آموزش مگا کلاس هوش مصنوعی و پایتون: بیش از 300 پروژه عملی - آخرین آپدیت

سرفصل ها و درس ها

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

• معرفی هفته 1 - مبانی پایتون Introduction à la semaine 1 – Bases de Python

• روز 1: معرفی پایتون و پیکربندی محیط توسعه Jour 1 : Introduction à Python et configuration de l’environnement de développem

• 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 روی پروژه Jour 7 : Code Pythonique et travail sur projet

• اسلایدها و کد دوره Diapositives et code du cours

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

• معرفی 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

• معرفی 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 احتمالات 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

• معرفی هفته 4 - احتمالات و آمار Introduction à la semaine 4 – Probabilités et statistiques

• روز 1: متغیرهای تصادفی و نظریه احتمالات 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 فواصل 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

• معرفی 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

• معرفی 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

• معرفی هفته 7 - الگوریتم های پیشرفته Introduction à la semaine 7 – Algorithmes avancés

• روز 1: مقدمه ای بر یادگیری جمعی 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: معرفی 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 بر 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

• معرفی هفته 8 - بهینه سازی Introduction à la semaine 8 – Optimisation

• روز 1: مقدمه ای بر تنظیم هایپرپارامترها 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

• معرفی 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 زیان 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 ها با TensorFlow و Keras Jour 5 : Création de réseaux avec TensorFlow et Keras

• روز 6: ایجاد شبکه ها 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)

• معرفی هفته 10 - CNNs Introduction à la semaine 10 – CNNs

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

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

• روز 3: لایه های ادغام 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

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

• روز 4: واحدهای GRU Jour 4 : Unités GRU

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

• روز 6: مدل های دنباله به دنباله 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

• معرفی 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-توجهی Jour 3 : Attention multi-tête et auto-attention

• روز 4: رمزگذاری موقعیتی و شبکه های تغذیه رو به جلو 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 تنظیم دقیق Semaine 13 : Apprentissage par transfert et fine-tuning

• معرفی هفته 13 - یادگیری انتقالی Introduction à la semaine 13 – Transfer Learning

• روز 1: مفاهیم اساسی 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 تنظیم دقیق در بینایی Jour 3 : Techniques de fine-tuning en vision

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

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

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

• روز 7: پروژه - تنظیم دقیق برای یک کار سفارشی Jour 7 : Projet – Fine-tuning pour une tâche personnalisée

هفته 1: مبانی پایتون Semaine 1 : Bases de Python

• دوره فشرده: پایتون را از ابتدا یاد بگیرید Cours accéléré : Apprenez Python à partir de zéro

• روز 1: تولید کننده پیام خوش آمدید: print & "Hello, World!" Jour 1 : Générateur de message de bienvenue : print & "Hello, World!"

• روز 2: برنامه تبریک: متغیرها و انواع داده ها Jour 2 : Programme de salutation : variables et types de données

• روز 3: ماشین حساب ساده: ورودی کاربر و قالب بندی Jour 3 : Calculatrice simple : saisie utilisateur & formatage

• روز 4: ابزار مقایسه: دستورات if-else Jour 4 : Outil de comparaison : instructions if-else

• روز 5: تایمر: حلقه ها (for & while) Jour 5 : Minuteur : boucles (for & while)

• روز 6: آزمون ریاضی پایه: توابع Jour 6 : Quiz de maths basique : fonctions

• روز 7: لیست خرید: لیست ها Jour 7 : Liste de courses : listes

هفته 2: پایتون متوسط Semaine 2 : Python Intermédiaire

• روز 8: دفترچه آدرس: دیکشنری ها Jour 8 : Carnet d’adresses : dictionnaires

• روز 9: بررسی کننده مواد تشکیل دهنده: تاپل ها و مجموعه ها Jour 9 : Vérificateur d’ingrédients : tuples et ensembles

• روز 10: یادداشت برداری: مدیریت فایل ها Jour 10 : Prise de notes : gestion de fichiers

• روز 11: ماشین حساب امن: مدیریت استثناها Jour 11 : Calculatrice sécurisée : gestion des exceptions

• روز 12: تبدیل کننده دما: توابع با بازگشت Jour 12 : Convertisseur de température : fonctions avec retour

• روز 13: مدیریت نمرات: درک لیست ها Jour 13 : Gestion des notes : compréhensions de listes

• روز 14: تولید کننده رمز عبور: ماژول ها و کتابخانه ها Jour 14 : Générateur de mots de passe : modules & bibliothèques

هفته 3: کار با داده ها Semaine 3 : Travailler avec les données

• روز 15: نمایش دهنده دستور العمل ها: خواندن فایل ها Jour 15 : Visionneuse de recettes : lecture de fichiers

• روز 16: مجله روزانه: نوشتن فایل ها Jour 16 : Journal quotidien : écriture de fichiers

• روز 17: گزارش دانشجویی: فایل های CSV Jour 17 : Rapport étudiant : fichiers CSV

• روز 18: برنامه وظایف: فایل های JSON Jour 18 : App de tâches : fichiers JSON

• روز 19: برنامه هواشناسی با API: API پایه Jour 19 : App météo avec API : API de base

• روز 20: تایمر رویداد: تاریخ ها و زمان Jour 20 : Minuteur d'événement : dates & heure

• روز 21: بازیابی مقاله ویکی‌پدیا: وب اسکرپینگ Jour 21 : Récupérateur d’article Wikipédia : web scraping

هفته 4: برنامه نویسی شی گرا (POO) Semaine 4 : Programmation orientée objet (POO)

• روز 22: شبیه ساز حساب بانکی: کلاس ها و اشیاء Jour 22 : Simulateur de compte bancaire : classes & objets

• روز 23: مدیریت کتابخانه: سازنده ها و روش ها Jour 23 : Gestion de bibliothèque : constructeurs & méthodes

• روز 24: مدیریت کارکنان: وراثت Jour 24 : Gestion des employés : héritage

• روز 25: شبیه ساز حیوانات: چندریختی Jour 25 : Simulateur d’animaux : polymorphisme

• روز 26: پروفایل کاربر امن: کپسوله سازی Jour 26 : Profil utilisateur sécurisé : encapsulation

• روز 27: مدیریت موجودی: روش های استاتیک و کلاس Jour 27 : Gestion d’inventaire : méthodes statiques & de classe

• روز 28: مینی DAB: پروژه نهایی در POO Jour 28 : Mini DAB : projet final en POO

هفته 5: رابط های گرافیکی (GUI) Semaine 5 : Interfaces graphiques (GUI)

• روز 29: برنامه GUI ساده: مبانی Tkinter Jour 29 : App GUI simple : bases de Tkinter

• روز 30: شمارنده کلیک: دکمه ها و رویدادها Jour 30 : Compteur de clics : boutons & événements

• روز 31: ماشین حساب BMI: فیلدهای ورودی Jour 31 : Calculatrice IMC : champs de saisie

• روز 32: بلوک طراحی: canvas widgets Jour 32 : Bloc à dessin : canvas widgets

• روز 33: اتصال ساده: جعبه های پیام Jour 33 : Connexion simple : boîtes de message

• روز 34: لیست وظایف GUI: ویجت های پیشرفته Jour 34 : Liste de tâches GUI : widgets avancés

• روز 35: ردیابی هزینه ها: پروژه نهایی GUI Jour 35 : Suivi de dépenses : projet final GUI

هفته 6: توسعه وب با پایتون Semaine 6 : Développement Web avec Python

• روز 36: سلام Flask: مبانی Flask Jour 36 : Bonjour Flask : bases de Flask

• روز 37: وبلاگ شخصی: مسیرها و قالب ها Jour 37 : Blog personnel : routes & templates

• روز 38: فرم تماس: فرم ها و ورودی ها Jour 38 : Formulaire de contact : formulaires & saisies

• روز 39: ثبت نام کاربر: پایگاه داده Jour 39 : Inscription utilisateur : base de données

• روز 40: مینی API آب و هوا: API های REST Jour 40 : Mini API météo : APIs REST

• روز 41: استقرار Flask: میزبانی Jour 41 : Déploiement Flask : hébergement

• روز 42: سایت نمونه کارها: پروژه نهایی Flask Jour 42 : Site portfolio : projet final Flask

هفته 7: آشنایی با علم داده Semaine 7 : Initiation à la Data Science

• روز 43: ماشین حساب ماتریس: NumPy Jour 43 : Calculatrice matricielle : NumPy

• روز 44: پاک کننده داده: Pandas Jour 44 : Nettoyeur de données : Pandas

• روز 45: ژنراتور نمودار: Matplotlib Jour 45 : Générateur de graphiques : Matplotlib

• روز 46: تجزیه و تحلیل فروش: تجزیه و تحلیل داده ها Jour 46 : Analyse des ventes : data analysis

• روز 47: منحنی دما: تجسم Jour 47 : Courbe de température : visualisation

• روز 48: ردیابی سهام: خراش دادن داده ها Jour 48 : Suivi de bourse : data scraping

• روز 49: داشبورد COVID-19: پروژه نهایی Jour 49 : Tableau de bord COVID-19 : projet final

روزهای 50-60: پروژه های متوسط Jours 50–60 : Projets intermédiaires

• روز 50: داشبورد آب و هوا Jour 50 : Tableau de bord météo

• روز 51: ردیابی هزینه ها Jour 51 : Suivi de dépenses

• روز 52: سازمان دهنده فایل Jour 52 : Organiseur de fichiers

• روز 53: بازی تیک تاک تو Jour 53 : Jeu du morpion

• روز 54: مینی چت بات Jour 54 : Mini chatbot

• روز 55: سازمان دهنده لیست پخش Jour 55 : Organiseur de playlist

• روز 56: برنامه ریز بودجه Jour 56 : Planificateur de budget

• روز 57: تولید کننده هنر ASCII Jour 57 : Générateur d’art ASCII

• روز 58: تایمر Pomodoro Jour 58 : Minuteur Pomodoro

• روز 59: تبدیل کننده Markdown → HTML Jour 59 : Convertisseur Markdown → HTML

• روز 60: مجله شخصی Jour 60 : Journal personnel

روزهای 61-70: پروژه های پیشرفته متوسط Jours 61–70 : Projets avancés intermédiaires

• روز 61: خزنده شبکه های اجتماعی Jour 61 : Scraper de réseaux sociaux

• روز 62: پشتیبان گیری خودکار Jour 62 : Sauvegarde automatique

• روز 63: سیستم پیشنهاد فیلم Jour 63 : Système de recommandation films

• روز 64: ادغام کننده PDF ها Jour 64 : Fusionneur de PDFs

• روز 65: باطن سایت نمونه کارها Jour 65 : Backend de site portfolio

• روز 66: برنامه فلش کارت Jour 66 : App de flashcards

• روز 67: تابلوی بورس Jour 67 : Tableau boursier

• روز 68: برنامه ریز وظایف Jour 68 : Planificateur de tâches

• روز 69: مبدل ارز Jour 69 : Convertisseur de devises

• روز 70: تجسم کننده داده Jour 70 : Visualiseur de données

روزهای 71-80: پروژه ها در هوش مصنوعی و یادگیری ماشین Jours 71–80 : Projets en IA et Machine Learning

• روز 71: آشکارساز هرزنامه Jour 71 : Détecteur de spam

• روز 72: تجزیه و تحلیل احساسات Jour 72 : Analyse de sentiment

• روز 73: تشخیص دست خط Jour 73 : Reconnaissance d’écriture

• روز 74: دستیار صوتی Jour 74 : Assistant vocal

• روز 75: برنامه تشخیص چهره Jour 75 : App de détection de visage

• روز 76: سیستم توصیه ساده Jour 76 : Système de recommandation simple

• روز 77: چت بات هوش مصنوعی با NLP Jour 77 : Chatbot IA avec NLP

• روز 78: تشخیص اشیا Jour 78 : Détection d’objets

• روز 79: مترجم زبان Jour 79 : Traducteur de langues

• روز 80: آشکارساز اخبار جعلی Jour 80 : Détecteur de fake news

الگوریتم های یادگیری ماشین با پایتون Algorithmes de Machine Learning avec Python

• مقدمه ای بر الگوریتم های ML و پیاده سازی آنها Introduction aux algorithmes de ML et leur implémentation

• 1. رگرسیون خطی 1. Régression linéaire

• 2. رگرسیون Ridge و Lasso 2. Régression Ridge et Lasso

• 3. رگرسیون چند جمله ای 3. Régression polynomiale

• 4. رگرسیون لجستیک 4. Régression logistique

• 5. K نزدیکترین همسایه (KNN) 5. K plus proches voisins (KNN)

• 6. ماشین های بردار پشتیبان (SVM) 6. Machines à vecteurs de support (SVM)

• 7. درخت های تصمیم 7. Arbres de décision

• 8. جنگل های تصادفی (Random Forests) 8. Forêts aléatoires (Random Forests)

• 9. گرادیان بوستینگ 9. Gradient Boosting

• 10. نایو بیز 10. Naive Bayes

• 11. خوشه بندی K-Means 11. K-Means clustering

• 12. خوشه بندی سلسله مراتبی 12. Regroupement hiérarchique

• 13. DBSCAN 13. DBSCAN

• 14. مدل های مخلوط گاوسی (GMM) 14. Modèles de mélange gaussien (GMM)

• 15. PCA (تجزیه و تحلیل مولفه های اصلی) 15. ACP (Analyse en composantes principales)

• 16. t-SNE (t-توزیع شده جاسازی همسایه تصادفی) 16. t-SNE (t-Distributed Stochastic Neighbor Embedding)

• 17. خودرمزگذارها 17. Autoencodeurs

• 18. خودآموزی 18. Self-training

• 19. Q-learning 19. Q-learning

• 20. شبکه های عصبی عمیق Q (DQN) 20. Réseaux de neurones profonds Q (DQN)

• 21. روش های گرادیان سیاست 21. Méthodes Policy Gradient

• 22. One-Class SVM 22. One-Class SVM

• 23. جنگل انزوا 23. Forêt d’isolation

• 24. شبکه های عصبی کانولوشن (CNNs) 24. Réseaux de neurones convolutifs (CNNs)

• 25. شبکه های عصبی بازگشتی (RNNs) 25. Réseaux neuronaux récurrents (RNNs)

• 26. حافظه بلند مدت کوتاه (LSTM) 26. Mémoire à long court terme (LSTM)

• 27. ترانسفورمرها 27. Transformers