سرفصل های دوره های مدرسه پاییزی هوش مصنوعی

سرفصل های دوره های مدرسه پاییزی هوش مصنوعی مدرسه مهارت هوش مصنوعی

مدرسه مهارت پارسه

سرفصل های دوره های مدرسه پاییزی

آموزش مهارت‌های کاربردی هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و بینایی ماشین

Python یادگیری ماشین
Deep Learning بینایی ماشین

🐍

سرفصل دوره آموزش مقدماتی Python

۱۲ ساعت آموزش

جلسه ۱: آشنایی با پایتون و مفاهیم اولیه

• معرفی زبان Python و کاربردهای آن

• نصب و راه‌اندازی محیط برنامه‌نویسی

• نحوه اجرای برنامه‌های Python

• دستور print()

• کامنت‌گذاری

• مفهوم متغیر

• قوانین نام‌گذاری متغیرها

• انواع داده int، float، str و bool

جلسه ۲: ورودی، خروجی و عملگرها

• دریافت اطلاعات با input()

• تبدیل انواع داده‌ها

• عملگرهای ریاضی

• عملگرهای مقایسه‌ای

• عملگرهای منطقی

• کار با رشته‌ها

• قالب‌بندی رشته‌ها با f-string

جلسه ۳: ساختارهای شرطی

• دستور if

• دستور else

• دستور elif

• شرط‌های چندگانه

• استفاده از and، or و not

• شرط‌های تو در تو

• تمرین‌های کاربردی شرط

جلسه ۴: حلقه‌ها و تکرار

• مفهوم حلقه

• حلقه for

• تابع range

• حلقه while

• حلقه‌های تو در تو

• دستور break

• دستور continue

• تمرین‌های کاربردی حلقه

جلسه ۵: ساختمان داده‌های پایه

• آشنایی با List

• ایجاد، ویرایش و حذف عناصر لیست

• اندیس‌گذاری و Slicing

• متدهای پرکاربرد لیست

• پیمایش لیست با حلقه

• آشنایی با Tuple

• آشنایی با Set

• آشنایی با Dictionary

جلسه ۶: توابع و جمع‌بندی

• مفهوم تابع

• تعریف تابع با def

• پارامترها و آرگومان‌ها

• مقدار بازگشتی با return

• متغیرهای محلی و سراسری

• ترکیب توابع با شرط و حلقه

• حل تمرین‌های ترکیبی

• طراحی یک پروژه کوچک

• جمع‌بندی مطالب دوره

🤖

سرفصل یادگیری ماشین مقدماتی

۱۲ ساعت آموزش

جلسه ۱: آشنایی با یادگیری ماشین

• هوش مصنوعی چیست؟

• یادگیری ماشین چیست؟

• کاربردهای یادگیری ماشین

• انواع یادگیری ماشین

• یادگیری نظارت‌شده و نظارت‌نشده

• مفهوم Dataset، Feature و Target

جلسه ۲: آشنایی با داده‌ها

• آشنایی مقدماتی با Pandas

• خواندن فایل CSV

• مشاهده و بررسی داده‌ها

• انتخاب ستون‌ها

• بررسی داده‌های گمشده

• آماده‌سازی ساده داده‌ها

• مفهوم داده‌های Train و Test

جلسه ۳: رگرسیون

• مفهوم Regression

• کاربردهای رگرسیون

• رگرسیون خطی Linear Regression

• آموزش مدل با fit()

• پیش‌بینی با predict()

• بررسی ساده عملکرد مدل

• مثال پیش‌بینی قیمت خانه

جلسه ۴: طبقه‌بندی

• مفهوم Classification

• تفاوت Classification و Regression

• طبقه‌بندی دودویی و چندکلاسه

• الگوریتم Logistic Regression

• آموزش مدل

• پیش‌بینی کلاس

• معیار Accuracy

• مثال تشخیص قبولی/رد یا دسته‌بندی ساده

جلسه ۵: الگوریتم‌های ساده طبقه‌بندی

• آشنایی با الگوریتم KNN

• مفهوم همسایه‌های نزدیک

• انتخاب مقدار K

• آشنایی با Decision Tree

• مفهوم درخت تصمیم

• مقایسه ساده مدل‌ها

• تمرین با یک Dataset واقعی

جلسه ۶: پروژه عملی و جمع‌بندی

• انتخاب Dataset

• تعیین Feature و Target

• تقسیم داده‌ها به Train و Test

• انتخاب مدل

• آموزش مدل

• انجام Prediction

• محاسبه Accuracy

• جمع‌بندی مراحل یک پروژه Machine Learning

🧠

سرفصل Deep Learning

شبکه‌های عصبی کاملا متصل و شبکه‌های عصبی کانولوشنی | ۱۲ ساعت

شبکه‌های عصبی کاملا متصل

۸ ساعت

مبانی شبکه‌های عصبی

• شبکه عصبی تک لایه برای رگرسیون / کلاسبندی

• شبکه‌های عصبی پرسپترون چند لایه

◦ آموزش شبکه‌های پرسپترون چند لایه با Backpropagation

◦ انواع توابع هزینه (Loss function)

الگوریتم‌های بهینه سازی برای یادگیری عمیق (optimizers)

• الگوریتم‌های کاهش گرادیان (Gradient Descent) و کاهش گرادیان تصادفی (Stochastic Gradient Descent)

• Momentum

• Adagrad

• RMSprop

• Adadelta

• ADAM

مشکلات شبکه‌های عصبی پرسپترون عمیق راه حل آن‌ها

• Gradient vanishing

• Overfitting and underfitting

• Dropout

• Regularization

• Batch normalization

• Hyperparameter Tuning

شبکه‌های عصبی کانولوشنی CNN

۴ ساعت

• مشکلات شبکه‌های عصبی پرسپترون در پردازش تصاویر

• مقدمه‌ای بر پردازش تصویر و اساس کار فیلتر‌ها

• استخراج ویژگی

• اساس محاسبات در لایه‌های کانولوشن

• Padding

• Stride

• Channel

• لایه Pooling

• Max pooling

• Mean pooling

👁️

بینایی ماشین

۱۲ ساعت آموزش

Introduction to Computer Vision

• Introduction to Computer Vision

• Applications of Computer Vision

CNN Architectures & Transfer Learning

• CNN Architectures & Transfer Learning

• AlexNet

• VGG

• Inception

• Residual Networks (ResNet)

• Densely Connected Networks (DenseNet)

Data Augmentation, Generalization & Robustness

• Data Augmentation, Generalization & Robustness

• Feature Extraction, FineTuning

دوره‌های مدرسه پاییزی

۴ دوره تخصصی و ۴۸ ساعت آموزش

🤖

یادگیری ماشین مقدماتی ۱۲ ساعت

🐍

آموزش مقدماتی Python ۱۲ ساعت

🧠

Deep Learning ۱۲ ساعت

👁️

بینایی ماشین ۱۲ ساعت

مدرسه پاییزی پارسه

جهت شرکت در دوره و یا دریافت مشاوره رایگان، فرم زیر را تکمیل کنید.

برای دریافت اطلاعات کامل دوره‌ها، شرایط ثبت نام و مشاوره رایگان، اطلاعات خود را در فرم انتهای صفحه ثبت کنید.

ثبت نام و دریافت مشاوره رایگان

↓