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

سرفصل ها و درس ها

مقدمه‌ای بر دوره و مدرس Introduction to Course and Instructor

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

مهندسی ویژگی‌ها و ارزیابی مدل Feature Engineering and Model Evaluation

• روز اول: مقدمه‌ای بر مهندسی ویژگی‌ها Day 1: Introduction to Feature Engineering

• روز دوم: مقیاس‌بندی و نرمال‌سازی داده‌ها Day 2: Data Scaling and Normalization

• روز سوم: کدگذاری متغیرهای طبقه‌بندی شده Day 3: Encoding Categorical Variables

• روز چهارم: تکنیک‌های انتخاب ویژگی Day 4: Feature Selection Techniques

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

• روز ششم: تکنیک‌های ارزیابی مدل Day 6: Model Evaluation Techniques

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

الگوریتم‌های پیشرفته یادگیری ماشین Advanced Machine Learning Algorithms

• روز اول: مقدمه‌ای بر یادگیری گروهی (Ensemble Learning) Day 1: Introduction to Ensemble Learning

• روز دوم: Bagging و جنگل‌های تصادفی Day 2: Bagging and Random Forests

• روز سوم: Boosting و Gradient Boosting Day 3: Boosting and Gradient Boosting

• روز چهارم: آشنایی با XGBoost Day 4: Introduction to XGBoost

• روز پنجم: LightGBM و CatBoost Day 5: LightGBM and CatBoost

• روز ششم: مدیریت داده‌های نامتوازن Day 6: Handling Imbalanced Data

• روز هفتم: پروژه یادگیری گروهی – مقایسه مدل‌ها روی مجموعه داده واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

مبانی شبکه‌های عصبی و یادگیری عمیق Neural Networks and Deep Learning Fundamentals

• روز اول: مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی Day 1: Introduction to Deep Learning and Neural Networks

• روز دوم: انتشار پیشرو و توابع فعال‌ساز Day 2: Forward Propagation and Activation Functions

• روز سوم: توابع زیان و پس‌انتشار (Backpropagation) Day 3: Loss Functions and Backpropagation

• روز چهارم: گرادیان نزولی و تکنیک‌های بهینه‌سازی Day 4: Gradient Descent and Optimization Techniques

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

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

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

الگوریتم‌های یادگیری ماشین و پیاده‌سازی‌ها Machine Learning Algorithms and Implementations

• مقدمه‌ای بر الگوریتم‌های یادگیری ماشین Introduction to Machine Learning Algorithms

• پیاده‌سازی رگرسیون خطی در پایتون Linear Regression Implementation in Python

• پیاده‌سازی رگرسیون Ridge و Lasso در پایتون Ridge and Lasso Regression Implementation in Python

• پیاده‌سازی رگرسیون چندجمله‌ای در پایتون Polynomial Regression Implementation in Python

• پیاده‌سازی رگرسیون لجستیک در پایتون Logistic Regression Implementation in Python

• پیاده‌سازی K-نزدیک‌ترین همسایه (KNN) در پایتون K-Nearest Neighbors (KNN) Implementation in Python

• پیاده‌سازی ماشین‌های بردار پشتیبان (SVM) در پایتون Support Vector Machines (SVM) Implementation in Python

• پیاده‌سازی درخت‌های تصمیم در پایتون Decision Trees Implementation in Python

• پیاده‌سازی جنگل‌های تصادفی در پایتون Random Forests Implementation in Python

• پیاده‌سازی Gradient Boosting در پایتون Gradient Boosting Implementation in Python

• پیاده‌سازی Naive Bayes در پایتون Naive Bayes Implementation in Python

• پیاده‌سازی خوشه‌بندی K-Means در پایتون K-Means Clustering Implementation in Python

• پیاده‌سازی خوشه‌بندی سلسله‌مراتبی در پایتون Hierarchical Clustering Implementation in Python

• پیاده‌سازی DBSCAN در پایتون DBSCAN Implementation in Python

• پیاده‌سازی مدل‌های مخلوط گاوسی در پایتون Gaussian Mixture Models Implementation in Python

• پیاده‌سازی تحلیل مؤلفه‌های اصلی (PCA) در پایتون Principal Component Analysis (PCA) Implementation in Python

• پیاده‌سازی t-SNE در پایتون t-SNE Implementation in Python

• پیاده‌سازی اتوانکودرها در پایتون Autoencoders Implementation in Python

• پیاده‌سازی خودآموزی (Self Training) در پایتون Self-Training Implementation in Python

• پیاده‌سازی Q-Learning در پایتون Q-Learning Implementation in Python

• پیاده‌سازی شبکه‌های Q عمیق (DQN) در پایتون Deep Q-Networks (DQN) Implementation in Python

• پیاده‌سازی متدهای گرادیان سیاست در پایتون Policy Gradient Methods Implementation in Python

• پیاده‌سازی One-Class SVM در پایتون One-Class SVM Implementation in Python

• پیاده‌سازی Isolation Forest در پایتون Isolation Forest Implementation in Python

• پیاده‌سازی شبکه‌های عصبی کانولوشنال (CNNs) در پایتون Convolutional Neural Networks (CNNs) Implementation in Python

• پیاده‌سازی شبکه‌های عصبی بازگشتی (RNNs) در پایتون Recurrent Neural Networks (RNNs) Implementation in Python

• پیاده‌سازی حافظه طولانی کوتاه-مدت (LSTM) در پایتون Long Short-Term Memory (LSTM) Implementation in Python

• پیاده‌سازی ترنسفورمرها در پایتون Transformers Implementation in Python

آشنایی با یادگیری ماشین و TensorFlow Introduction to Machine Learning and TensorFlow

• یادگیری ماشین چیست؟ What is Machine Learning?

• آشنایی با TensorFlow Introduction to TensorFlow

• مقایسه TensorFlow با سایر چارچوب‌های یادگیری ماشین TensorFlow vs. Other Machine Learning frameworks

• نصب TensorFlow Installing TensorFlow

• راه‌اندازی محیط توسعه Setting up your Development Environment

• تأیید نصب Verifying the Installation

• مقدمه‌ای بر تنسورها Introduction to Tensors

• عملیات روی تنسورها Tensor Operations

• ثابت‌ها، متغیرها و جای‌گذارها Constants, Variables, and Placeholders

• گراف محاسباتی TensorFlow TensorFlow Computational Graph

• ایجاد و اجرای یک نشست (Session) در TensorFlow Creating and Running a TensorFlow Session

• مدیریت گراف‌ها و نشست‌ها Managing Graphs and Sessions

• ساخت یک شبکه عصبی پیش‌خور ساده Building a Simple Feedforward Neural Network

• توابع فعال‌ساز Activation Functions

• توابع زیان و بهینه‌سازها Loss Functions and Optimizers

• آشنایی با API کراس (Keras) Introduction to Keras API

• ساخت مدل‌های پیچیده با Keras Building Complex Models with Keras

• آموزش و ارزیابی مدل‌ها Training and Evaluating Models

• مقدمه‌ای بر CNNها Introduction to CNNs

• ساخت و آموزش CNNها با TensorFlow Building and Training CNNs with TensorFlow

• یادگیری انتقالی با CNNهای پیش‌آموزش‌دیده Transfer Learning with Pre-trained CNNs

• مقدمه‌ای بر RNNها Introduction to RNNs

• ساخت و آموزش RNNها با TensorFlow Building and Training RNNs with TensorFlow

• کاربردهای RNNها: مدل‌سازی زبان و پیش‌بینی سری‌های زمانی Applications of RNNs: Language Modeling, Time Series Prediction

• ذخیره و بارگذاری مدل‌ها Saving and Loading Models

• استفاده از TensorFlow Serving برای استقرار مدل TensorFlow Serving for Model Deployment

• TensorFlow Lite برای دستگاه‌های موبایل و تعبیه‌شده TensorFlow Lite for Mobile and Embedded Devices

• مقدمه‌ای بر محاسبات توزیع‌شده با TensorFlow Introduction to Distributed Computing with TensorFlow

• چارچوب اجرای توزیع‌شده TensorFlow TensorFlow's Distributed Execution Framework

• مقیاس‌بندی TensorFlow با TensorFlow Serving و Kubernetes Scaling TensorFlow with TensorFlow Serving and Kubernetes

• آشنایی با TFX Introduction to TFX

• ساخت خط لوله‌های (Pipelines) یادگیری ماشین انتها-به-انتها با TFX Building End-to-End ML Pipelines with TFX

• اعتبارسنجی، تبدیل و ارائه مدل با TFX Model Validation, Transform, and Serving with TFX

• طبقه‌بندی تصاویر Image Classification

• پردازش زبان طبیعی (NLP) Natural Language Processing

• سیستم‌های توصیه‌گر Recommender Systems

• تشخیص اشیاء Object Detection

• ساخت مدل تحلیل احساسات Building a Sentiment Analysis Model

• ایجاد سیستم تشخیص تصویر Creating an Image Recognition System

• توسعه مدل پیش‌بینی سری‌های زمانی Developing a Time Series Prediction Model

• پیاده‌سازی چت‌بات Implementing a Chatbot

• شبکه‌های عصبی مولد رقابتی (GANs) Generative Adversarial Networks (GANs)

• یادگیری تقویت‌شده با TensorFlow Reinforcement Learning with TensorFlow

• یادگیری ماشین کوانتومی با TensorFlow Quantum Quantum Machine Learning with TensorFlow Quantum

• مستندات و آموزش‌های TensorFlow TensorFlow Documentation and Tutorials

• دوره‌های آنلاین و کتاب‌ها Online Courses and Books

• انجمن‌ها و تالارهای گفتگو TensorFlow TensorFlow Community and Forums

• خلاصه مفاهیم کلیدی Summary of Key Concepts

• گام‌های بعدی در مسیر یادگیری TensorFlow Next Steps in Your TensorFlow Journey

شروع یادگیری PyTorch Introduction to Learning PyTorch

• مقدمه Introduction

• آشنایی با PyTorch Introduction to PyTorch

• شروع کار با PyTorch Getting Started with PyTorch

• کار با تنسورها Working with Tensors

• Autograd و گراف‌های محاسباتی پویا Autograd and Dynamic Computation Graphs

• ساخت شبکه‌های عصبی ساده Building Simple Neural Networks

• بارگذاری و پیش‌پردازش داده‌ها Loading and Preprocessing Data

• ارزیابی و اعتبارسنجی مدل Model Evaluation and Validation

• معماری‌های پیشرفته شبکه عصبی Advanced Neural Network Architectures

• یادگیری انتقالی و تنظیم دقیق (Fine Tuning) Transfer Learning and Fine-Tuning

• مدیریت داده‌های پیچیده Handling Complex Data

• استقرار مدل و محیط عملیاتی Model Deployment and Production

• عیب‌یابی و رفع اشکال Debugging and Troubleshooting

• آموزش توزیع‌شده و بهینه‌سازی عملکرد Distributed Training and Performance Optimization

• لایه‌ها و توابع زیان سفارشی Custom Layers and Loss Functions

• تکنیک‌های پژوهش‌محور Research-oriented Techniques

• یکپارچه‌سازی با سایر کتابخانه‌ها Integration with Other Libraries

• مشارکت در PyTorch و تعامل با جامعه کاربران Contributing to PyTorch and Community Engagement

عامل‌های هوش مصنوعی برای مبتدیان AI Agents for Beginners

• درک عامل‌های هوش مصنوعی و نحوه عملکرد آن‌ها Understanding AI Agents - How AI Agents Function

• مقدمه‌ای بر عامل‌های هوش مصنوعی Introduction to AI Agents

• انواع عامل‌های هوش مصنوعی Types of AI Agents

• تکنولوژی‌های پشت عامل‌های هوش مصنوعی: یادگیری ماشین و AI Agents Technologies Behind AI Agents - Machine Learning and AI Agents

• پردازش زبان طبیعی در عامل‌های هوش مصنوعی Natural Language Processing in AI Agents

• عامل‌های هوش مصنوعی در رباتیک AI Agents in Robotics

• چارچوب‌ها و معماری‌های عامل هوش مصنوعی AI Agent Frameworks & Architectures - AI Agent Development Frameworks

• مروری بر AutoGPT برای عامل‌های هوش مصنوعی Overview of AutoGPT for AI Agents

• چارچوب IBM Bee برای عامل‌های هوش مصنوعی IBM Bee Framework for AI Agents

• LangGraph برای عامل‌های هوش مصنوعی حالت‌دار LangGraph for Stateful AI Agents

• CrewAI برای عامل‌های هوش مصنوعی تعاملی CrewAI for Collaborative AI Agents

• کاربردهای عامل‌های هوش مصنوعی در عملیات تجاری Applications of AI Agents - AI Agents in Business Operations

• عامل‌های هوش مصنوعی در بهداشت و درمان AI Agents in Healthcare

• عامل‌های هوش مصنوعی در سیستم‌های مالی AI Agents in Financial Systems

• عامل‌های هوش مصنوعی در سرگرمی AI Agents in Entertainment

• عامل‌های هوش مصنوعی در خانه‌های هوشمند و IoT AI Agents in Smart Homes and IoT

• روندهای آینده و پیامدهای اخلاقی: آینده عامل‌های هوش مصنوعی Future Trends and Ethical Implications - The Future of AI Agents

• اخلاق در توسعه عامل‌های هوش مصنوعی Ethics in AI Agent Development

• چالش‌های قانونی و نظارتی برای عامل‌های هوش مصنوعی Legal and Regulatory Challenges for AI Agents

• تأثیرات گسترده‌تر: اثرات اجتماعی و اقتصادی عامل‌های هوش مصنوعی Broader Impact of AI Agents - Social and Economic Impacts of AI Agents

• عامل‌های هوش مصنوعی و همکاری انسانی AI Agents and Human Collaboration

• نقش عامل‌های هوش مصنوعی در تحقیقات علمی The Role of AI Agents in Scientific Research

• عامل‌های هوش مصنوعی در ایمنی عمومی و دفاع ملی AI Agents in Public Safety and National Defense

تبریک و جمع‌بندی Congratulations

• تبریک و آرزوی موفقیت Congratulations and Best of Luck