آموزش بوت‌کمپ پیشرفته علوم داده و هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

ماژول ۱: مهندسی داده برای یادگیری ماشین Module 1: Data Engineering For Machine Learning

• درس ۱: پیش‌پردازش پیشرفته داده‌ها و مهندسی ویژگی Lesson 1: Advanced Data Preprocessing & Feature Engineering

• درس ۲: مدیریت داده‌های نامتوازن و نویزی Lesson 2: Handling-Imbalanced-and-Noisy-Data.

• درس ۳: انتخاب ویژگی و کاهش ابعاد Lesson 3: Feature Selection & Dimensionality Reduction

• درس ۴: آزمون‌های آماری و طراحی آزمایش Lesson 4: Statistical-Testing-and-Experiment-Design

• درس ۵: خط لوله‌ها (Pipelines) و اتوماسیون جریان کاری Lesson 5: Pipelines-and-Workflow-Automation

ماژول ۲: مدل‌سازی پیشرفته یادگیری ماشین و بهینه‌سازی Module 2: Advance Machine Learning Modeling & Optimization

• درس ۱: روش‌های مجموعه‌ای (Ensemble Methods) Lesson 1:Ensemble-Methods

• درس ۲: تقویت گرادیان (Gradient Boosting) Lesson 2: Gradient-Boosting

• درس ۳: بهینه‌سازی هایپرپارامترها Lesson 3: Hyperparameter-Optimization

• درس ۴: تفسیرپذیری مدل Lesson 4:Model-Interpretability

• درس ۵: استراتژی‌های ارزیابی و اعتبارسنجی مدل Lesson 5: Model-Evaluation-and-Validation-Strategies

ماژول ۳: یادگیری عمیق و شبکه‌های عصبی Module 3: Deep Learning and Neural Network

• درس ۱: طراحی معماری شبکه عصبی Lesson 1: Neural-Network-Architecture-Design

• درس ۲: پس‌انتشار (Backpropagation) و تکنیک‌های بهینه‌سازی Lesson 2: Backpropagation-and-Optimization-Techniques

• درس ۳: روش‌های منظم‌سازی (Regularization) Lesson 3: Regularization-Methods

• درس ۴: پردازش تصویر Lesson 4: Image-Processing

• درس ۵: شبکه‌های RNN، LSTM و GRU برای داده‌های متوالی Lesson 5: RNN-LSTM-and-GRU-for-Sequential-Data

ماژول ۴: ترنسفورمرهای NLP و مدل‌های زبانی بزرگ Module 4: NLP Transformer & Large Language Models

• درس ۱: پیش‌پردازش متن و توکن‌سازی Lesson 1: Text-Preprocessing-and-Tokenization

• درس ۲: جاسازی کلمات (Word Embeddings) Lesson 2: Word-Embeddings

• درس ۳: ترنسفورمرها و مکانیسم توجه (Attention) Lesson 3: Transformers-and-Attention-Mechanism

• درس ۴: تحلیل احساسات و طبقه‌بندی متن Lesson 4: Sentiment-Analysis-and-Text-Classification

• درس ۵: مدل‌های زبانی بزرگ (LLMs) و کاربردها Lesson 5:Large-Language-Models-LLMs-and-Applications

ماژول ۵: بینایی ماشین و هوش تصویری Module 5: Computer Vision & Image Intelligence

• درس ۱: سیستم‌های بینایی ماشین Lesson 1:Computer-Vision-Systems

• درس ۲: معماری‌های CNN Lesson 2: CNN-Architectures

• درس ۳: تشخیص اشیاء (Object Detection) Lesson 3:Object Detection

• درس ۴: تکنیک‌های بخش‌بندی تصویر (Image Segmentation) Lesson 4:Image-Segmentation-Techniques

• درس ۵: کاربردهای واقعی بینایی ماشین Lesson 5:Real-World-Computer-Vision-Applications

ماژول ۶: تحلیل سری‌های زمانی و پیش‌بینی Module 6: Time Series Analysis & Forecasting

• درس ۱: تجزیه سری‌های زمانی Lesson 1: Time-Series-Decomposition

• درس ۲: مدل‌های ARIMA و SARIMA Lesson 2: ARIMA-and-SARIMA-Models

• درس ۳: مدل Prophet برای پیش‌بینی Lesson 3: Prophet-Model-for-Forecasting

• درس ۴: استفاده از LSTM برای پیش‌بینی سری‌های زمانی Lesson 4: LSTM-for-Time-Series-Prediction

• درس ۵: تشخیص ناهنجاری در سری‌های زمانی Lesson 5:Anomaly-Detection-in-Time-Series

ماژول ۷: MLOps و استقرار مدل‌های هوش مصنوعی Module 7: MLOps & AI Model Deployment

• درس ۱: استراتژی‌های استقرار مدل Lesson 1: Model-Deployment-Strategies

• درس ۲: داکر و کانتینرسازی Lesson 2: Docker-and-Containerization

• درس ۳: یادگیری ماشین در محیط عملیاتی Lesson 3: Machine-Learning

• درس ۴: پیش‌بینی سری‌های زمانی با LSTM Lesson 4:LSTM-for-Time-Series-Prediction

• درس ۵: استقرار ابری در AWS، GCP و Azure Lesson 5: Cloud-Deployment-AWS-GCP-and-Azure