرسیون Regression Modeling

• 5.1. شهود رگرسیون خطی 5.1. Linear Regression Intuition

• 5.2. ریاضیات رگرسیون خطی (ساده شده) 5.2. Linear Regression Math (Simplified)

• 5.3. پیاده‌سازی رگرسیون خطی در پایتون 5.3. Implementing Linear Regression in Python

• 5.4. ارزیابی مدل: MSE، RMSE و R² 5.4. Model Evaluation: MSE, RMSE & R²

• 5.5. تعادل بایاس-واریانس 5.5. Bias–Variance Tradeoff

• 5.6. مینی‌پروژه: پیش‌بینی مقادیر پیوسته 5.6. Mini Project: Continuous Value Prediction

الگوریتم‌های طبقه‌بندی Classification Algorithms

• 6.1. توضیح رگرسیون لجستیک 6.1. Logistic Regression Explained

• 6.2. پیاده‌سازی رگرسیون لجستیک 6.2. Implementing Logistic Regression

• 6.3. الگوریتم K-نزدیک‌ترین همسایه (KNN) 6.3. K-Nearest Neighbors (KNN)

• 6.4. درخت‌های تصمیم و منطق تقسیم 6.4. Decision Trees & Split Logic

• 6.5. بررسی عمیق معیارهای طبقه‌بندی 6.5. Classification Metrics Deep Dive

• 6.6. مینی‌پروژه: سیستم طبقه‌بندی باینری 6.6. Mini Project: Binary Classification System

تکنیک‌های یادگیری Ensemble Ensemble Learning Techniques

• 7.1. چرا مدل‌های تک‌گانه شکست می‌خورند؟ 7.1. Why Single Models Break

• 7.2. توضیح جنگل‌های تصادفی (Random Forests) 7.2. Random Forests Explained

• 7.3. شهود Gradient Boosting 7.3. Gradient Boosting Intuition

• 7.4. اهمیت ویژگی‌ها و تفسیرپذیری مدل 7.4. Feature Importance & Interpretability

• 7.5. عملی: ارتقای عملکرد مدل با Boosting 7.5. Hands-On: Boosting Model Performance

یادگیری بدون نظارت و کشف الگو Unsupervised Learning & Pattern Discovery

• 8.1. درک یادگیری بدون نظارت 8.1. Understanding Unsupervised Learning

• 8.2. خوشه‌بندی K-Means 8.2. K-Means Clustering

• 8.3. انتخاب تعداد بهینه خوشه‌ها 8.3. Choosing Optimal Number of Clusters

• 8.4. کاهش ابعاد با استفاده از PCA 8.4. Dimensionality Reduction with PCA

• 8.5. موارد استفاده صنعتی از خوشه‌بندی 8.5. Industry Use Cases of Clustering

مهندسی ویژگی‌ها و بهینه‌سازی مدل Feature Engineering & Model Optimization

• 9.1. مقیاس‌بندی ویژگی‌ها و نرمال‌سازی 9.1. Feature Scaling & Normalization

• 9.2. کدگذاری متغیرهای دسته‌ای (Categorical) 9.2. Encoding Categorical Variables

• 9.3. استراتژی‌های انتخاب ویژگی 9.3. Feature Selection Strategies

• 9.4. توضیح اعتبارسنجی متقاطع (Cross Validation) 9.4. Cross-Validation Explained

• 9.5. تنظیم هایپرپارامترها (Grid و Random Search) 9.5. Hyperparameter Tuning (Grid & Random Search)

خط لوله‌های ML و بهترین متدهای مهندسی ML Pipelines & Engineering Best Practices

• 10.1. ساخت خط لوله‌های (Pipelines) یادگیری ماشین 10.1. Building ML Pipelines

• 10.2. جلوگیری از نشت داده‌ها (Data Leakage) 10.2. Preventing Data Leakage

• 10.3. تکرارپذیری در یادگیری ماشین 10.3. Reproducibility in Machine Learning

• 10.4. اشتباهات رایج در ML که باید از آن‌ها اجتناب کرد 10.4. Common ML Mistakes to Avoid

پایه‌های یادگیری عمیق Deep Learning Foundations

• 11.1. یادگیری عمیق چیست و چرا اهمیت دارد؟ 11.1. What Is Deep Learning & Why It Matters

• 11.2. یادگیری ماشین در مقابل یادگیری عمیق 11.2. Machine Learning vs Deep Learning

• 11.3. موارد استفاده صنعتی از یادگیری عمیق 11.3. Deep Learning Use Cases in Industry

• 11.4. نقشه راه یادگیری عمیق برای مهندسین AI 11.4. Deep Learning Roadmap for AI Engineers

• 11.5. ابزارها و فریم‌ورک‌ها (PyTorch / TensorFlow) 11.5. Tools & Frameworks (PyTorch / TensorFlow)

اصول شبکه‌های عصبی Neural Network Fundamentals

• 12.1. الهامات بیولوژیکی شبکه‌های عصبی 12.1. Biological Inspiration of Neural Networks

• 12.2. نورون‌های مصنوعی و پرسپترون‌ها 12.2. Artificial Neurons & Perceptrons

• 12.3. لایه‌ها، وزن‌ها و بایاس‌ها 12.3. Layers, Weights & Biases

• 12.4. توضیح انتشار پیشرو (Forward Propagation) 12.4. Forward Propagation Explained

• 12.5. عملی: ساخت شبکه عصبی از صفر 12.5. Hands-On: Neural Network from Scratch

توابع فعال‌ساز و توابع هزینه Activations & Loss Functions

• 13.1. چرا توابع فعال‌ساز اهمیت دارند؟ 13.1. Why Activation Functions Matter

• 13.2. توابع Sigmoid، Tanh، ReLU و انواع آن‌ها 13.2. Sigmoid, Tanh, ReLU & Variants

• 13.3. انتخاب تابع فعال‌ساز مناسب 13.3. Choosing the Right Activation

• 13.4. توابع هزینه برای رگرسیون و طبقه‌بندی 13.4. Loss Functions for Regression & Classification

• 13.5. عملی: بصری‌سازی فعال‌سازها و هزینه 13.5. Hands-On: Visualizing Activations & Loss

آموزش شبکه‌های عصبی Training Neural Networks

• 14.1. شهود گرادینت نزولی (Gradient Descent) 14.1. Gradient Descent Intuition

• 14.2. پس‌انتشار یا Backpropagation (ساده شده) 14.2. Backpropagation (Simplified)

• 14.3. نرخ یادگیری و همگرایی 14.3. Learning Rate & Convergence

• 14.4. بهینه‌سازها: SGD، Momentum و Adam 14.4. Optimizers: SGD, Momentum, Adam

تعمیم‌پذیری و منظم‌سازی (Regularization) Generalization & Regularization

• 15.1. بایاس-واریانس در یادگیری عمیق 15.1. Bias–Variance in Deep Learning

• 15.2. بیش‌برازش (Overfitting) در شبکه‌های عصبی 15.2. Overfitting in Neural Networks

• 15.3. منظم‌سازی L1 و L2 15.3. L1 & L2 Regularization

• 15.4. Dropout و Batch Normalization 15.4. Dropout & Batch Normalization

یادگیری عمیق با PyTorch / TensorFlow Deep Learning with PyTorch / TensorFlow

• 16.1. تنسورها و گراف‌های محاسباتی 16.1. Tensors & Computation Graphs

• 16.2. ساخت شبکه‌ها با استفاده از ماژول‌ها 16.2. Building Networks Using Modules

• 16.3. حلقه‌های آموزش و ارزیابی 16.3. Training Loops & Evaluation

• 16.4. مبانی شتاب‌دهنده GPU 16.4. GPU Acceleration Basics

پایه‌های بینایی ماشین (Computer Vision) Computer Vision Foundations

• 17.1. چرا CNNها از شبکه‌های متراکم بهترند؟ 17.1. Why CNNs Beat Dense Networks

• 17.2. کانولوشن‌ها، فیلترها و نقشه‌های ویژگی 17.2. Convolutions, Filters & Feature Maps

• 17.3. توضیح لایه‌های Pooling 17.3. Pooling Layers Explained

• 17.4. بررسی معماری CNN 17.4. CNN Architecture Walkthrough

مدل‌های توالی و سری‌های زمانی Sequential & Time-Series Models

• 18.1. چرا داده‌های توالی متفاوت هستند؟ 18.1. Why Sequential Data Is Different

• 18.2. شبکه‌های عصبی بازگشتی (RNNs) 18.2. Recurrent Neural Networks (RNNs)

• 18.3. شهود LSTM و GRU 18.3. LSTM & GRU Intuition

• 18.4. موارد استفاده: سری‌های زمانی و متن 18.4. Use Cases: Time Series & Text

بهترین متدهای مهندسی یادگیری عمیق Deep Learning Engineering Best Practices

• 19.1. استراتژی‌های مقداردهی اولیه وزن‌ها 19.1. Weight Initialization Strategies

• 19.2. دیباگ کردن مدل‌های یادگیری عمیق 19.2. Debugging Deep Learning Models

• 19.3. مانیتورینگ منحنی‌های آموزش و اعتبارسنجی 19.3. Monitoring Training & Validation Curves

• 19.4. تکرارپذیری در یادگیری عمیق 19.4. Reproducibility in Deep Learning

• 19.5. ذخیره‌سازی، بارگذاری و نسخه‌بندی مدل‌ها 19.5. Saving, Loading & Versioning Models

پایه‌های هوش مصنوعی مولد (Generative AI) Generative AI Foundations

• 20.1. هوش مصنوعی مولد چیست؟ 20.1. What Is Generative AI?

• 20.2. تکامل مدل‌های مولد 20.2. Evolution of Generative Models

• 20.3. چشم‌انداز هوش مصنوعی مولد 20.3. Generative AI Landscape

معماری ترنسفورمر و LLM Transformer Architecture & LLM

• 21.1. کالبدشناسی ترنسفورمرها 21.1. Anatomy of Transformers

• 21.2. توکن‌ها، Embeddingها و پنجره‌های متنی 21.2. Tokens, Embeddings & Context Windows

• 21.3. LLMها چگونه آموزش می‌بینند؟ 21.3. How LLMs Are Trained

کاربرد عملی مدل‌های زبانی بزرگ Large Language Models in Practice

• 22.1. خانواده‌های محبوب LLM 22.1. Popular LLM Families

• 22.2. توانایی‌ها و محدودیت‌های LLM 22.2. LLM Capabilities & Limitations

• 22.3. استفاده از APIهای LLM 22.3. Using LLM APIs

مهندسی پرامپت برای مهندسان Prompt Engineering for Engineers

• 23.1. مبانی طراحی پرامپت 23.1. Prompt Design Fundamentals

• 23.2. تکنیک‌های پیشرفته پرامپت‌نویسی 23.2. Advanced Prompting Techniques

• 23.3. استحکام و امنیت پرامپت 23.3. Prompt Robustness & Safety

Embeddingها و جستجوی معنایی Embeddings & Semantic Search

• 24.1. Embeddingها چیستند؟ 24.1. What Are Embeddings?

• 24.2. ساخت خط لوله‌های جستجوی معنایی 24.2. Building Semantic Search Pipelines

• 24.3. پایگاه داده‌های برداری (Vector Databases) 24.3. Vector Databases

نسل بازیابی تقویت‌شده (RAG) Retrieval-Augmented Generation (RAG)

• 25.1. چرا RAG مورد نیاز است؟ 25.1. Why RAG is Needed

• 25.2. معماری RAG 25.2. RAG Architecture

• 25.3. تکنیک‌های پیشرفته RAG 25.3. Advanced RAG Techniques

فراخوانی ابزارها و LLMهای مبتنی بر تابع Tool Calling & Function-Based LLMs

• 26.1. LLMهای کاربر ابزار (Tool Using) 26.1. Tool-Using LLMs

• 26.2. طراحی ابزارها برای LLMها 26.2. Designing Tools for LLMs

• 26.3. استدلال چندمرحله‌ای با ابزارها 26.3. Multi-Step Reasoning with Tools

سیستم‌های هوش مصنوعی عامل‌محور (Agentic AI) Agentic AI Systems

• 27.1. ایجنت‌های AI چیستند؟ 27.1. What Are AI Agents?

• 27.2. معماری‌های ایجنت 27.2. Agent Architectures

• 27.3. ساخت ایجنت‌های کاربردی 27.3. Building Practical Agents

ساخت اپلیکیشن Full-Stack با LLM Full-Stack LLM Application

• 28.1. معماری بک‌اند برای اپلیکیشن‌های LLM 28.1. Backend Architecture for LLM Apps

• 28.2. یکپارچه‌سازی فرانت‌اند با LLM 28.2. Frontend → LLM Integration

• 28.3. مدیریت وضعیت (State)، حافظه و کانتکست 28.3. State, Memory & Context Management

ارزیابی، هزینه و عملکرد Evaluation, Cost & Performance

• 29.1. ارزیابی خروجی‌های LLM 29.1. Evaluating LLM Outputs

• 29.2. بهینه‌سازی هزینه 29.2. Cost Optimization

• 29.3. ملاحظات تأخیر و مقیاس‌پذیری 29.3. Latency & Scaling Considerations

اخلاق، امنیت و هوش مصنوعی مسئولانه Ethics, Security & Responsible AI

• 30.1. ملاحظات اخلاقی در هوش مصنوعی مولد 30.1. Ethical Considerations in Generative AI

• 30.2. ریسک‌های امنیتی 30.2. Security Risks

• 30.3. نرده‌های حفاظتی (Guardrails) و حاکمیت 30.3. Guardrails & Governance

نحوه دریافت گواهینامه How to get your Certificate

• گواهینامه Certificate