آموزش مگاکلاس توسعه هوش مصنوعی و پایتون [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

هفته اول: مبانی برنامه‌نویسی پایتون برای هوش مصنوعی Week 1: Python Programming Basics for Artificial Intelligence

• مقدمه‌ای بر هفته اول: مبانی برنامه‌نویسی پایتون Introduction to Week 1 Python Programming Basics

• روز ۱: معرفی پایتون و آماده‌سازی محیط توسعه Day 1: Introduction to Python and Development Setup

• روز ۲: کنترل جریان در پایتون Day 2: Control Flow in Python

• روز ۳: توابع و ماژول‌ها Day 3: Functions and Modules

• روز ۴: ساختارهای داده (لیست‌ها، تاپل‌ها، دیکشنری‌ها، مجموعه‌ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

• روز ۵: کار با رشته‌ها Day 5: Working with Strings

• روز ۶: مدیریت فایل‌ها Day 6: File Handling

• روز ۷: کدنویسی پایتونیک و کار روی پروژه Day 7: Pythonic Code and Project Work

هفته دوم: ضروریات علوم داده برای هوش مصنوعی Week 2: Data Science Essentials for Artificial Intelligence

• مقدمه‌ای بر هفته دوم: ضروریات علوم داده Introduction to Week 2 Data Science Essentials

• روز ۱: معرفی NumPy برای محاسبات عددی Day 1: Introduction to NumPy for Numerical Computing

• روز ۲: عملیات پیشرفته در NumPy Day 2: Advanced NumPy Operations

• روز ۳: معرفی Pandas برای مدیریت داده‌ها Day 3: Introduction to Pandas for Data Manipulation

• روز ۴: پاک‌سازی و آماده‌سازی داده‌ها با Pandas Day 4: Data Cleaning and Preparation with Pandas

• روز ۵: تجمیع و گروه‌بندی داده‌ها در Pandas Day 5: Data Aggregation and Grouping in Pandas

• روز ۶: بصری‌سازی داده‌ها با Matplotlib و Seaborn Day 6: Data Visualization with Matplotlib and Seaborn

• روز ۷: پروژه تحلیل اکتشافی داده‌ها (EDA) Day 7: Exploratory Data Analysis (EDA) Project

هفته سوم: ریاضیات برای یادگیری ماشین و هوش مصنوعی Week 3: Mathematics for Machine Learning and Artificial Intelligence

• مقدمه‌ای بر هفته سوم: ریاضیات برای یادگیری ماشین Introduction to Week 3 Mathematics for Machine Learning

• روز ۱: مبانی جبر خطی Day 1: Linear Algebra Fundamentals

• روز ۲: مفاهیم پیشرفته جبر خطی Day 2: Advanced Linear Algebra Concepts

• روز ۳: حساب دیفرانسیل برای یادگیری ماشین (مشتقات) Day 3: Calculus for Machine Learning (Derivatives)

• روز ۴: حساب دیفرانسیل برای یادگیری ماشین (انتگرال‌ها و بهینه‌سازی) Day 4: Calculus for Machine Learning (Integrals and Optimization)

• روز ۵: تئوری احتمال و توزیع‌ها Day 5: Probability Theory and Distributions

• روز ۶: مبانی آمار Day 6: Statistics Fundamentals

• روز ۷: مینی پروژه ریاضی - پیاده‌سازی رگرسیون خطی از صفر Day 7: Math-Driven Mini Project – Linear Regression from Scratch

هفته چهارم: احتمال و آمار برای یادگیری ماشین و هوش مصنوعی Week 4: Probability and Statistics for Machine Learning and AI

• مقدمه‌ای بر هفته چهارم: احتمال و آمار برای یادگیری ماشین Introduction to Week 4 Probability and Statistics for Machine Learning

• روز ۱: تئوری احتمال و متغیرهای تصادفی Day 1: Probability Theory and Random Variables

• روز ۲: توزیع‌های احتمال در یادگیری ماشین Day 2: Probability Distributions in Machine Learning

• روز ۳: استنباط آماری - تخمین و فواصل اطمینان Day 3: Statistical Inference – Estimation and Confidence Intervals

• روز ۴: آزمون فرضیه و مقادیر P-Value Day 4: Hypothesis Testing and P-Values

• روز ۵: انواع آزمون‌های فرضیه Day 5: Types of Hypothesis Tests

• روز ۶: تحلیل همبستگی و رگرسیون Day 6: Correlation and Regression Analysis

• روز ۷: پروژه تحلیل آماری - تحلیل داده‌های واقعی Day 7: Statistical Analysis Project – Analyzing Real-World Data

هفته پنجم: مقدمه‌ای بر یادگیری ماشین Week 5: Introduction to Machine Learning

• مقدمه‌ای بر هفته پنجم: آشنایی با یادگیری ماشین Introduction to Week 5 Introduction to Machine Learning

• روز ۱: مبانی و اصطلاحات یادگیری ماشین Day 1: Machine Learning Basics and Terminology

• روز ۲: معرفی یادگیری نظارت‌شده و مدل‌های رگرسیون Day 2: Introduction to Supervised Learning and Regression Models

• روز ۳: مدل‌های رگرسیون پیشرفته - رگرسیون چندجمله‌ای و Regularization Day 3: Advanced Regression Models – Polynomial Regression and Regularization

• روز ۴: معرفی طبقه‌بندی و رگرسیون لجستیک Day 4: Introduction to Classification and Logistic Regression

• روز ۵: ارزیابی مدل و اعتبارسنجی متقابل (Cross Validation) Day 5: Model Evaluation and Cross-Validation

• روز ۶: الگوریتم k-نزدیک‌ترین همسایه (k-NN) Day 6: k-Nearest Neighbors (k-NN) Algorithm

• روز ۷: مینی پروژه یادگیری نظارت‌شده Day 7: Supervised Learning Mini Project

هفته ششم: مهندسی ویژگی و ارزیابی مدل Week 6: Feature Engineering and Model Evaluation

• مقدمه‌ای بر هفته ششم: مهندسی ویژگی و ارزیابی مدل Introduction to Week 6 Feature Engineering and Model Evaluation

• روز ۱: مقدمه‌ای بر مهندسی ویژگی Day 1: Introduction to Feature Engineering

• روز ۲: مقیاس‌بندی و نرمال‌سازی داده‌ها Day 2: Data Scaling and Normalization

• روز ۳: کدگذاری متغیرهای دسته‌ای (Categorical Encoding) Day 3: Encoding Categorical Variables

• روز ۴: تکنیک‌های انتخاب ویژگی Day 4: Feature Selection Techniques

• روز ۵: ایجاد و تبدیل ویژگی‌ها Day 5: Creating and Transforming Features

• روز ۶: تکنیک‌های ارزیابی مدل Day 6: Model Evaluation Techniques

• روز ۷: اعتبارسنجی متقابل و تنظیم هایپرپارامترها Day 7: Cross-Validation and Hyperparameter Tuning

هفته هفتم: الگوریتم‌های پیشرفته یادگیری ماشین Week 7: Advanced Machine Learning Algorithms

• مقدمه‌ای بر هفته هفتم: الگوریتم‌های پیشرفته یادگیری ماشین Introduction to Week 7 Advanced Machine Learning Algorithms

• روز ۱: مقدمه‌ای بر یادگیری Ensemble Day 1: Introduction to Ensemble Learning

• روز ۲: Bagging و جنگل‌های تصادفی (Random Forests) Day 2: Bagging and Random Forests

• روز ۳: Boosting و Gradient Boosting Day 3: Boosting and Gradient Boosting

• روز ۴: معرفی XGBoost Day 4: Introduction to XGBoost

• روز ۵: LightGBM و CatBoost Day 5: LightGBM and CatBoost

• روز ۶: مدیریت داده‌های نامتوازن Day 6: Handling Imbalanced Data

• روز ۷: پروژه یادگیری Ensemble - مقایسه مدل‌ها روی یک مجموعه داده واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

هفته هشتم: تنظیم و بهینه‌سازی مدل Week 8: Model Tuning and Optimization

• مقدمه‌ای بر هفته هشتم: تنظیم و بهینه‌سازی مدل Introduction to Week 8 Model Tuning and Optimization

• روز ۱: مقدمه‌ای بر تنظیم هایپرپارامترها Day 1: Introduction to Hyperparameter Tuning

• روز ۲: جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی (Random Search) Day 2: Grid Search and Random Search

• روز ۳: تنظیم پیشرفته هایپرپارامترها با بهینه‌سازی Bayesian Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

• روز ۴: تکنیک‌های Regularization برای بهینه‌سازی مدل Day 4: Regularization Techniques for Model Optimization

• روز ۵: تکنیک‌های اعتبارسنجی متقابل و ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

• روز ۶: تنظیم خودکار هایپرپارامترها با GridSearchCV و RandomizedSearchCV Day 6: Automated Hyperparameter Tuning with GridSearchCV and RandomizedSearchCV

• روز ۷: پروژه بهینه‌سازی - ساخت و تنظیم مدل نهایی Day 7: Optimization Project – Building and Tuning a Final Model

هفته نهم: شبکه‌های عصبی و مبانی یادگیری عمیق Week 9: Neural Networks and Deep Learning Fundamentals

• مقدمه‌ای بر هفته نهم: شبکه‌های عصبی و مبانی یادگیری عمیق Introduction to Week 9 Neural Networks and Deep Learning Fundamentals

• روز ۱: مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی Day 1: Introduction to Deep Learning and Neural Networks

• روز ۲: انتشار پیش‌رو (Forward Propagation) و توابع فعال‌ساز Day 2: Forward Propagation and Activation Functions

• روز ۳: توابع زیان (Loss Functions) و انتشار پس‌رو (Backpropagation) Day 3: Loss Functions and Backpropagation

• روز ۴: گرادیان کاهشی و تکنیک‌های بهینه‌سازی Day 4: Gradient Descent and Optimization Techniques

• روز ۵: ساخت شبکه‌های عصبی با TensorFlow و Keras Day 5: Building Neural Networks with TensorFlow and Keras

• روز ۶: ساخت شبکه‌های عصبی با PyTorch Day 6: Building Neural Networks with PyTorch

• روز ۷: پروژه شبکه عصبی - طبقه‌بندی تصاویر روی CIFAR-10 Day 7: Neural Network Project – Image Classification on CIFAR-10

هفته دهم: شبکه‌های عصبی کانولوشنال (CNNs) Week 10: Convolutional Neural Networks (CNNs)

• مقدمه‌ای بر هفته دهم: شبکه‌های عصبی کانولوشنال (CNNs) Introduction to Week 10 Convolutional Neural Networks (CNNs)

• روز ۱: مقدمه‌ای بر شبکه‌های عصبی کانولوشنال Day 1: Introduction to Convolutional Neural Networks

• روز ۲: لایه‌های کانولوشن و فیلترها Day 2: Convolutional Layers and Filters

• روز ۳: لایه‌های Pooling و کاهش ابعاد Day 3: Pooling Layers and Dimensionality Reduction

• روز ۴: ساخت معماری‌های CNN با Keras و TensorFlow Day 4: Building CNN Architectures with Keras and TensorFlow

• روز ۵: ساخت معماری‌های CNN با PyTorch Day 5: Building CNN Architectures with PyTorch

• روز ۶: Regularization و افزایش داده‌ها (Data Augmentation) برای CNN Day 6: Regularization and Data Augmentation for CNNs

• روز ۷: پروژه CNN - طبقه‌بندی تصاویر روی Fashion MNIST یا CIFAR-10 Day 7: CNN Project – Image Classification on Fashion MNIST or CIFAR-10

هفته یازدهم: شبکه‌های عصبی بازگشتی (RNNs) و مدل‌سازی توالی Week 11: Recurrent Neural Networks (RNNs) and Sequence Modeling

• مقدمه‌ای بر هفته یازدهم: شبکه‌های عصبی بازگشتی (RNNs) و مدل‌سازی توالی Introduction to Week 11: Recurrent Neural Networks (RNNs) and Sequence Modeling

• روز ۱: مقدمه‌ای بر مدل‌سازی توالی و RNNها Day 1: Introduction to Sequence Modeling and RNNs

• روز ۲: درک معماری RNN و انتشار پس‌رو در زمان (BPTT) Day 2: Understanding RNN Architecture and Backpropagation Through Time (BPTT)

• روز ۳: شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM) Day 3: Long Short-Term Memory (LSTM) Networks

• روز ۴: واحدهای بازگشتی دروازه‌ای (GRUs) Day 4: Gated Recurrent Units (GRUs)

• روز ۵: پیش‌پردازش متن و Word Embeddings برای RNNها Day 5: Text Preprocessing and Word Embeddings for RNNs

• روز ۶: مدل‌های توالی به توالی (Seq2Seq) و کاربردها Day 6: Sequence-to-Sequence Models and Applications

• روز ۷: پروژه RNN - تولید متن یا تحلیل احساسات Day 7: RNN Project – Text Generation or Sentiment Analysis

هفته دوازدهم: ترنسفورمرها و مکانیزم‌های توجه Week 12: Transformers and Attention Mechanisms

• مقدمه‌ای بر هفته دوازدهم: ترنسفورمرها و مکانیزم‌های توجه Introduction to Week 12: Transformers and Attention Mechanisms

• روز ۱: مقدمه‌ای بر مکانیزم‌های توجه (Attention) Day 1: Introduction to Attention Mechanisms

• روز ۲: مقدمه‌ای بر معماری ترنسفورمرها Day 2: Introduction to Transformers Architecture

• روز ۳: توجه به خود (Self Attention) و توجه چندسره در ترنسفورمرها Day 3: Self-Attention and Multi-Head Attention in Transformers

• روز ۴: کدگذاری موقعیتی (Positional Encoding) و شبکه‌های Feed Forward Day 4: Positional Encoding and Feed-Forward Networks

• روز ۵: کار عملی با ترنسفورمرهای پیش‌آموزش‌دیده - BERT و GPT Day 5: Hands-On with Pre-Trained Transformers – BERT and GPT

• روز ۶: ترنسفورمرهای پیشرفته - نسخه‌های BERT و GPT-3 Day 6: Advanced Transformers – BERT Variants and GPT-3

• روز ۷: پروژه ترنسفورمر - خلاصه‌سازی یا ترجمه متن Day 7: Transformer Project – Text Summarization or Translation

هفته سیزدهم: یادگیری انتقالی و تنظیم دقیق Week 13: Transfer Learning and Fine-Tuning

• مقدمه‌ای بر هفته سیزدهم: یادگیری انتقالی و تنظیم دقیق Introduction to Week 13: Transfer Learning and Fine-Tuning

• روز ۱: مقدمه‌ای بر یادگیری انتقالی (Transfer Learning) Day 1: Introduction to Transfer Learning

• روز ۲: یادگیری انتقالی در بینایی ماشین Day 2: Transfer Learning in Computer Vision

• روز ۳: تکنیک‌های تنظیم دقیق (Fine Tuning) در بینایی ماشین Day 3: Fine-Tuning Techniques in Computer Vision

• روز ۴: یادگیری انتقالی در NLP Day 4: Transfer Learning in NLP

• روز ۵: تکنیک‌های تنظیم دقیق در NLP Day 5: Fine-Tuning Techniques in NLP

• روز ۶: تطبیق دامنه و چالش‌های یادگیری انتقالی Day 6: Domain Adaptation and Transfer Learning Challenges

• روز ۷: پروژه یادگیری انتقالی - تنظیم دقیق برای یک تسک سفارشی Day 7: Transfer Learning Project – Fine-Tuning for a Custom Task

هفته اول: مبانی پایتون Week 1: Python Basics

• آموزش پایتون از صفر - آموزش سریع Learn Python from Scratch – Quick Tutorial

• روز ۱: سازنده پیام خوش‌آمدگویی - دستورات Print و Hello World Day 1: Welcome Message Generator – Print Statements & "Hello World"

• روز ۲: برنامه سلام شخصی‌سازی شده - متغیرها و انواع داده‌ها Day 2: Personalized Greeting Program – Variables & Data Types

• روز ۳: ماشین حساب ساده - ورودی کاربر و فرمت‌بندی رشته‌ها Day 3: Simple Calculator – User Input & String Formatting

• روز ۴: ابزار مقایسه اعداد - دستورات If Else Day 4: Number Comparison Tool – If-Else Statements

• روز ۵: تایمر شمارش معکوس - حلقه‌ها (for و while) Day 5: Countdown Timer – Loops (for & while)

• روز ۶: بازی کوییز ریاضی پایه - توابع Day 6: Basic Math Quiz Game – Functions

• روز ۷: اپلیکیشن لیست خرید - لیست‌ها Day 7: Shopping List App – Lists

هفته دوم: پایتون متوسط Week 2: Intermediate Python

• روز ۸: دفترچه مخاطبین - دیکشنری‌ها Day 8: Contact Book – Dictionaries

• روز ۹: بررسی‌کننده مواد اولیه - تاپل‌ها و مجموعه‌ها Day 9: Ingredient Checker – Tuples & Sets

• روز ۱۰: اپلیکیشن یادداشت‌برداری - مدیریت فایل‌ها Day 10: Note-Taking App – File Handling

• روز ۱۱: ماشین حساب امن - مدیریت استثناها (Exception Handling) Day 11: Safe Calculator – Exception Handling

• روز ۱۲: مبدل دما - توابع با مقادیر بازگشتی Day 12: Temperature Converter – Functions with Return Values

• روز ۱۳: مدیریت نمرات دانشجویان - List Comprehensions Day 13: Student Grade Manager – List Comprehensions

• روز ۱۴: سازنده رمز عبور تصادفی - ماژول‌ها و کتابخانه‌ها Day 14: Random Password Generator – Modules & Libraries

هفته سوم: کار با داده‌ها Week 3: Working with Data

• روز ۱۵: اپلیکیشن مشاهده دستور پخت - خواندن فایل‌ها Day 15: Recipe Viewer App – Reading Files

• روز ۱۶: ثبت‌کننده روزانه - نوشتن در فایل‌ها Day 16: Daily Journal Logger – Writing Files

• روز ۱۷: سازنده گزارش دانشجویی - فایل‌های CSV Day 17: Student Report Generator – CSV Files

• روز ۱۸: اپلیکیشن لیست کارهای کوچک - فایل‌های JSON Day 18: Mini To-Do App – JSON Files

• روز ۱۹: اپلیکیشن آب‌وهوا با API - مبانی APIها Day 19: Weather App Using API – APIs (Basics)

• روز ۲۰: تایمر شمارش معکوس رویداد - تاریخ و زمان Day 20: Event Countdown Timer – Dates & Time

• روز ۲۱: استخراج‌کننده مقالات ویکی‌پدیا - وب اسکرپینگ Day 21: Wikipedia Article Scraper – Web Scraping

هفته چهارم: برنامه‌نویسی شیءگرا (OOP) Week 4: Object-Oriented Programming

• روز ۲۲: شبیه‌ساز حساب بانکی - کلاس‌ها و اشیاء Day 22: Bank Account Simulator – Classes & Objects

• روز ۲۳: سیستم مدیریت کتابخانه - سازنده‌ها و متدها Day 23: Library Management System – Constructors & Methods

• روز ۲۴: سیستم مدیریت کارکنان - ارث‌بری (Inheritance) Day 24: Employee Management System – Inheritance

• روز ۲۵: شبیه‌ساز صدای حیوانات - چندریختی (Polymorphism) Day 25: Animal Sound Simulator – Polymorphism

• روز ۲۶: اپلیکیشن پروفایل کاربر امن - کپسوله‌سازی (Encapsulation) Day 26: Secure User Profile App – Encapsulation

• روز ۲۷: سیستم مدیریت موجودی - متدهای استاتیک و کلاس Day 27: Inventory Management System – Static & Class Methods

• روز ۲۸: دستگاه ATM کوچک - پروژه نهایی OOP Day 28: Mini ATM Machine – Final OOP Project

هفته پنجم: برنامه‌نویسی رابط کاربری گرافیکی (GUI) Week 5: GUI Programming

• روز ۲۹: اپلیکیشن GUI ساده - مبانی Tkinter Day 29: Simple GUI App – Tkinter Basics

• روز ۳۰: اپلیکیشن شمارنده کلیک - دکمه‌ها و رویدادها Day 30: Click Counter App – Buttons & Events

• روز ۳۱: ماشین حساب BMI - فیلدهای ورودی Day 31: BMI Calculator – Input Fields

• روز ۳۲: اپلیکیشن تخته رسم - ویجت‌های Canvas Day 32: Drawing Pad App – Canvas Widgets

• روز ۳۳: سیستم ورود ساده - جعبه‌های پیام (Message Boxes) Day 33: Simple Login System – Message Boxes

• روز ۳۴: لیست کارهای GUI - ویجت‌های پیشرفته Day 34: To-Do List GUI – Advanced Widgets

• روز ۳۵: اپلیکیشن ردیاب هزینه‌ها - پروژه نهایی GUI Day 35: Expense Tracker App – GUI Capstone

هفته ششم: توسعه وب با پایتون Week 6: Web Development with Python

• روز ۳۶: اپلیکیشن Hello Flask - مبانی Flask Day 36: Hello Flask App – Flask Basics

• روز ۳۷: وب‌سایت وبلاگ شخصی - مسیرها و قالب‌ها Day 37: Personal Blog Website – Routes & Templates

• روز ۳۸: اپلیکیشن فرم تماس - فرم‌ها و ورودی کاربر Day 38: Contact Form App – Forms & User Input

• روز ۳۹: اپلیکیشن ثبت‌نام کاربر - یکپارچه‌سازی با پایگاه داده Day 39: User Registration App – Database Integration

• روز ۴۰: API کوچک آب‌وهوا - REST APIها Day 40: Mini Weather API – REST APIs

• روز ۴۱: استقرار اپلیکیشن Flask - Deployment Day 41: Deploy Flask App – Deployment

• روز ۴۲: وب‌سایت پورتفولیو - پروژه نهایی Flask Day 42: Portfolio Website – Flask Capstone

هفته هفتم: مبانی علوم داده Week 7: Data Science Basics

• روز ۴۳: ماشین حساب ماتریسی - NumPy Day 43: Matrix Calculator – NumPy

• روز ۴۴: پاک‌کننده داده‌ها - Pandas Day 44: Data Cleaner – Pandas

• روز ۴۵: ترسیم‌کننده نمودار - Matplotlib Day 45: Graph Plotter – Matplotlib

• روز ۴۶: تحلیل‌گر گزارش فروش - تحلیل داده‌ها Day 46: Sales Report Analyzer – Data Analysis

• روز ۴۷: ترسیم‌کننده دما - رسم روندها Day 47: Temperature Plotter – Plotting Trends

• روز ۴۸: ردیاب قیمت سهام - استخراج داده‌ها Day 48: Stock Price Tracker – Data Scraping

• روز ۴۹: داشبورد COVID-19 - پروژه نهایی Day 49: COVID-19 Dashboard – Capstone Project

روزهای ۵۰ تا ۶۰: پروژه‌های سطح متوسط Days 50–60: Intermediate Projects

• روز ۵۰: اپلیکیشن داشبورد آب‌وهوا Day 50: Weather Dashboard App

• روز ۵۱: ردیاب هزینه‌ها Day 51: Expense Tracker

• روز ۵۲: ابزار سازمان‌دهنده فایل‌ها Day 52: File Organizer Tool

• روز ۵۳: بازی دوز (Tic Tac Toe) Day 53: Tic-Tac-Toe Game

• روز ۵۴: چت‌بات کوچک Day 54: Mini Chatbot

• روز ۵۵: سازمان‌دهنده لیست پخش موسیقی Day 55: Music Playlist Organizer

• روز ۵۶: برنامه‌ریز بودجه شخصی Day 56: Personal Budget Planner

• روز ۵۷: سازنده هنر ASCII Day 57: ASCII Art Generator

• روز ۵۸: تایمر پومودورو Day 58: Pomodoro Timer

• روز ۵۹: مبدل Markdown به HTML Day 59: Markdown to HTML Converter

• روز ۶۰: اپلیکیشن دفترچه خاطرات شخصی Day 60: Personal Diary App

روزهای ۶۱ تا ۷۰: پروژه‌های متوسط پیشرفته Days 61–70: Advanced Intermediate Projects

• روز ۶۱: استخراج‌کننده شبکه‌های اجتماعی Day 61: Social Media Scraper

• روز ۶۲: ابزار بک‌آپ خودکار Day 62: Automated Backup Tool

• روز ۶۳: سیستم پیشنهاد فیلم Day 63: Movie Recommendation System

• روز ۶۴: ابزار ادغام PDF Day 64: PDF Merger Tool

• روز ۶۵: بک‌اند وب‌سایت پورتفولیو Day 65: Portfolio Website Backend

• روز ۶۶: اپلیکیشن یادگیری با فلش‌کارت Day 66: Flashcards Learning App

• روز ۶۷: داشبورد بازار سهام Day 67: Stock Market Dashboard

• روز ۶۸: زمان‌بند وظایف Day 68: Task Scheduler

• روز ۶۹: مبدل ارز Day 69: Currency Converter

• روز ۷۰: اپلیکیشن بصری‌ساز داده‌ها Day 70: Data Visualizer App

روزهای ۷۱ تا ۸۰: پروژه‌های هوش مصنوعی و یادگیری ماشین Days 71–80: AI & Machine Learning Projects

• روز ۷۱: تشخیص‌دهنده ایمیل‌های اسپم Day 71: Spam Email Detector

• روز ۷۲: تحلیل‌گر احساسات متن Day 72: Text Sentiment Analyzer

• روز ۷۳: تشخیص ارقام دست‌نویس Day 73: Handwriting Digit Recognition

• روز ۷۴: دستیار صوتی Day 74: Voice Assistant

• روز ۷۵: اپلیکیشن تشخیص چهره Day 75: Face Detection App

• روز ۷۶: سیستم پیشنهاد ساده Day 76: Simple Recommendation System

• روز ۷۷: چت‌بات هوش مصنوعی با NLP Day 77: AI Chatbot with NLP

• روز ۷۸: اپلیکیشن تشخیص اشیاء Day 78: Object Detection App

• روز ۷۹: ابزار ترجمه زبان Day 79: Language Translator Tool

• روز ۸۰: تشخیص‌دهنده اخبار جعلی Day 80: Fake News Detector

الگوریتم‌های یادگیری ماشین و پیاده‌سازی در پایتون Machine Learning Algorithms and Implementation in Python

• مقدمه‌ای بر الگوریتم‌های یادگیری ماشین و پیاده‌سازی در پایتون Introduction to Machine Learning Algorithms and Implementation in Python

• ۱. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی رگرسیون خطی 1. Supervised Learning Algorithms: Linear Regression Implementation

• ۲. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی رگرسیون Ridge و Lasso 2. Supervised Learning Algorithms: Ridge and Lasso Regression Implementation

• ۳. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی رگرسیون چندجمله‌ای 3. Supervised Learning Algorithms: Polynomial Regression Implementation

• ۴. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی رگرسیون لجستیک 4. Supervised Learning Algorithms: Logistic Regression Implementation

• ۵. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی K-نزدیک‌ترین همسایه (KNN) 5. Supervised Learning Algorithms: K-Nearest Neighbors (KNN) Implementation

• ۶. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی ماشین‌های بردار پشتیبان (SVM) 6. Supervised Learning Algorithms: Support Vector Machines (SVM) Implementation

• ۷. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی درخت تصمیم 7. Supervised Learning Algorithms: Decision Trees Implementation

• ۸. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی جنگل‌های تصادفی 8. Supervised Learning Algorithms: Random Forests Implementation

• ۹. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی Gradient Boosting 9. Supervised Learning Algorithms: Gradient Boosting Implementation

• ۱۰. الگوریتم‌های یادگیری نظارت‌شده: پیاده‌سازی Naive Bayes 10. Supervised Learning Algorithms: Naive Bayes Implementation

• ۱۱. الگوریتم‌های یادگیری نظارت‌نشده: پیاده‌سازی خوشه‌بندی K-Means 11. Unsupervised Learning Algorithms: K-Means Clustering Implementation

• ۱۲. الگوریتم‌های یادگیری نظارت‌نشده: پیاده‌سازی خوشه‌بندی سلسله‌مراتبی 12. Unsupervised Learning Algorithms: Hierarchical Clustering Implementation

• ۱۳. الگوریتم‌های یادگیری نظارت‌نشده: DBSCAN 13. Unsupervised Learning Algorithms: DBSCAN

• ۱۴. الگوریتم‌های یادگیری نظارت‌نشده: مدل‌های مخلوط گوسی (GMM) 14. Unsupervised Learning Algorithms: Gaussian Mixture Models (GMM)

• ۱۵. الگوریتم‌های یادگیری نظارت‌نشده: تحلیل مؤلفه‌های اصلی (PCA) 15. Unsupervised Learning Algorithms: Principal Component Analysis (PCA)

• ۱۶. الگوریتم‌های یادگیری نظارت‌نشده: t-SNE 16. Unsupervised Learning Algorithms: t-Distributed Stochastic Neighbor Embedding

• ۱۷. الگوریتم‌های یادگیری نظارت‌نشده: پیاده‌سازی Autoencoders 17. Unsupervised Learning Algorithms: Autoencoders Implementation

• ۱۸. پیاده‌سازی Self-Training 18. Self-Training Implementation

• ۱۹. پیاده‌سازی Q-Learning 19. Q-Learning Implementation

• ۲۰. پیاده‌سازی شبکه‌های عمیق Q (DQN) 20. Deep Q-Networks (DQN) Implementation

• ۲۱. پیاده‌سازی متدهای Policy Gradient 21. Policy Gradient Methods Implementation

• ۲۲. پیاده‌سازی One-Class SVM 22. One-Class SVM Implementation

• ۲۳. پیاده‌سازی Isolation Forest 23. Isolation Forest Implementation

• ۲۴. پیاده‌سازی شبکه‌های عصبی کانولوشنال (CNNs) 24. Convolutional Neural Networks (CNNs) Implementation

• ۲۵. پیاده‌سازی شبکه‌های عصبی بازگشتی (RNNs) 25. Recurrent Neural Networks (RNNs) Implementation

• ۲۶. پیاده‌سازی حافظه طولانی کوتاه‌مدت (LSTM) 26. Long Short-Term Memory (LSTM) Implementation

• ۲۷. پیاده‌سازی ترنسفورمرها 27. Transformers Implementation