صفحه اصلی
هوش مصنوعی ، مدرسه مهارت
بوت کمپ متخصص هوش مصنوعی
سرفصل های دروس بوت کمپ متخصص هوش مصنوعی

سرفصل های دروس بوت کمپ متخصص هوش مصنوعی مدرسه مهارت هوش مصنوعی

پایتون ویژه هوش مصنوعی 30 ساعت (ویژه کد33)

بخش 1: مبانی مهندسی کامپیوتر و معماری سیستم - معماری محاسباتی و فون‌نویمان

  • کالبدشناسی CPU (واحد ALU و Control)، مفهوم پردازش موازی و نقش حیاتی GPU در یادگیری ماشین.
  • سلسله‌مراتب حافظه و سرعت: مدیریت حافظه از Registers و L1/L2 Cache تا RAM و SSD؛ چرا سرعت کد به مکان ذخیره‌سازی داده بستگی دارد؟

بخش 2: نمایش داده‌ها در دنیای دیجیتال

منطق دودویی (Binary) و Hexadecimal، مبانی تبدیل اعدادی، و نحوه درکِ متن (ASCII/Unicode) توسط ماشین. تبارشناسی زبان‌های برنامه‌نویسی: بررسی سطوح زبان (Low-level تا Very High-level)، تفاوت مفسر و کامپایلر، و فلسفه پایتون (The Zen of Python).

سیستم‌عامل و مدیریت فایل: تسلط بر ترمینال (CLI)، مفهوم PATH، کار با مسیرهای مطلق و نسبی، و ابزارهای ویرایش متن در کنسول (Vim/Nano).

زیرساخت شبکه برای متخصصین داده: پروتکل‌های HTTP/HTTPS، مفهوم IP و DNS، و استراتژی‌های عبور از محدودیت‌ها (تحریم‌شکن‌ها) برای دسترسی به منابع جهانی.

مدیریت اکوسیستم و محیط‌های ایزوله: چرا Dependency Hell رخ می‌دهد؟ تسلط بر Conda و Pip برای ساخت محیط‌های مجازی پایدار و بازتولیدپذیر.

کار با محیط‌های تعاملی (Jupyter Notebook & Colab) برای تحلیل داده، کار با مفسر خط فرمان (Python REPL) و محیط‌های آموزشی مثل Thonny.

تسلط بر VS Code به عنوان استاندارد صنعت و آشنایی با ادیتورهای مبتنی بر هوش مصنوعی (Cursor, Windsurf & AI-Copilots).

بخش 3: منطق پایتون و سوادِ خواندن کد

  • ظروف داده و قابلیت تغییر (Mutablity): لیست، تاپل، مجموعه و دیکشنری
  • درک حافظه و شناسه‌ها (id) برای جلوگیری از باگ‌های کپی داده

بخش 4: ساختارهای کنترلی و بلاک‌های کد

نقش حیاتی Indentation (توفرفتگی)، دستورات شرطی پیچیده و حلقه‌های هوشمند (while-else و for-else).

مهندسی تابع و بازگشتی: تعریف تابع (def)، توابع بی‌نام (lambda)، و استراتژی حل مسئله با الگوریتم‌های بازگشتی (Recursion).

توابع مرتبه بالا و دکوراتورها: کار با map و filter و نحوه استفاده از Decorators برای بهینه‌سازی کدهای آماده AI.

برنامه‌نویسی شیءگرا (OOP) در ML: درک کلاس به عنوان Blueprint، متدهای جادویی (Magic Methods) و چهار ستون اصلی شی‌گرایی.

بخش 5: کتابخانه‌های استاندارد و پردازش داده حجیم

کتابخانه NumPy و محاسبات برداری: ساخت آرایه‌های چندبعدی، پخش (Broadcasting)، و عملیات ریاضی سنگین بدون نیاز به حلقه.

کتابخانه Pandas برای تحلیل داده‌های واقعی: کار با DataFrames، دستکاری ایندکس‌ها، و حل چالش‌های آماری.

بصری‌سازی داده‌ها (Storytelling): از نمودارهای ایستای Matplotlib تا ابزارهای تعاملی و مدرن مثل Plotly.

کار با داده‌های متنی و ساختاریافته: استخراج اطلاعات با Regex (عبارات باقاعده) و مدیریت فرمت‌های JSON، CSV و XML.

پردازش رسانه و باینری: مقدمه‌ای بر پردازش تصویر (Pillow/OpenCV) و نحوه ذخیره‌سازی اشیاء پیچیده پایتون با Pickle.

بخش 6: برنامه‌نویسی در عصر هوش مصنوعی و اتوماسیون

مهندسی پرامپت (Prompt Engineering) برای کدنویسی: تکنیک‌های Zero-shot و Few-shot برای گرفتن کدهای تمیز و ماژولار از LLMها.

دیباگ و بهینه‌سازی با AI: چطور ارورهای منطقی و سینتکس را به کمک هوش مصنوعی در چند ثانیه حل کنیم؟ چه زمانی به AI اعتماد نکنیم؟

گیت (Git) و همکاری تیمی مدیریت نسخه، حل تداخل‌ها (Merge Conflicts) و استفاده از GitHub برای میزبانی پروژه‌ها.

ریاضیات برای یادگیری ماشین (30 ساعت)

  • مفاهیم اسکالر، بردار، ماتریس و تنسور
  • فضای برداری
  • بردارهای خاص (بردار صفر و یکه)
  • عملیات ریاضی روی آرایه‌ها
  • معکوس ماتریس
  • دترمینان
  • وابستگی خطی و مرتبه ماتریس
  • ضرب بردار در بردار
  • ضرب ماتریس در بردار
  • مقادیر ویژه و بردارهای ویژه
  • تجزیه بردار به بردارهای یکه
  • تشابه کسینوسی
  • گرادیان
  • مشتق جزیی
  • مشتق زنجیره‌ای
  • بهینه‌سازی
  • گرادیان کاهشی
  • مفهوم نرم
  • نرم فربنیوس
  • مشتق نرم
  • مشتق در آرایه‌ها
  • ماتریس هسین و ژاکوبین
  • مفهوم احتمال (احتمال، توزیع‌های احتمال نظیر پواسون، برنولی، نرمال و ... ، قانون بیز)
  • آماره‌های توصیفی (میانگین، میانه، انحراف معیار، چارک، واریانس)

یادگیری ماشین 30 ساعت (ویژه بوت کمپ کد 33)

مبانی هوش مصنوعی و یادگیری ماشین (Foundations of AI & Machine Learning)

پارادایم‌های یادگیری: با‌ناظر (Supervised)، نیمه‌ناظر (Semi-supervised)، خود‌ناظر (Self-supervised)، بدون‌ناظر (Unsupervised) و تقویتی (Reinforcement Learning)

انواع مسائل یادگیری ماشین: طبقه‌بندی (Classification)، رگرسیون (Regression) و رگرسیون ترتیبی (Ordinal Regression)، مدل‌سازی افتراقی (Discriminative) و مولد (Generative)

تحلیل اکتشافی داده‌ها (EDA): فراخوانی داده‌ها (Data Loading) و بصری‌سازی (Visualization)

پیش‌پردازش داده‌ها (Data Preprocessing): پاک‌سازی (Cleaning)، یکپارچه‌سازی (Integration)، کاهش (Reduction) و تبدیل داده‌ها (Transformation)

استراتژی‌های تقسیم داده‌ها و پیشگیری از نشت داده (Data Leakage)

مدل‌های پایه یادگیری ماشین: نزدیک‌ترین همسایه (K-Nearest Neighbors)، درخت تصمیم (Decision Tree) و مدل‌های خطی (Linear Models)

سنجش عملکرد: ماتریس درهم‌ریختگی (Confusion Matrix) و معیارهای ارزیابی (Evaluation Metrics)

کنترل پیچیدگی: منظم‌سازی (Regularization) و رگرسیون چندجمله‌ای منظم‌شده (Regularized Polynomial Regression)

ماشین بردار پشتیبان (SVM): کاربرد در طبقه‌بندی و رگرسیون، و ترفند هسته (Kernel Trick)

مقدمه‌ای بر شبکه‌های عصبی چند‌لایه (Multi-Layer Perceptrons - MLP)

ارزیابی مدل (Model Evaluation): بیش‌برازش (Overfitting)، کم‌برازش (Underfitting) و تجزیه بایاس-واریانس (Bias-Variance Decomposition)

یادگیری جمعی (Ensemble Learning): روش‌های کیسه‌بندی (Bagging)، افزایشی (Boosting)، پشته‌سازی (Stacking) و رای‌گیری (Voting)

یادگیری بدون نظارت: خوشه‌بندی (Clustering)، نفرین ابعاد (Curse of Dimensionality)، روش‌های کاهش ابعاد (Dimensionality Reduction) و مصورسازی داده‌ها

مهندسی ویژگی (Feature Engineering): در داده‌های جدولی (Tabular)، متنی (Text) و تصاویر (Images)

هوش مصنوعی قابل‌توضیح (xAI): تفسیر رفتار و خروجی مدل (Model Interpretability)

چالش‌های کاربردی: اعتبارسنجی متقابل (Cross Validation) و K-fold، تنظیم ابرپارامترها (Hyperparameter Tuning) و عدم توازن داده‌ها (Data Imbalance)

اجرای چند پروژه عملی

مقدمات شبکه‌های عصبی و یادگیری عمیق 30 ساعت (ویژه کد 33)

ماژول ۱: مبانی شبکه‌های عصبی و یادگیری عمیق

  • شبکه عصبی چیست؟
  • کاربرد یادگیری عمیق در حل چه مسائلی است؟
  • اساس محاسبات در شبکه‌های عصبی مصنوعی و مدل‌های نرونی چیست؟
  • چرا به عمیق کردن شبکه‌های عصبی نیاز داریم؟

ماژول ۲: مدل‌های نرونی

  • مدل نرونی بایولوژیک
  • مدل نرونی McCullouch-Pitts
  • مدل نرونی Hebb
  • مدل نرونی پرسپترون (Perceptron)

ماژول ۳: مدل‌های شبکه‌های عصبی مقدماتی

  • شبکه‌های عصبی رقابتی (Competitive Networks)
  • شبکه‌های عصبی کوهنن (Kohonen Self-Organizing Maps)
  • شبکه‌های عصبی ADALINE

ماژول ۴: شبکه‌های عصبی پرسپترون چند لایه

  • آموزش شبکه‌های پرسپترون چند لایه با Backpropagation
  • انواع توابع هزینه (Loss function)
  • MLP برای داده‌های جدولی
  • تمرین دیتاست

ماژول ۵: الگوریتم‌های بهینه‌سازی برای یادگیری عمیق (Optimizers)

  • الگوریتم‌های کاهش گرادیان (Gradient Descent) و کاهش گرادیان تصادفی (Stochastic Gradient Descent)
  • Momentum
  • Adagrad
  • RMSprop
  • Adadelta
  • ADAM

ماژول ۶: مشکلات شبکه‌های عصبی پرسپترون عمیق و راه‌حل آن‌ها

  • Gradient vanishing
  • Overfitting and Underfitting
  • Dropout
  • Regularization
  • Batch Normalization
  • Hyperparameter Tuning

ماژول ۷: شبکه‌های عصبی کانولوشنی CNN

  • مشکلات شبکه‌های عصبی پرسپترون در پردازش تصاویر
  • مقدمه‌ای بر پردازش تصویر و اساس کار فیلترها
  • اساس محاسبات در لایه‌های کانولوشن
  • لایه Pooling

ماژول ۸: معماری‌های نوین شبکه‌های عصبی کانولوشنی (CNN)

  • LeNet
  • AlexNet
  • VGG
  • Inception
  • Residual Networks (ResNet)
  • Densely Connected Networks (DenseNet)

ماژول ۹: شبکه‌های عصبی بازگشتی RNN

  • مقدمه‌ای بر سری‌های زمانی و داده‌های Sequential
  • ضعف شبکه‌های عصبی کانولوشنی در پردازش سری‌های زمانی
  • مروری بر کاربردهای شبکه‌های عصبی بازگشتی

ماژول ۱۰: اساس کار شبکه‌های عصبی بازگشتی

  • معماری یک شبکه عصبی بازگشتی و جریان داده (Data Flow) در آن
  • یادگیری در شبکه‌های عصبی بازگشتی و Backpropagation Through Time

ماژول ۱۱: معماری‌های پرکاربرد در شبکه‌های بازگشتی

  • شبکه‌های عصبی بازگشتی Long Short Term Memory (LSTM)
  • شبکه‌های عصبی بازگشتی Gated Recurrent Unit (GRU)
  • شبکه‌های عصبی بازگشتی Bidirectional RNN

ماژول ۱۲: مکانیزم Attention در شبکه‌های عصبی بازگشتی

  • Multi-Head Attention
  • Self-Attention

ماژول ۱۳: شبکه‌های عصبی Transformer

بینایی ماشین ۳۰ ساعت (ویژه کد33)

  • Introduction to Computer Vision
  • Applications of Computer Vision
  • Deep Learning for Image Classification
  • Fully Connected Neural Network Architecture
  • CNN Architectures
  • Modern CNN Architectures
  • Data Augmentation
  • Introduction to Object Detection
  • Algorithms of Object Detection
  • Introduction to Segmentation
  • Algorithms of Segmentation

ماشین لرنینگ در عمل 20 ساعت (ویژه کد33)

داده‌های نامتوازن و استراتژی‌های نمونه‌برداری پیشرفته

طراحی تابع زیان سفارشی (Custom Loss) برای کسب و کار

ماژولار نویسی، استانداردسازی خط‌لوله (Pipeline Implementation) و خط‌لوله‌های CI/CD

ثبت تاریخچه آموزش، ابرپارامترها و ورژن‌بندی مدل با MLflow

معماری سرویس (FastAPI, Gunicorn, Nginx) و سرو مدل یادگیری ماشین

کانتینرسازی (Docker & Optimization)

توزیع‌بار (Load Balancing) و محدودیت نرخ (Rate Limit)

استراتژی‌های استقرار (A/B Testing & Blue-Green)

پایش و دررفت داده (Monitoring & Data Drift Detection)

طراحی چرخه‌های به‌روزرسانی مدل (Scheduled/Triggered)

استنتاج در لبه (Edge AI) و محدودیت‌های سخت‌افزاری (Memory/Time)

بهینه‌سازی برای سخت‌افزار خاص و فرمت‌های میانی (مانند ONNX)

شبکه عصبی در عمل 20 ساعت (ویژه کد33)

پروژه ۱: پیش‌بینی ریزش مشتری

  • پیش‌پردازش داده جدولی
  • دسته‌بند MLP
  • مدیریت عدم توازن کلاس‌ها
  • معیارهای واقعی

پروژه ۲: خط تولید تشخیص رقم دست‌نویس

  • آموزش CNN
  • تحلیل خطا
  • اشکال‌زدایی Misclassification
  • خروجی گرفتن از مدل

پروژه ۳: تحلیل احساسات

  • پیش‌پردازش Sequence
  • دسته‌بند RNN/LSTM
  • مدیریت نویز واقعی متن

پروژه ۴: کارگاه قابلیت اطمینان مدل

  • تشخیص Overfitting
  • تنظیم Hyperparameter
  • راهبرد Validation

بینایی ماشین در عمل 20 ساعت (ویژه کد33)

پروژه ۱: تشخیص عیب کارخانه

  • دسته‌بند دودویی تصویر
  • کمینه‌سازی False Negative
  • داده نامتوازن

پروژه ۲: تشخیص اشیا در قفسه فروشگاه

  • Workflow مدل YOLO
  • Bounding Box
  • ارزیابی mAP
  • سناریوهای Occlusion

پروژه ۳: Segmentation تصویر پزشکی

  • خط لوله U-Net
  • تحلیل Dice / IoU
  • Data Augmentation برای داده کم

پروژه ۴: تحلیل دوربین ترافیکی

  • تشخیص چندکلاسه
  • توازن سرعت و دقت
  • محدودیت‌های Real-time

پردازش متن در عمل 10 ساعت (ویژه کد33)

آشنایی با پردازش متن ۲۰ ساعت (ویژه کد 33)

آشنایی با انواع فرمت‌های داده متنی (txt, csv, HTML, json)

مروری بر پکیج‌های پردازش متن زبان انگلیسی در پایتون

آشنایی با پکیج پردازش متن فارسی در پایتون

پیش‌پردازش داده‌های متنی

استخراج ویژگی از متن (تبدیل متن به بردار)

مدل‌های Sequence to Sequence

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

لطفا نام را وارد نمایید.
شماره موبایل ۱۱ رقمی را وارد کنید .
لطفا دسته بندی را وارد نمایید.
لطفا دسته بندی را وارد نمایید.
لطفا نام شهر محل سکونت؟ را وارد کنید .
لطفا متن را وارد نمایید.