[FA] دوره آموزشی و مدرک معتبر مهندس هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

Introduction au cours et à l'instructeur

• آنچه در دوره گواهینامه مهندسی دستیار هوش مصنوعی خواهید آموخت Ce que vous apprendrez dans le Cours de Certification d’Ingénieur Associé en IA

مهندسی ویژگی و ارزیابی مدل Ingénierie des caractéristiques et évaluation des modèles

• روز ۱: مقدمه‌ای بر مهندسی ویژگی Jour 1 : Introduction à l’ingénierie des caractéristiques

• روز ۲: مقیاس‌بندی و نرمال‌سازی داده‌ها Jour 2 : Mise à l’échelle et normalisation des données

• روز ۳: کدگذاری متغیرهای دسته‌ای Jour 3 : Encodage des variables catégorielles

• روز ۴: تکنیک‌های انتخاب ویژگی Jour 4 : Techniques de sélection de caractéristiques

• روز ۵: ایجاد و تبدیل ویژگی‌ها Jour 5 : Création et transformation des caractéristiques

• روز ۶: تکنیک‌های ارزیابی مدل Jour 6 : Techniques d’évaluation des modèles

• روز ۷: اعتبارسنجی متقابل و تنظیم هایپرپارامترها Jour 7 : Validation croisée et ajustement des hyperparamètres

• منابع برای پروژه‌ها Ressources pour les projets

الگوریتم‌های پیشرفته یادگیری ماشین Algorithmes avancés d’apprentissage automatique

• روز ۱: مقدمه‌ای بر یادگیری تجمیعی (ensemble learning) Jour 1 : Introduction à l’apprentissage par ensemble (ensemble learning)

• روز ۲: Bagging و جنگل‌های تصادفی Jour 2 : Bagging et forêts aléatoires

• روز ۳: Boosting و gradient boosting Jour 3 : Boosting et gradient boosting

• روز ۴: مقدمه‌ای بر XGBoost Jour 4 : Introduction à XGBoost

• روز ۵: LightGBM و CatBoost Jour 5 : LightGBM et CatBoost

• روز ۶: مدیریت داده‌های نامتعادل Jour 6 : Gestion des données déséquilibrées

• روز ۷: پروژه یادگیری تجمیعی – مقایسه مدل‌ها روی یک بازی Jour 7 : Projet d’apprentissage par ensemble – Comparaison de modèles sur un jeu

• منابع برای پروژه‌ها Ressources pour les projets

شبکه‌های عصبی و مبانی یادگیری عمیق Réseaux neuronaux et fondamentaux du deep learning

• روز ۱: مقدمه‌ای بر deep learning و شبکه‌های عصبی Jour 1 : Introduction au deep learning et aux réseaux neuronaux

• روز ۲: انتشار رو به جلو و توابع فعال‌سازی Jour 2 : Propagation avant et fonctions d’activation

• روز ۳: توابع زیان و پس‌انتشار Jour 3 : Fonctions de perte et rétropropagation

• روز ۴: فرود گرادیان و تکنیک‌های بهینه‌سازی Jour 4 : Descente de gradient et techniques d’optimisation

• روز ۵: ساخت شبکه‌های عصبی با TensorFlow و Keras Jour 5 : Construction de réseaux neuronaux avec TensorFlow et Keras

• روز ۶: ساخت شبکه‌های عصبی با PyTorch Jour 6 : Construction de réseaux neuronaux avec PyTorch

• روز ۷: پروژه شبکه عصبی – طبقه‌بندی تصاویر روی CIFAR-10 Jour 7 : Projet de réseau neuronal – Classification d’images sur CIFAR-10

• منابع برای پروژه‌ها Ressources pour les projets

الگوریتم‌های یادگیری ماشین و پیاده‌سازی‌ها Algorithmes d’apprentissage automatique et implémentations

• مقدمه‌ای بر الگوریتم‌های Machine Learning Introduction aux algorithmes de machine learning

• پیاده‌سازی رگرسیون خطی در Python Implémentation de la régression linéaire en Python

• پیاده‌سازی رگرسیون Ridge و Lasso در Python Implémentation de la régression Ridge et Lasso en Python

• پیاده‌سازی رگرسیون چندجمله‌ای در Python Implémentation de la régression polynomiale en Python

• پیاده‌سازی رگرسیون لجستیک در Python Implémentation de la régression logistique en Python

• پیاده‌سازی K نزدیکترین همسایه (KNN) در Python Implémentation des K plus proches voisins (KNN) en Python

• پیاده‌سازی ماشین‌های بردار پشتیبان (SVM) در Python Implémentation des machines à vecteurs de support (SVM) en Python

• پیاده‌سازی درخت‌های تصمیم در Python Implémentation des arbres de décision en Python

• پیاده‌سازی جنگل‌های تصادفی در Python Implémentation des forêts aléatoires en Python

• پیاده‌سازی Gradient Boosting در Python Implémentation du gradient boosting en Python

• پیاده‌سازی Naive Bayes در Python Implémentation de Naive Bayes en Python

• پیاده‌سازی خوشه‌بندی K-Means در Python Implémentation du clustering K-Means en Python

• پیاده‌سازی خوشه‌بندی سلسله‌مراتبی در Python Implémentation du clustering hiérarchique en Python

• پیاده‌سازی DBSCAN (خوشه‌بندی مبتنی بر چگالی) در Python Implémentation de DBSCAN (clustering basé sur la densité) en Python

• پیاده‌سازی مدل‌های مخلوط گوسی (GMM) در Python Implémentation des modèles de mélanges gaussiens (GMM) en Python

• پیاده‌سازی تحلیل مولفه‌های اصلی (PCA) در Python Implémentation de l’analyse en composantes principales (PCA) en Python

• پیاده‌سازی t-SNE ‏(t-distributed stochastic neighbor embedding) در Python Implémentation du t-SNE (embedding stochastique t-distribué) en Python

• پیاده‌سازی خودرمزگذارها (Autoencoders) در Python Implémentation des autoencodeurs en Python

• پیاده‌سازی خودآموزی (Self-Training) در Python Implémentation de l’auto-apprentissage (self-training) en Python

• پیاده‌سازی Q-learning در Python Implémentation du Q-learning en Python

• پیاده‌سازی شبکه‌های Q عمیق (DQN) در Python Implémentation des réseaux Q profonds (DQN) en Python

• پیاده‌سازی روش‌های گرادیان سیاست در Python Implémentation des méthodes de gradient de politique en Python

• پیاده‌سازی SVM تک کلاسه در Python Implémentation du SVM à une classe en Python

• پیاده‌سازی جنگل‌های انزوا (Isolation Forests) در Python Implémentation des forêts d’isolement en Python

• پیاده‌سازی شبکه‌های عصبی کانولوشنال (CNN) در Python Implémentation des réseaux neuronaux convolutifs (CNN) en Python

• پیاده‌سازی شبکه‌های عصبی بازگشتی (RNN) در Python Implémentation des réseaux neuronaux récurrents (RNN) en Python

• پیاده‌سازی LSTM (حافظه بلندمدت کوتاه‌مدت) در Python Implémentation de LSTM (mémoire à long et court terme) en Python

• پیاده‌سازی ترانسفورمرها در Python Implémentation des transformeurs en Python

مقدمه‌ای بر Machine Learning و TensorFlow Introduction au Machine Learning et à TensorFlow

• Machine Learning چیست؟ Qu’est-ce que le Machine Learning ?

• مقدمه‌ای بر TensorFlow Introduction à TensorFlow

• TensorFlow در مقابل سایر فریم‌ورک‌های Machine Learning TensorFlow vs. autres frameworks de machine learning

• نصب TensorFlow Installation de TensorFlow

• پیکربندی محیط توسعه Configuration de l’environnement de développement

• بررسی نصب Vérification de l’installation

• مقدمه‌ای بر تانسورها Introduction aux tenseurs

• عملیات روی تانسورها Opérations sur les tenseurs

• ثابت‌ها، متغیرها و Placeholders Constantes, variables et placeholders

• گراف محاسباتی TensorFlow Graphe computationnel de TensorFlow

• ایجاد و اجرای یک جلسه TensorFlow Création et exécution d’une session TensorFlow

• مدیریت گراف‌ها و جلسات Gestion des graphes et des sessions

• ایجاد یک شبکه عصبی ساده Feedforward Création d’un réseau neuronal simple feedforward

• توابع فعال‌سازی Fonctions d’activation

• توابع زیان و بهینه‌سازها Fonctions de perte et optimiseurs

• مقدمه‌ای بر API Keras Introduction à l’API Keras

• ایجاد مدل‌های پیچیده با Keras Création de modèles complexes avec Keras

• آموزش و ارزیابی مدل‌ها Entraînement et évaluation de modèles

• مقدمه‌ای بر CNNها Introduction aux CNNs

• ایجاد و آموزش CNNها با TensorFlow Création et entraînement de CNNs avec TensorFlow

• یادگیری انتقالی با CNNهای از پیش آموزش‌دیده Apprentissage par transfert avec CNNs préentraînés

• مقدمه‌ای بر RNNها Introduction aux RNNs

• ایجاد و آموزش RNNها با TensorFlow Création et entraînement de RNNs avec TensorFlow

• کاربردهای RNNها: مدل‌سازی زبان، پیش‌بینی سری‌های زمانی Applications des RNNs : modélisation de langage, prévision de séries temporelles

• ذخیره و بارگیری مدل‌ها Sauvegarde et chargement des modèles

• TensorFlow Serving برای استقرار مدل‌ها TensorFlow Serving pour le déploiement de modèles

• TensorFlow Lite برای دستگاه‌های موبایل و توکار TensorFlow Lite pour appareils mobiles et embarqués

• مقدمه‌ای بر محاسبات توزیع‌شده با TensorFlow Introduction au calcul distribué avec TensorFlow

• چارچوب اجرای توزیع‌شده TensorFlow Cadre d’exécution distribué de TensorFlow

• مقیاس‌بندی با TensorFlow Serving و Kubernetes Mise à l’échelle avec TensorFlow Serving et Kubernetes

• مقدمه‌ای بر TFX Introduction à TFX

• ایجاد pipelines ML سرتاسری با TFX Création de pipelines ML de bout en bout avec TFX

• اعتبارسنجی، تبدیل و سرویس‌دهی مدل‌ها با TFX Validation, transformation et service des modèles avec TFX

• طبقه‌بندی تصاویر Classification d’images

• پردازش زبان طبیعی Traitement du langage naturel

• سیستم‌های توصیه Systèmes de recommandation

• تشخیص اشیا Détection d’objets

• ایجاد یک مدل تحلیل احساسات Création d’un modèle d’analyse de sentiment

• ایجاد یک سیستم تشخیص تصویر Création d’un système de reconnaissance d’images

• توسعه یک مدل پیش‌بینی سری‌های زمانی Développement d’un modèle de prévision de séries temporelles

• پیاده‌سازی یک chatbot Implémentation d’un chatbot

• شبکه‌های مولد تخاصمی (GANs) Réseaux antagonistes génératifs (GANs)

• یادگیری تقویتی با TensorFlow Apprentissage par renforcement avec TensorFlow

• Machine Learning کوانتومی با TensorFlow Quantum Machine Learning quantique avec TensorFlow Quantum

• مستندات و آموزش‌های TensorFlow Documentation et tutoriels TensorFlow

• دوره‌های آنلاین و کتاب‌ها Cours en ligne et livres

• انجمن و فروم‌های TensorFlow Communauté et forums TensorFlow

• خلاصه مفاهیم کلیدی Résumé des concepts clés

• گام‌های بعدی در مسیر TensorFlow شما Prochaines étapes dans votre parcours TensorFlow

مقدمه‌ای بر یادگیری با PyTorch Introduction à l’apprentissage avec PyTorch

• مقدمه‌ای بر PyTorch Introduction à PyTorch

• شروع به کار با PyTorch Premiers pas avec PyTorch

• دستکاری تانسورها Manipulation de tenseurs

• Autograd و گراف‌های پویا Autograd et graphes dynamiques

• ایجاد شبکه‌های عصبی ساده Création de réseaux neuronaux simples

• بارگیری و پیش‌پردازش داده‌ها Chargement et prétraitement des données

• ارزیابی و اعتبارسنجی مدل‌ها Évaluation et validation des modèles

• معماری‌های پیشرفته شبکه‌های عصبی Architectures avancées de réseaux neuronaux

• یادگیری انتقالی و تنظیم دقیق Apprentissage par transfert et ajustement fin

• مدیریت داده‌های پیچیده Gestion de données complexes

• استقرار و عرضه مدل‌ها Déploiement et mise en production de modèles

• اشکال‌زدایی و رفع مشکلات Débogage et résolution de problèmes

• آموزش توزیع‌شده و بهینه‌سازی عملکرد Entraînement distribué et optimisation des performances

• لایه‌ها و توابع زیان سفارشی Couches et fonctions de perte personnalisées

• تکنیک‌های تحقیق‌محور Techniques orientées recherche

• ادغام با سایر کتابخانه‌ها Intégration avec d’autres bibliothèques

• مشارکت در PyTorch و شرکت در انجمن Contribution à PyTorch et participation communautaire

عوامل هوش مصنوعی برای مبتدیان Agents d’IA pour les débutants

• 1.1: درک عوامل هوش مصنوعی - چگونه کار می‌کنند 1.1 : Comprendre les agents d’IA – Comment fonctionnent-ils

• 1.2: مقدمه‌ای بر عوامل هوش مصنوعی 1.2 : Introduction aux agents d’IA

• 1.3: انواع عوامل هوش مصنوعی 1.3 : Types d’agents d’IA

• 2.1: فناوری‌های پشت عوامل هوش مصنوعی - یادگیری ماشینی و عامل 2.1 : Technologies derrière les agents d’IA – Apprentissage automatique et agent

• 2.2: پردازش زبان طبیعی در عوامل هوش مصنوعی 2.2 : Traitement du langage naturel dans les agents d’IA

• 2.3: عوامل هوش مصنوعی در رباتیک 2.3 : Agents d’IA en robotique

• 3.1: چارچوب‌ها و معماری‌ها برای عوامل هوش مصنوعی 3.1 : Frameworks et architectures pour agents d’IA

• 3.2: مروری بر AutoGPT برای عوامل هوش مصنوعی 3.2 : Aperçu d’AutoGPT pour les agents d’IA

• 3.3: چارچوب IBM Bee برای عوامل هوش مصنوعی 3.3 : Framework IBM Bee pour les agents d’IA

• 3.4: LangGraph برای عوامل هوش مصنوعی با حالت 3.4 : LangGraph pour agents d’IA à état

• 3.5: CrewAI برای عوامل هوش مصنوعی مشارکتی 3.5 : CrewAI pour agents d’IA collaboratifs

• 4.1: کاربردهای عوامل هوش مصنوعی - عوامل در عملیات تجاری 4.1 : Applications des agents d’IA – Agents dans les opérations commerciales

• 4.2: عوامل هوش مصنوعی در سلامت و درمان 4.2 : Agents d’IA dans la santé

• 4.3: عوامل هوش مصنوعی در امور مالی 4.3 : Agents d’IA dans la finance

• 4.4: عوامل هوش مصنوعی در سرگرمی 4.4 : Agents d’IA dans le divertissement

• 4.5: عوامل هوش مصنوعی در خانه‌های هوشمند و اینترنت اشیا (IoT) 4.5 : Agents d’IA dans les maisons intelligentes et l’IoT

• 5.1: روندهای آینده و مفاهیم اخلاقی - آینده عوامل هوش مصنوعی 5.1 : Tendances futures et implications éthiques – L’avenir des agents d’IA

• 5.2: اخلاق در توسعه عوامل هوش مصنوعی 5.2 : Éthique dans le développement des agents d’IA

• 5.3: مسائل حقوقی و نظارتی برای عوامل هوش مصنوعی 5.3 : Enjeux juridiques et réglementaires pour les agents d’IA

• 6.1: تاثیر اجتماعی و اقتصادی عوامل هوش مصنوعی 6.1 : Impact sociétal et économique des agents d’IA

• 6.2: همکاری انسان - عامل هوش مصنوعی 6.2 : Collaboration humain–agent d’IA

• 6.3: نقش عوامل هوش مصنوعی در تحقیقات علمی 6.3 : Rôle des agents d’IA dans la recherche scientifique

• 6.4: عوامل هوش مصنوعی برای امنیت عمومی و دفاع ملی 6.4 : Agents d’IA pour la sécurité publique et la défense nationale

تبریک Félicitations

• آزمون نهایی چند گزینه‌ای Quiz final à choix multiples

• تبریک و موفق باشید! Félicitations et bonne chance !