سرفصل های دوره یادگیری ماشین ویژه مهندسی کامپیوتر و IT مدرسه مهارت کامپیوتر و IT

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