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

سرفصل ها و درس ها

معرفی دوره Introdução ao Curso

• معرفی مسترکلاس مهندسی هوش مصنوعی: از صفر تا قهرمان هوش مصنوعی Introdução à Masterclass de Engenharia de IA: Do Zero ao Herói da IA

• منابع دوره – ارائه ها و فایل های کد Recursos do Curso – Apresentações e Arquivos de Código

هفته 1: مبانی برنامه نویسی پایتون برای هوش مصنوعی Semana 1: Fundamentos de Programação em Python para Inteligência Artificial

• معرفی هفته 1 – مبانی پایتون Introdução à Semana 1 – Fundamentos de Python

• روز 1: معرفی پایتون و پیکربندی محیط توسعه Dia 1: Introdução ao Python e Configuração do Ambiente de Desenvolvimento

• روز 2: کنترل جریان در پایتون Dia 2: Controle de Fluxo em Python

• روز 3: توابع و ماژول ها Dia 3: Funções e Módulos

• روز 4: ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها) Dia 4: Estruturas de Dados (Listas, Tuplas, Dicionários, Conjuntos)

• روز 5: کار با رشته ها Dia 5: Trabalhando com Strings

• روز 6: دستکاری فایل ها Dia 6: Manipulação de Arquivos

• روز 7: کد پایتونیک و کار روی پروژه Dia 7: Código Pythonic e Trabalho de Projeto

هفته 2: مبانی علم داده برای هوش مصنوعی Semana 2: Fundamentos de Ciência de Dados para Inteligência Artificial

• معرفی هفته 2 – مبانی علم داده Introdução à Semana 2 – Fundamentos de Ciência de Dados

• روز 1: معرفی NumPy برای محاسبات عددی Dia 1: Introdução ao NumPy para Computação Numérica

• روز 2: عملیات پیشرفته با NumPy Dia 2: Operações Avançadas com NumPy

• روز 3: معرفی Pandas برای دستکاری داده ها Dia 3: Introdução ao Pandas para Manipulação de Dados

• روز 4: پاکسازی و آماده سازی داده ها با Pandas Dia 4: Limpeza e Preparação de Dados com Pandas

• روز 5: تجمیع و گروه بندی داده ها با Pandas Dia 5: Agregação e Agrupamento de Dados com Pandas

• روز 6: تجسم داده ها با Matplotlib و Seaborn Dia 6: Visualização de Dados com Matplotlib e Seaborn

• روز 7: پروژه تحلیل اکتشافی داده ها (EDA) Dia 7: Projeto de Análise Exploratória de Dados (EDA)

هفته 3: ریاضیات برای یادگیری ماشین و هوش مصنوعی Semana 3: Matemática para Machine Learning e Inteligência Artificial

• معرفی هفته 3 – ریاضیات برای ML Introdução à Semana 3 – Matemática para ML

• روز 1: مبانی جبر خطی Dia 1: Fundamentos de Álgebra Linear

• روز 2: مفاهیم پیشرفته جبر خطی Dia 2: Conceitos Avançados de Álgebra Linear

• روز 3: حساب دیفرانسیل و انتگرال برای یادگیری ماشین (مشتقات) Dia 3: Cálculo para Machine Learning (Derivadas)

• روز 4: حساب دیفرانسیل و انتگرال برای یادگیری ماشین (انتگرال ها و بهینه سازی) Dia 4: Cálculo para Machine Learning (Integrais e Otimização)

• روز 5: نظریه احتمالات و توزیع ها Dia 5: Teoria das Probabilidades e Distribuições

• روز 6: مبانی آمار Dia 6: Fundamentos de Estatística

• روز 7: مینی پروژه ریاضی – رگرسیون خطی از صفر Dia 7: Mini Projeto Matemático – Regressão Linear do Zero

هفته 4: احتمالات و آمار برای ML و IA Semana 4: Probabilidades e Estatística para ML e IA

• معرفی هفته 4 – احتمالات و آمار Introdução à Semana 4 – Probabilidades e Estatística

• روز 1: نظریه احتمالات و متغیرهای تصادفی Dia 1: Teoria das Probabilidades e Variáveis Aleatórias

• روز 2: توزیع های احتمال در یادگیری ماشین Dia 2: Distribuições de Probabilidade em Machine Learning

• روز 3: استنباط آماری – تخمین ها و فواصل اطمینان Dia 3: Inferência Estatística – Estimativas e Intervalos de Confiança

• روز 4: آزمون های فرضیه و مقادیر-p Dia 4: Testes de Hipóteses e Valores-p

• روز 5: انواع آزمون های فرضیه Dia 5: Tipos de Testes de Hipóteses

• روز 6: همبستگی و تحلیل رگرسیون Dia 6: Correlação e Análise de Regressão

• روز 7: پروژه تحلیل آماری – تجزیه و تحلیل داده های واقعی Dia 7: Projeto de Análise Estatística – Analisando Dados Reais

هفته 5: مقدمه ای بر یادگیری ماشین Semana 5: Introdução ao Machine Learning

• معرفی هفته 5 – یادگیری ماشین Introdução à Semana 5 – Machine Learning

• روز 1: مبانی و اصطلاحات یادگیری ماشین Dia 1: Fundamentos e Terminologia de Machine Learning

• روز 2: مقدمه ای بر یادگیری نظارت شده و مدل های رگرسیون Dia 2: Introdução ao Aprendizado Supervisionado e Modelos de Regressão

• روز 3: مدل های پیشرفته رگرسیون – رگرسیون چند جمله ای و منظم سازی Dia 3: Modelos Avançados de Regressão – Regressão Polinomial e Regularização

• روز 4: مقدمه ای بر طبقه بندی و رگرسیون لجستیک Dia 4: Introdução à Classificação e Regressão Logística

• روز 5: ارزیابی مدل ها و اعتبارسنجی متقابل Dia 5: Avaliação de Modelos e Validação Cruzada

• روز 6: الگوریتم k-نزدیکترین همسایه (k-NN) Dia 6: Algoritmo dos k-Nearest Neighbors (k-NN)

• روز 7: مینی پروژه یادگیری نظارت شده Dia 7: Mini Projeto de Aprendizado Supervisionado

هفته 6: مهندسی ویژگی و ارزیابی مدل ها Semana 6: Engenharia de Características e Avaliação de Modelos

• معرفی هفته 6 – مهندسی ویژگی Introdução à Semana 6 – Engenharia de Características

• روز 1: مقدمه ای بر مهندسی ویژگی Dia 1: Introdução à Engenharia de Características

• روز 2: مقیاس بندی و نرمال سازی داده ها Dia 2: Escalonamento e Normalização de Dados

• روز 3: کدگذاری متغیرهای دسته بندی Dia 3: Codificação de Variáveis Categóricas

• روز 4: تکنیک های انتخاب ویژگی Dia 4: Técnicas de Seleção de Características

• روز 5: ایجاد و تبدیل ویژگی ها Dia 5: Criação e Transformação de Características

• روز 6: تکنیک های ارزیابی مدل ها Dia 6: Técnicas de Avaliação de Modelos

• روز 7: اعتبارسنجی متقابل و تنظیم ابرپارامترها Dia 7: Validação Cruzada e Ajuste de Hiperparâmetros

هفته 7: الگوریتم های پیشرفته یادگیری ماشین Semana 7: Algoritmos Avançados de Machine Learning

• معرفی هفته 7 – الگوریتم های پیشرفته Introdução à Semana 7 – Algoritmos Avançados

• روز 1: مقدمه ای بر یادگیری گروهی (Ensemble Learning) Dia 1: Introdução ao Aprendizado por Conjunto (Ensemble Learning)

• روز 2: Bagging و Random Forests Dia 2: Bagging e Random Forests

• روز 3: Boosting و Gradient Boosting Dia 3: Boosting e Gradient Boosting

• روز 4: مقدمه ای بر XGBoost Dia 4: Introdução ao XGBoost

• روز 5: LightGBM و CatBoost Dia 5: LightGBM e CatBoost

• روز 6: برخورد با داده های نامتعادل Dia 6: Tratamento de Dados Desbalanceados

• روز 7: پروژه Ensemble Learning – مقایسه مدل ها Dia 7: Projeto de Ensemble Learning – Comparação de Modelos

هفته 8: تنظیم و بهینه سازی مدل ها Semana 8: Ajuste e Otimização de Modelos

• معرفی هفته 8 – تنظیم مدل ها Introdução à Semana 8 – Ajuste de Modelos

• روز 1: مقدمه ای بر تنظیم ابرپارامترها Dia 1: Introdução ao Ajuste de Hiperparâmetros

• روز 2: جستجوی شبکه ای (Grid Search) و جستجوی تصادفی Dia 2: Busca em Grade (Grid Search) e Busca Aleatória

• روز 3: تنظیم پیشرفته با بهینه سازی بیزی Dia 3: Ajuste Avançado com Otimização Bayesiana

• روز 4: تکنیک های منظم سازی Dia 4: Técnicas de Regularização

• روز 5: اعتبارسنجی متقابل و ارزیابی مدل ها Dia 5: Validação Cruzada e Avaliação de Modelos

• روز 6: تنظیم خودکار با GridSearchCV و RandomizedSearchCV Dia 6: Ajuste Automatizado com GridSearchCV e RandomizedSearchCV

• روز 7: پروژه بهینه سازی – ساخت و تنظیم مدل نهایی Dia 7: Projeto de Otimização – Construção e Ajuste do Modelo Final

هفته 9: شبکه های عصبی و مبانی یادگیری عمیق Semana 9: Redes Neurais e Fundamentos de Deep Learning

• معرفی هفته 9 – شبکه های عصبی و یادگیری عمیق Introdução à Semana 9 – Redes Neurais e Deep Learning

• روز 1: مقدمه ای بر یادگیری عمیق و شبکه های عصبی Dia 1: Introdução ao Deep Learning e Redes Neurais

• روز 2: انتشار مستقیم و توابع فعال سازی Dia 2: Propagação Direta e Funções de Ativação

• روز 3: توابع ضرر و Backpropagation Dia 3: Funções de Perda e Backpropagation

• روز 4: گرادیان کاهشی و تکنیک های بهینه سازی Dia 4: Gradiente Descendente e Técnicas de Otimização

• روز 5: ساخت شبکه های عصبی با TensorFlow و Keras Dia 5: Construção de Redes Neurais com TensorFlow e Keras

• روز 6: ساخت شبکه های عصبی با PyTorch Dia 6: Construção de Redes Neurais com PyTorch

• روز 7: پروژه – طبقه بندی تصاویر با CIFAR-10 Dia 7: Projeto – Classificação de Imagens com CIFAR-10

هفته 10: شبکه های عصبی کانولوشن (CNNs) Semana 10: Redes Neurais Convolucionais (CNNs)

• معرفی هفته 10 – CNNs Introdução à Semana 10 – CNNs

• روز 1: مقدمه ای بر شبکه های عصبی کانولوشن Dia 1: Introdução às Redes Neurais Convolucionais

• روز 2: لایه های کانولوشن و فیلترها Dia 2: Camadas Convolucionais e Filtros

• روز 3: لایه های Pooling و کاهش ابعاد Dia 3: Camadas de Pooling e Redução Dimensional

• روز 4: ساخت CNNs با Keras و TensorFlow Dia 4: Construindo CNNs com Keras e TensorFlow

• روز 5: ساخت CNNs با PyTorch Dia 5: Construindo CNNs com PyTorch

• روز 6: منظم سازی و افزایش داده ها برای CNNs Dia 6: Regularização e Aumento de Dados para CNNs

• روز 7: پروژه CNN – طبقه بندی تصاویر در Fashion MNIST یا CIFAR-10 Dia 7: Projeto de CNN – Classificação de Imagens no Fashion MNIST ou CIFAR-10

هفته 11: شبکه های عصبی بازگشتی (RNNs) و مدل سازی دنباله Semana 11: Redes Neurais Recorrentes (RNNs) e Modelagem de Sequências

• معرفی هفته 11 – RNNs و مدل سازی ترتیبی Introdução à Semana 11 – RNNs e Modelagem Sequencial

• روز 1: مقدمه ای بر مدل سازی دنباله و RNNs Dia 1: Introdução à Modelagem de Sequências e RNNs

• روز 2: درک معماری RNNs و Backpropagation Through Time Dia 2: Entendendo Arquiteturas de RNNs e Backpropagation Through Time

• روز 3: شبکه های LSTM (Long Short-Term Memory) Dia 3: Redes LSTM (Long Short-Term Memory)

• روز 4: واحدهای بازگشتی Gate دار (GRUs) Dia 4: Unidades Recorrentes Gated (GRUs)

• روز 5: پیش پردازش متن و Embeddings کلمات Dia 5: Pré-processamento de Texto e Embeddings de Palavras

• روز 6: مدل های Seq2Seq و کاربردها Dia 6: Modelos Seq2Seq e Aplicações

• روز 7: پروژه RNN – تولید متن یا تجزیه و تحلیل احساسات Dia 7: Projeto de RNN – Geração de Texto ou Análise de Sentimentos

هفته 12: Transformers و مکانیسم های توجه Semana 12: Transformers e Mecanismos de Atenção

• معرفی هفته 12 – Transformers و توجه Introdução à Semana 12 – Transformers e Atenção

• روز 1: مقدمه ای بر مکانیسم های توجه Dia 1: Introdução aos Mecanismos de Atenção

• روز 2: معماری Transformers Dia 2: Arquitetura dos Transformers

• روز 3: Self-Attention و Multi-Head Attention Dia 3: Self-Attention e Multi-Head Attention

• روز 4: کدگذاری موقعیتی و شبکه های Feedforward Dia 4: Codificação Posicional e Redes Feedforward

• روز 5: کار با Transformers پیش آموزش دیده – BERT و GPT Dia 5: Trabalhando com Transformers Pré-Treinados – BERT e GPT

• روز 6: Transformers پیشرفته – انواع BERT و GPT-3 Dia 6: Transformers Avançados – Variantes de BERT e GPT-3

• روز 7: پروژه Transformer – خلاصه سازی یا ترجمه متن Dia 7: Projeto de Transformer – Resumo ou Tradução de Texto

هفته 13: Transfer Learning و Fine-Tuning Semana 13: Transfer Learning e Fine-Tuning

• معرفی هفته 13 – Transfer Learning Introdução à Semana 13 – Transfer Learning

• روز 1: مقدمه ای بر یادگیری انتقالی Dia 1: Introdução ao Aprendizado por Transferência

• روز 2: Transfer Learning در بینایی کامپیوتر Dia 2: Transfer Learning em Visão Computacional

• روز 3: تکنیک های Fine-Tuning در بینایی کامپیوتر Dia 3: Técnicas de Fine-Tuning em Visão Computacional

• روز 4: Transfer Learning در پردازش زبان طبیعی (NLP) Dia 4: Transfer Learning em Processamento de Linguagem Natural (NLP)

• روز 5: تکنیک های Fine-Tuning در NLP Dia 5: Técnicas de Fine-Tuning em NLP

• روز 6: انطباق دامنه و چالش ها در Transfer Learning Dia 6: Adaptação de Domínio e Desafios no Transfer Learning

• روز 7: پروژه Transfer Learning – تنظیم برای وظیفه سفارشی Dia 7: Projeto de Transfer Learning – Ajuste para Tarefa Personalizada