دوره جامع هوش مصنوعی

توضیحات کوتاه

این دوره به‌صورت گام‌به‌گام طراحی شده تا دانشجویان را از مبانی اولیه تا پیاده‌سازی و استقرار مدل‌های پیشرفته هوش مصنوعی همراهی کند. در ابتدا با پایتون و مفاهیم پایه ای در این حوزه آشنا می‌شویم و سپس وارد دنیای یادگیری ماشین و یادگیری عمیق می‌شویم تا روش‌های تحلیل داده، پیش‌بینی و ساخت شبکه‌های عصبی را بیاموزیم.در بخش‌های کاربردی، به دو حوزه مهم پرداخته خواهد شد: پردازش تصویر و بینایی ماشین و پردازش زبان طبیعی (NLP)؛ جایی که با استفاده از ابزارهای پرکاربردی همچون OpenCV، TensorFlow و PyTorch مهارت‌های عملی موردنیاز برای اجرای پروژه‌های واقعی را کسب می‌کنید.

این دوره ترکیبی از آموزش مفاهیم تئوری و تمرین‌های عملی است و شما را برای ورود به بازار کار و اجرای پروژه‌های هوش مصنوعی در دنیای واقعی آماده می‌سازد.

مخاطب آموزش هوش مصنوعی:

پژوهشگران و علاقه‌مندان به داده و یادگیری ماشین

متخصصان داده و فعالان حوزه فناوری

علاقه مندان به پردازش تصویر،NLP و یادگیری عمیق

علاقه‌مندان به دنبال ورود به بازار کار هوش مصنوعی

در انتهای دوره جامع هوش مصنوعی دانشجویان قادر خواهند بود:

با پایتون و کتابخانه‌های پرکاربرد هوش مصنوعی به‌صورت عملی کار کنند.

مدل‌های یادگیری ماشین را طراحی، آموزش و ارزیابی کنند.

در حوزه‌های پردازش تصویر، بینایی ماشین و پردازش زبان طبیعی (NLP) پروژه‌های واقعی پیاده‌سازی کنند.

با ابزارهای OpenCV، PyTorch و TensorFlow مدل‌های عمیق بسازند و آن‌ها را در محیط‌های واقعی مستقر کنند.

پروژه‌های هوش مصنوعی را از مرحله ایده تا محصول نهایی مدیریت و اجرا نمایند

ثبت نام و برنامه کلاسی

وحید قربانی

18,900,000 تومان

سرفصل‌های دوره هوش مصنوعی

بخش 1: مبانی هوش مصنوعی، ریاضیات و پایتون

تاریخچه و مفاهیم پایه AI، ML و DL
تعریف داده (Data)، ویژگی (Feature)، برچسب (Label)
جبر خطی مقدماتی (بردار، ماتریس، ضرب ماتریس‌ها)
آمار و احتمال مقدماتی (میانگین، واریانس، توزیع نرمال، احتمال شرطی)
انواع داده‌ها در پایتون (List, Tuple, Set, Dictionary)
مدیریت داده های ساختار یافته و ساختار نیافته
کتابخانه NumPy: آرایه‌ها، عملیات ریاضی، Indexing, Slicing
کتابخانه Pandas: Series, DataFrame، عملیات روی داده‌ها
Matplotlib و Seaborn: ترسیم نمودارها و تجسم داده‌ها

بخش 2: یادگیری ماشین (Machine Learning)

پیش‌پردازش داده‌ها:
- مدیریت مقادیر گم‌شده (Missing Data)
- حذف داده‌های پرت (Outlier Detection)
- استادندارد سازی و نرمال سازی (MinMaxScaler, StandardScaler)
- تکنیک‌های کاهش ابعاد (PCA, t-SNE)
- مهندسی ویژگی (Feature Engineering) و انتخاب ویژگی (Feature Selection)
- Encoding(One-Hot Encoding, Label Encoding)
- تقسیم داده‌ها (Train/Test/Validation Split)

یادگیری نظارت‌ شده (Supervised Learning) :
- رگرسیون خطی و لجستیک
- درخت تصمیم (Decision Trees) و جنگل تصادفی (Random Forest)
- ماشین بردار پشتیبان (SVM)
- الگوریتم K-Nearest Neighbors (KNN)
- روش‌های مبتنی بر گرادیان XGBoost، LightGBM
- استفاده از Pipeline در scikit-learn
یادگیری بدون نظارت (Unsupervised Learning) :
- روش های خوشه بندی (K-Means, Hierarchical Clustering, DBSCAN)
- کاهش ابعاد برای Visualization (t-SNE, PCA)
مبانی یادگیری تقویتی (Reinforcement Learning)
- Q-Learning
- Deep Q-Network (DQN)
- REINFORCE
- Actor-Critic
ارزیابی مدل:
- مفاهیم Overfitting و
- ماتریس درهم‌ریختگی (Confusion Matrix)
- اعتبارسنجی متقاطع (Cross-Validation)و روش‌های Hold-out و Bootstrap
- معیارها: Accuracy، Precision، Recall، F1-Score
- منحنی ROC و AUC
- منحنی‌های یادگیری (Learning Curve, Validation Curve)
- بهینه سازی با تنظیم هیپرپارامترها (Grid Search, Random Search)

بخش 3: یادگیری عمیق (Deep Learning)

مبانی شبکه های عصبی مصنوعی (ANN):
- Perceptron چندلایه (MLP)
- توابع فعال‌سازی (Activation Functions) مانند ReLU, Sigmoid, Tanh.
- تابع هزینه (Loss Function) و بهینه‌سازی (Optimization)
- Regularization وDropout
- بهبود عملکرد مدل ها (Debugging, bias vs variance)
- الگوریتم ها بهینه سازی (SGD, RMSProp, ADAM )
- انتشار پس‌رو (Backpropagation)
- Early Stopping برای جلوگیری از Overfitting
شبکه‌های عصبی کانولوشنال (CNN):
- معماری‌های پایه (LeNet, AlexNet)
- شبکه‌های مدرن (ResNet, Inception, EfficientNet)
- انتقال یادگیری (Transfer Learning) با TensorFlow/PyTorch
- لایه‌های کانولوشنال، Pooling، Fully Connected
- پیاده سازی CCN ها با استفاده از TensorFlow Keras
شبکه‌های عصبی بازگشتی (RNN):
- LSTM (Long Short-Term Memory)
- GRU (Gated Recurrent Unit)
- کاربرد در پردازش زبان طبیعی و سری‌های زمانی
شبکه های عصبی دو طرفه (Bidirectional RNN )
- SGD (Stochastic Gradient Descent)
- (RMSProp (Root Mean
- ADAM (Adaptive Moment Estimation)
شبکه ترنسفورمر (Transformer)
- معماری Transformer
- مدل‌های پیشرفته مانند BERT، GPT
شبکه عصبی GAN
- معماری پایه GAN (Generator, Discriminator)
- معرفی مدل های GAN (SeqGAN , TextGAN, MailGAN)

بخش 4: پردازش تصویر (Image Processing)

دریافت و ذخیره تصویر (Image Acquisition)
- اتصال به منبع تصویر (وبکم، دوربین صنعتی، فایل ویدئویی و ..)
- دوربین های ویژه (مادون قرمز و حرارتی)
- دریافت تصاویر از (فایل های ذخیره شد،(عکس، ویدئو، دنباله ی فریم ها)
- خواندن تصاویر با استفاده از OpenCV , Pillow
- تنظیمات کیفیت و فشرده سازی تصاویر با فرمت های مختلف و تصاویر حجیم
- تغییر فرمت تصاویر و تبدیل فضای رنگی
پیش پردازش تصویر (Pre-Processing)
- تشکیل تصویر (Image Formation)
- تغییر اندازه، چرخش و برش تصاویر
- تبدیل های هندسی (Geometric Transformations)
- بهبود کیفیت تصویر، فیلترهای کاهش نویز (میانگین، گوسی، میانه و …)
- افزایش کنتراست (Histogram Equalization, CLAHE)
- روش های اصلاح روشنایی و رنگ
تبدیل های تصویر(Image Transforms)
- Fourier Transform و کاربرد آن در پردازش تصویر
- Wavelet Transform برای فشرده سازی و آنالیز چند مقیاسی
- Hough Transform برای تشخیص خطوط و اشکال
- Frequency Domain Filtering فیلتر گذاری فرکانسی
بخش بندی تصویر (Image Segmentation)
- روش های مبتنی بر آستانه گذاری (Thresholding, Adaptive)
- تشخیص لبه‌ها (Edge Detection) با الگوریتم‌هایی مانند Sobel, Canny, Prewitt
- تقسیم‌بندی بر اساس مناطق (Region-Based Segmentation)
- خوشه‌بندی (K-Means, Watershed Algorithm)
مورفولوژی تصویر (Morphological Operations)
- گسترش نواحی روشن ِDilation
- کاهش نواحی روشن Erosion
- باز کردنOpening برای حذف نویز
- بستن Closing برای پر کردن حفره ها

بخش 5: بینایی ماشین (Computer Vision )

استخراج ویژگی (Feature Extraction)
- ویژگی های هندسی (مساحت، محیط، مرکز جرم)
- استخراج ویژگی‌های کلیدی (SIFT, SURF, ORB)
- توصیف‌گرهای بافت (LBP, Haralick Features)
- استفاده از لایه‌های میانی CNN
تشخیص اشیاء (Object Detection)
- روش‌های کلاسیک (HOG, Haar Cascades)
- روش های مدرن (YOLO, Faster R-CNN, SSD)
سگمنتاسیون و پردازش ویدئو (Segmentation)
- سگمنتاسیون معنایی (U-Net, Mask R-CNN)
پردازش و ردیابی اشیا
- ردیابی اشیاء (Optical Flow,DeepSORT, SORT) با OpenCv
- Optical Flow (Lucas-Kanade)
- MeanShift و CamShift برای ردیابی رنگ‌محور
بازسازی 3 بعدی
- مبانی بازسازی Stereo Vision و Disparity Map
تفسیر تصاویر
- تحلیل ترکیب بندی(Rule of Thirds، رنگ‌شناسی)
- تشخیص فعالیت‌های انسانی با روش‌های مبتنی بر حرکت
تولید تصویر (Image Generation)
- ساخت پانوراما (image Stitching)
- ترکیب تصاویر با روش های انرژی محور

بخش 6: پردازش زبان طبیعیNLP و پردازش صدا

پیش پردازش متن پایه
- توکن‌سازی (Tokenization)
- نرمال سازی (Normalization)
- تمیز کردن متن (Text Cleaning)
- تبدیل متن به بردار (Word Embeddings)
- کاهش صرفی (Morphological Reduction) شامل Stemming و Lemmatization
- حذف کلمات کم محتوا (Stop Words Removal)
- تشخیص موجودیت ها (NER)
- کار با داده های متنی
نمایش متن و مدل های کلاسیک
نمایش مبتنی بر فراوانی کلمات Bag-of-Words (BoW)، N-grams، TF-IDF
Word Embedding (Word2Vec, GloVe, FastText)
Contextual Embeddings (ELMo, BERT)
دنباله های متوالی کلمات N-grams
مدل‌سازی و تحلیل متن
Classification: Naive Bayes, Logistic Regression, SVM
Sequence Tagging: HMM, CRF
Topic Modeling (LDA, NMF)
Clustering متون و Similarity Search
نمایش های پیشرفته برای کاربرهای خاص:
:Sentence/Paragraph Embeddingsمثل Doc2Vec,Universal Sentence Encoder
Graph-Based Representations (مثل Knowledge Graphs )
پردازش صدا (Audio Processing)
مبانی پردازش سیگنال
- تبدیل فوریه (Fourier Transform)
- استخراج ویژگی‌های صوتی (MFCC)
پیش پردازش سیگنال صوتی
نرمال سازی Amplitude
حذف نویز (Noise Reduction)
جداسازی صدا(Source Separation)
تشخیص گفتار (Speech Recognition)
Hidden Markov Models (HMM)
Gaussian Mixture Models (GMM)
مدل های مبتنی بر Transformer (Wav2Vec )
معماری های End-to-End (DeepSpeech)
تولید گفتار (Text-to-Speech)
Concatenative Synthesis
Formant Synthesis
Tacotron 2
WaveNet

بخش 7: استقرار مدل‌ها

ادغام سرویس‌های هوش مصنوعی
- مقدمه بر استقرار مدل
- توسعه API با Flask/Django برای سرویس دهی مدل
استقرار مدرن با Docker و Kubernetes
- Dockerizing یک مدل ML (ایجاد Dockerfile, ساخت Image, اجرای Container)
- Docker Compose برای مدیریت چند سرویس
MLOps و استقرار مدل
- مدیریت خط لوله یادگیری ماشین (MLOps)
- پیاده سازی CI/CD برای مدل های M
بهینه‌سازی مدل
- Quantization
- Pruning
- تبدیل به فرمت‌های سبک‌وزن (TFLite, ONNX)