آموزش مسترکلاس هوش مصنوعی: از صفر تا قهرمان هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره Introduction au cours

• مقدمه ای بر مسترکلاس مهندسی هوش مصنوعی: از صفر تا قهرمان هوش مصنوعی Introduction à la Masterclass en ingénierie de l’IA : De zéro à héros de l’IA

• منابع دوره - اسلایدها و فایل های کد Ressources du cours – Diapositives et fichiers de code

هفته 1: مبانی برنامه نویسی پایتون برای هوش مصنوعی Semaine 1 : Bases de la programmation Python pour l’intelligence artificielle

• مقدمه ای بر هفته 1 - مبانی پایتون Introduction à la semaine 1 – Bases de Python

• روز 1: معرفی پایتون و راه اندازی Jour 1 : Introduction à Python et setup

• روز 2: کنترل جریان در پایتون Jour 2 : Contrôle du flux dans Python

• روز 3: توابع و ماژول ها Jour 3 : Fonctions et modules

• روز 4: ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها) Jour 4 : Structures de données (Listes, Tuples, Dictionnaires, Ensembles)

• روز 5: دستکاری رشته ها Jour 5 : Manipulation des chaînes de caractères

• روز 6: مدیریت فایل ها Jour 6 : Gestion des fichiers

• روز 7: کد پایتونیک و کار بر روی پروژه Jour 7 : Code Pythonique et travail sur projet

هفته 2: مفاهیم اساسی علم داده برای هوش مصنوعی Semaine 2 : Notions essentielles en science des données pour l’IA

• مقدمه ای بر هفته 2 - علم داده Introduction à la semaine 2 – Science des données

• روز 1: معرفی NumPy برای محاسبات عددی Jour 1 : Introduction à NumPy pour les calculs numériques

• روز 2: عملیات پیشرفته با NumPy Jour 2 : Opérations avancées avec NumPy

• روز 3: معرفی Pandas برای دستکاری داده ها Jour 3 : Introduction à Pandas pour la manipulation de données

• روز 4: پاکسازی و آماده سازی داده ها با Pandas Jour 4 : Nettoyage et préparation des données avec Pandas

• روز 5: تجمیع و گروه بندی داده ها با Pandas Jour 5 : Agrégation et regroupement des données avec Pandas

• روز 6: تجسم داده ها با Matplotlib و Seaborn Jour 6 : Visualisation des données avec Matplotlib et Seaborn

• روز 7: پروژه تحلیل اکتشافی داده ها (EDA) Jour 7 : Projet d’analyse exploratoire des données (EDA)

هفته 3: ریاضیات برای یادگیری ماشین و هوش مصنوعی Semaine 3 : Mathématiques pour le machine learning et l’IA

• مقدمه ای بر هفته 3 - ریاضیات برای ML Introduction à la semaine 3 – Mathématiques pour le ML

• روز 1: مبانی جبر خطی Jour 1 : Fondamentaux de l’algèbre linéaire

• روز 2: مفاهیم پیشرفته در جبر خطی Jour 2 : Concepts avancés en algèbre linéaire

• روز 3: حساب دیفرانسیل برای ML Jour 3 : Calcul différentiel pour le ML

• روز 4: حساب انتگرال و بهینه سازی Jour 4 : Calcul intégral et optimisation

• روز 5: نظریه احتمال و توزیع ها Jour 5 : Théorie des probabilités et distributions

• روز 6: مبانی آمار Jour 6 : Fondamentaux en statistiques

• روز 7: پروژه کوچک ریاضی - رگرسیون خطی از صفر Jour 7 : Mini projet mathématique – Régression linéaire depuis zéro

هفته 4: احتمالات و آمار برای ML و هوش مصنوعی Semaine 4 : Probabilités et statistiques pour le ML et l’IA

• مقدمه ای بر هفته 4 - احتمالات و آمار Introduction à la semaine 4 – Probabilités et statistiques

• روز 1: متغیرهای تصادفی و نظریه احتمال Jour 1 : Variables aléatoires et théorie des probabilités

• روز 2: توزیع های احتمال در ML Jour 2 : Distributions de probabilité dans le ML

• روز 3: استنباط آماری - تخمین و بازه های اطمینان Jour 3 : Inférence statistique – Estimation et intervalles de confiance

• روز 4: آزمون های فرضیه و مقادیر p Jour 4 : Tests d’hypothèse et valeurs p

• روز 5: انواع آزمون های فرضیه Jour 5 : Types de tests d’hypothèse

• روز 6: همبستگی و رگرسیون Jour 6 : Corrélation et régression

• روز 7: پروژه تحلیل آماری - تحلیل داده های واقعی Jour 7 : Projet d’analyse statistique – Analyse de données réelles

هفته 5: مقدمه ای بر یادگیری ماشین Semaine 5 : Introduction au machine learning

• مقدمه ای بر هفته 5 - ML Introduction à la semaine 5 – ML

• روز 1: مبانی یادگیری ماشین و اصطلاحات Jour 1 : Bases du machine learning et terminologie

• روز 2: یادگیری نظارت شده و مدل های رگرسیون Jour 2 : Apprentissage supervisé et modèles de régression

• روز 3: رگرسیون های پیشرفته - چند جمله ای و منظم سازی Jour 3 : Régressions avancées – polynomiale et régularisation

• روز 4: طبقه بندی و رگرسیون لجستیک Jour 4 : Classification et régression logistique

• روز 5: ارزیابی مدل ها و اعتبارسنجی متقابل Jour 5 : Évaluation des modèles et validation croisée

• روز 6: الگوریتم k-نزدیکترین همسایه (k-NN) Jour 6 : Algorithme des k-plus proches voisins (k-NN)

• روز 7: پروژه کوچک یادگیری نظارت شده Jour 7 : Mini projet d’apprentissage supervisé

هفته 6: مهندسی ویژگی و ارزیابی مدل ها Semaine 6 : Ingénierie des caractéristiques et évaluation des modèles

• مقدمه ای بر هفته 6 - مهندسی ویژگی Introduction à la semaine 6 – Feature Engineering

• روز 1: مقدمه ای بر مهندسی ویژگی Jour 1 : Introduction à l’ingénierie des caractéristiques

• روز 2: نرمال سازی و مقیاس بندی داده ها Jour 2 : Normalisation et mise à l’échelle des données

• روز 3: رمزگذاری متغیرهای دسته ای Jour 3 : Encodage des variables catégorielles

• روز 4: تکنیک های انتخاب ویژگی Jour 4 : Techniques de sélection de caractéristiques

• روز 5: ایجاد و تبدیل ویژگی ها Jour 5 : Création et transformation de caractéristiques

• روز 6: روش های ارزیابی مدل ها Jour 6 : Méthodes d’évaluation des modèles

• روز 7: اعتبارسنجی متقابل و تنظیم ابرپارامترها Jour 7 : Validation croisée et réglage des hyperparamètres

هفته 7: الگوریتم های پیشرفته ML Semaine 7 : Algorithmes de ML avancés

• مقدمه ای بر هفته 7 - الگوریتم های پیشرفته Introduction à la semaine 7 – Algorithmes avancés

• روز 1: مقدمه ای بر یادگیری گروهی Jour 1 : Introduction à l’apprentissage ensembliste

• روز 2: Bagging و جنگل های تصادفی Jour 2 : Bagging et forêts aléatoires

• روز 3: Boosting و Gradient Boosting Jour 3 : Boosting et Gradient Boosting

• روز 4: مقدمه ای بر XGBoost Jour 4 : Introduction à XGBoost

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

• روز 6: مدیریت داده های نامتعادل Jour 6 : Gérer les données déséquilibrées

• روز 7: پروژه - مقایسه مدل ها روی داده های واقعی Jour 7 : Projet – Comparaison de modèles sur données réelles

هفته 8: تنظیم و بهینه سازی مدل ها Semaine 8 : Réglage et optimisation des modèles

• مقدمه ای بر هفته 8 - بهینه سازی Introduction à la semaine 8 – Optimisation

• روز 1: مقدمه ای بر تنظیم ابرپارامترها Jour 1 : Introduction au tuning des hyperparamètres

• روز 2: Grid Search و Random Search Jour 2 : Grid Search et Random Search

• روز 3: بهینه سازی بیزی Jour 3 : Optimisation bayésienne

• روز 4: تکنیک های منظم سازی Jour 4 : Techniques de régularisation

• روز 5: اعتبارسنجی متقابل و ارزیابی Jour 5 : Validation croisée et évaluation

• روز 6: تنظیم خودکار با GridSearchCV و RandomizedSearchCV Jour 6 : Tuning automatisé avec GridSearchCV et RandomizedSearchCV

• روز 7: پروژه - ساخت و تنظیم مدل نهایی Jour 7 : Projet – Construction et réglage du modèle final

هفته 9: شبکه های عصبی و مبانی یادگیری عمیق Semaine 9 : Réseaux de neurones et bases du deep learning

• مقدمه ای بر هفته 9 - یادگیری عمیق Introduction à la semaine 9 – Deep Learning

• روز 1: مفاهیم پایه در یادگیری عمیق Jour 1 : Concepts de base en deep learning

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

• روز 3: توابع ضرر و پس انتشار Jour 3 : Fonctions de perte et rétropropagation

• روز 4: نزول گرادیان و تکنیک های بهینه سازی Jour 4 : Descente de gradient et techniques d’optimisation

• روز 5: ایجاد شبکه با TensorFlow و Keras Jour 5 : Création de réseaux avec TensorFlow et Keras

• روز 6: ایجاد شبکه با PyTorch Jour 6 : Création de réseaux avec PyTorch

• روز 7: پروژه - طبقه بندی تصاویر با CIFAR-10 Jour 7 : Projet – Classification d’images avec CIFAR-10

هفته 10: شبکه های عصبی کانولوشن (CNNs) Semaine 10 : Réseaux de neurones convolutifs (CNNs)

• مقدمه ای بر هفته 10 - CNNs Introduction à la semaine 10 – CNNs

• روز 1: مقدمه ای بر CNNs Jour 1 : Introduction aux CNNs

• روز 2: لایه های کانولوشن و فیلترها Jour 2 : Couches convolutives et filtres

• روز 3: لایه های Pooling و کاهش ابعاد Jour 3 : Couches de pooling et réduction de dimension

• روز 4: معماری های CNN با Keras/TensorFlow Jour 4 : Architectures CNN avec Keras/TensorFlow

• روز 5: معماری های CNN با PyTorch Jour 5 : Architectures CNN avec PyTorch

• روز 6: منظم سازی و افزایش داده Jour 6 : Régularisation et augmentation de données

• روز 7: پروژه CNN - طبقه بندی Fashion MNIST یا CIFAR-10 Jour 7 : Projet CNN – Classification Fashion MNIST ou CIFAR-10

هفته 11: RNNs و مدل سازی توالی Semaine 11 : RNNs et modélisation de séquences

• مقدمه ای بر هفته 11 - RNNs و توالی ها Introduction à la semaine 11 – RNNs et séquences

• روز 1: مقدمه ای بر مدل سازی ترتیبی Jour 1 : Introduction à la modélisation séquentielle

• روز 2: معماری RNN و پس انتشار زمانی Jour 2 : Architecture RNN et rétropropagation temporelle

• روز 3: شبکه های LSTM Jour 3 : Réseaux LSTM

• روز 4: واحدهای GRU Jour 4 : Unités GRU

• روز 5: پیش پردازش متن و word embeddings Jour 5 : Prétraitement de texte et word embeddings

• روز 6: مدل های توالی به توالی و کاربردها Jour 6 : Modèles séquence-à-séquence et applications

• روز 7: پروژه RNN - تولید متن یا تحلیل احساسات Jour 7 : Projet RNN – Génération de texte ou analyse de sentiment

هفته 12: Transformers و مکانیسم های توجه Semaine 12 : Transformers et mécanismes d’attention

• مقدمه ای بر هفته 12 - Transformers Introduction à la semaine 12 – Transformers

• روز 1: مکانیسم های توجه Jour 1 : Mécanismes d’attention

• روز 2: معماری Transformer Jour 2 : Architecture Transformer

• روز 3: توجه چند سر و خود-توجه Jour 3 : Attention multi-tête et auto-attention

• روز 4: رمزگذاری موقعیتی و شبکه های feed-forward Jour 4 : Encodage positionnel et réseaux feed-forward

• روز 5: استفاده از BERT و GPT از پیش آموزش داده شده Jour 5 : Utilisation de BERT et GPT pré-entraînés

• روز 6: Transformers پیشرفته - انواع BERT و GPT-3 Jour 6 : Transformers avancés – variantes BERT et GPT-3

• روز 7: پروژه Transformer - خلاصه سازی یا ترجمه متن Jour 7 : Projet Transformer – Résumé ou traduction de texte

هفته 13: یادگیری انتقالی و fine-tuning Semaine 13 : Apprentissage par transfert et fine-tuning

• مقدمه ای بر هفته 13 - Transfer Learning Introduction à la semaine 13 – Transfer Learning

• روز 1: مفاهیم پایه یادگیری انتقالی Jour 1 : Concepts de base de l’apprentissage par transfert

• روز 2: یادگیری انتقالی در بینایی کامپیوتر Jour 2 : Apprentissage par transfert en vision par ordinateur

• روز 3: تکنیک های fine-tuning در بینایی Jour 3 : Techniques de fine-tuning en vision

• روز 4: Transfer Learning در NLP Jour 4 : Transfer Learning en NLP

• روز 5: Fine-tuning در NLP Jour 5 : Fine-tuning en NLP

• روز 6: انطباق دامنه و چالش ها Jour 6 : Adaptation de domaine et défis

• روز 7: پروژه - Fine-tuning برای یک وظیفه شخصی سازی شده Jour 7 : Projet – Fine-tuning pour une tâche personnalisée