دانلود کتاب آموزشی AI Programming with Python

دوره AI Programming with Python که توسط Udacity ارائه شده است، برای آموزش اصول هوش مصنوعی (AI) و استفاده از پایتون در پروژه‌های مربوط به آن طراحی شده است. این دوره به‌ویژه برای کسانی که به یادگیری هوش مصنوعی و یادگیری ماشین علاقه دارند مناسب است.

در ادامه، سر فصل‌های این دوره را به‌طور کلی آورده‌ام:

---

بخش ۱Introduction to Python : (مقدمه‌ای بر پایتون(

فصل اول | آشنایی با زبان برنامه‌نویسی پایتون

• تاریخچه و فلسفه طراحی پایتون
• کاربردهای پایتون در هوش مصنوعی و علوم داده
• نسخه‌های مختلف پایتون و تفاوت‌های آن‌ها
• نصب و راه‌اندازی محیط توسعه
• آشنایی با ابزارهای توسعه و ویرایشگرها
• ساختار کلی یک برنامه پایتونی

فصل دوم | مبانی برنامه‌نویسی در پایتون

• مفهوم برنامه و اجرای کد
• قوانین نگارش و استانداردهای کدنویسی
• متغیرها و نحوه نام‌گذاری آن‌ها
• انواع داده‌های پایه
• تبدیل انواع داده‌ها
• مدیریت ورودی و خروجی اطلاعات

فصل سوم | عملگرها و عبارات

• عملگرهای ریاضی
• عملگرهای مقایسه‌ای
• عملگرهای منطقی
• عملگرهای انتساب
• اولویت اجرای عملگرها
• ارزیابی عبارات پیچیده

فصل چهارم | ساختارهای تصمیم‌گیری

• مفهوم تصمیم‌گیری در برنامه‌ها
• دستورات شرطی
• شرط‌های تو در تو
• بررسی چندین شرط همزمان
• طراحی منطق تصمیم‌گیری
• مدیریت سناریوهای مختلف اجرایی

فصل پنجم | حلقه‌ها و تکرار

• مفهوم تکرار در برنامه‌نویسی
• انواع حلقه‌ها
• کنترل جریان اجرای حلقه‌ها
• حلقه‌های تو در تو
• کاربرد حلقه‌ها در پردازش داده‌ها
• بهینه‌سازی عملیات تکراری

فصل ششم | ساختمان داده‌های پایه

• لیست‌ها و کاربرد آن‌ها
• تاپل‌ها و ویژگی‌های آن‌ها
• مجموعه‌ها و عملیات روی آن‌ها
• دیکشنری‌ها و ذخیره‌سازی داده‌های ساختاریافته
• انتخاب ساختار داده مناسب
• مدیریت و دستکاری داده‌ها

فصل هفتم | کار با رشته‌ها (Strings)

• مفهوم رشته و کاربردهای آن
• عملیات متداول روی رشته‌ها
• جستجو و استخراج اطلاعات متنی
• قالب‌بندی متن
• پردازش داده‌های متنی
• مدیریت کاراکترها و کدگذاری

فصل هشتم | توابع و طراحی ماژولار

• مفهوم تابع و مزایای استفاده از آن
• طراحی توابع کاربردی
• پارامترها و مقادیر بازگشتی
• محدوده متغیرها
• مستندسازی توابع
• اصول طراحی ماژولار

فصل نهم | ماژول‌ها و کتابخانه‌ها

• مفهوم ماژول و بسته نرم‌افزاری
• استفاده از کتابخانه‌های استاندارد
• سازماندهی پروژه‌ها
• مدیریت وابستگی‌ها
• نصب و استفاده از کتابخانه‌های جانبی
• بهترین شیوه‌های استفاده از ماژول‌ها

فصل دهم | مدیریت فایل‌ها و داده‌ها

• آشنایی با فایل‌ها
• خواندن اطلاعات از فایل‌ها
• ذخیره‌سازی داده‌ها
• مدیریت فایل‌های متنی
• کار با داده‌های ساختاریافته
• سازماندهی اطلاعات در پروژه‌ها

فصل یازدهم | مدیریت خطاها و استثناها

• مفهوم خطا و استثنا
• انواع خطاهای رایج
• شناسایی و تحلیل خطاها
• مدیریت استثناها
• ثبت و گزارش خطاها
• طراحی برنامه‌های مقاوم در برابر خطا

فصل دوازدهم | برنامه‌نویسی شیءگرا (OOP)

• مفاهیم کلاس و شیء
• ویژگی‌ها و رفتارها
• سازنده‌ها و مقداردهی اولیه
• کپسوله‌سازی داده‌ها
• وراثت و چندریختی
• طراحی سیستم‌های شیءگرا

فصل سیزدهم | کار با داده‌ها در پایتون

• جمع‌آوری داده‌ها
• پاکسازی داده‌ها
• تبدیل و آماده‌سازی داده‌ها
• اعتبارسنجی اطلاعات
• مدیریت مجموعه داده‌ها
• آماده‌سازی داده برای تحلیل و هوش مصنوعی

فصل چهاردهم | اصول توسعه نرم‌افزار با پایتون

• خوانایی و نگهداری کد
• مستندسازی پروژه
• مدیریت نسخه‌ها
• تست و اعتبارسنجی برنامه‌ها
• اصول بازآرایی کد
• استانداردهای توسعه نرم‌افزار

فصل پانزدهم | آمادگی برای ورود به مباحث هوش مصنوعی

• نقش پایتون در اکوسیستم هوش مصنوعی
• آشنایی با کتابخانه‌های اصلی AI
• چرخه حیات پروژه‌های داده‌محور
• آماده‌سازی محیط کاری برای یادگیری ماشین
• مفاهیم اولیه پردازش داده
• مسیر یادگیری پس از پایتون برای AI و Machine Learning

بخش ۲ NumPy and Matplotlib : (کار با NumPy و Matplotlib)

فصل اول | آشنایی با کتابخانه‌های علمی پایتون

• نقش کتابخانه‌های علمی در تحلیل داده
• جایگاه NumPy و Matplotlib در اکوسیستم هوش مصنوعی
• کاربردهای عملی در علوم داده و یادگیری ماشین
• آماده‌سازی محیط کاری برای محاسبات علمی
• مروری بر جریان کار تحلیل داده

فصل دوم | مبانی NumPy و آرایه‌های چندبعدی

• مفهوم آرایه‌های عددی
• تفاوت آرایه‌ها و ساختارهای داده استاندارد پایتون
• ایجاد و مدیریت آرایه‌ها
• ویژگی‌ها و ساختار آرایه‌های چندبعدی
• سازماندهی داده‌ها در حافظه
• کاربرد آرایه‌ها در پروژه‌های داده‌محور

فصل سوم | مدیریت و دستکاری داده‌ها در NumPy

• انتخاب و بازیابی داده‌ها
• مرتب‌سازی داده‌ها
• فیلتر کردن اطلاعات
• تغییر ساختار آرایه‌ها
• ترکیب و تفکیک داده‌ها
• مدیریت مجموعه داده‌های بزرگ

فصل چهارم | عملیات ریاضی و آماری در NumPy

• محاسبات عددی پایه
• عملیات برداری
• توابع آماری پرکاربرد
• محاسبه شاخص‌های مرکزی و پراکندگی
• تحلیل داده‌های عددی
• بهینه‌سازی پردازش‌های محاسباتی

فصل پنجم | جبر خطی برای علوم داده

• آشنایی با مفاهیم بردار و ماتریس
• عملیات روی ماتریس‌ها
• ضرب و تبدیل ماتریسی
• محاسبات جبر خطی در تحلیل داده
• کاربرد جبر خطی در یادگیری ماشین
• حل مسائل عددی با ماتریس‌ها

فصل ششم | تولید و شبیه‌سازی داده‌ها

• تولید داده‌های تصادفی
• مدیریت توزیع‌های آماری
• نمونه‌گیری از داده‌ها
• شبیه‌سازی سناریوهای مختلف
• تولید داده برای آزمایش مدل‌ها
• ارزیابی نتایج شبیه‌سازی

فصل هفتم | بهینه‌سازی عملکرد با NumPy

• پردازش برداری داده‌ها
• کاهش زمان اجرای عملیات
• مدیریت حافظه
• پردازش داده‌های حجیم
• بهینه‌سازی محاسبات علمی
• بهترین شیوه‌های کار با داده‌های بزرگ

فصل هشتم | مقدمه‌ای بر مصورسازی داده‌ها

• اهمیت تجسم داده‌ها
• اصول طراحی نمودارهای مؤثر
• انتخاب نمودار مناسب برای داده‌ها
• نقش مصورسازی در تصمیم‌گیری
• خطاهای رایج در نمایش داده‌ها
• استانداردهای ارائه اطلاعات بصری

فصل نهم | آشنایی با Matplotlib

• ساختار و معماری Matplotlib
• اجزای اصلی نمودارها
• مدیریت محیط ترسیم
• تنظیمات پایه نمودارها
• سفارشی‌سازی نمایش داده‌ها
• آماده‌سازی خروجی‌های بصری

فصل دهم | نمودارهای پایه در تحلیل داده

• نمودارهای خطی
• نمودارهای ستونی
• نمودارهای دایره‌ای
• نمودارهای پراکندگی
• مقایسه انواع نمودارها
• انتخاب مناسب‌ترین روش نمایش

فصل یازدهم | تحلیل توزیع داده‌ها

• نمایش توزیع داده‌ها
• بررسی الگوهای آماری
• تحلیل فراوانی داده‌ها
• شناسایی ناهنجاری‌ها
• بررسی روندهای داده‌ای
• تحلیل داده‌های واقعی

فصل دوازدهم | مصورسازی داده‌های چندبعدی

• نمایش داده‌های چندمتغیره
• مقایسه چندین مجموعه داده
• تحلیل روابط میان متغیرها
• نمایش روندهای پیچیده
• مصورسازی داده‌های حجیم
• ارائه بینش‌های تحلیلی

فصل سیزدهم | سفارشی‌سازی حرفه‌ای نمودارها

• طراحی ظاهری نمودارها
• مدیریت رنگ‌ها و سبک‌ها
• تنظیم محورها و مقیاس‌ها
• افزودن توضیحات و برچسب‌ها
• بهبود خوانایی نمودارها
• آماده‌سازی نمودارهای حرفه‌ای

فصل چهاردهم | مصورسازی در پروژه‌های یادگیری ماشین

• نمایش داده‌های آموزشی
• تحلیل داده‌های ورودی مدل
• بررسی نتایج مدل‌ها
• نمایش عملکرد الگوریتم‌ها
• تحلیل خطاهای مدل
• ارائه نتایج برای تصمیم‌گیران

فصل پانزدهم | پروژه‌های کاربردی NumPy و Matplotlib

• تحلیل داده‌های واقعی
• آماده‌سازی داده برای مدل‌سازی
• مصورسازی نتایج تحلیلی
• ساخت داشبوردهای ساده تحلیلی
• ترکیب محاسبات عددی و نمایش داده‌ها
• مستندسازی و ارائه پروژه

فصل شانزدهم | آمادگی برای ورود به یادگیری ماشین

• نقش NumPy در الگوریتم‌های یادگیری ماشین
• نقش مصورسازی در تحلیل مدل‌ها
• آماده‌سازی داده‌های آموزشی
• تحلیل ویژگی‌ها و متغیرها
• ارتباط NumPy با کتابخانه‌های پیشرفته
• مسیر ادامه یادگیری در Machine Learning

بخش ۳ Introduction to Machine Learning : (مقدمه‌ای بر یادگیری ماشین)

فصل اول | آشنایی با یادگیری ماشین

• تعریف یادگیری ماشین و مفاهیم بنیادین
• تاریخچه و تکامل یادگیری ماشین
• جایگاه یادگیری ماشین در هوش مصنوعی
• کاربردهای یادگیری ماشین در صنایع مختلف
• چرخه حیات پروژه‌های یادگیری ماشین
• فرصت‌ها و چالش‌های این حوزه

فصل دوم | مفاهیم پایه داده در یادگیری ماشین

• داده و اهمیت آن در مدل‌سازی
• انواع داده‌ها و ویژگی‌ها
• داده‌های ساختاریافته و غیرساختاریافته
• متغیرهای مستقل و وابسته
• مجموعه داده‌های آموزشی و آزمایشی
• کیفیت داده و تأثیر آن بر نتایج

فصل سوم | فرآیند حل مسئله با یادگیری ماشین

• شناسایی مسئله کسب‌وکار
• تبدیل مسئله به مسئله یادگیری ماشین
• جمع‌آوری داده‌ها
• آماده‌سازی داده‌ها
• آموزش مدل
• ارزیابی و استقرار مدل

فصل چهارم | آماده‌سازی و پیش‌پردازش داده‌ها

• پاک‌سازی داده‌ها
• مدیریت داده‌های ناقص
• شناسایی و مدیریت داده‌های پرت
• تبدیل و نرمال‌سازی داده‌ها
• کدگذاری متغیرهای دسته‌ای
• مهندسی ویژگی‌ها

فصل پنجم | آشنایی با انواع یادگیری ماشین

• یادگیری نظارت‌شده
• یادگیری بدون نظارت
• یادگیری نیمه‌نظارت‌شده
• یادگیری تقویتی
• مقایسه رویکردهای مختلف یادگیری
• انتخاب روش مناسب برای مسائل مختلف

فصل ششم | یادگیری نظارت‌شده (Supervised Learning)

• اصول یادگیری نظارت‌شده
• مسائل طبقه‌بندی
• مسائل رگرسیون
• فرآیند آموزش مدل
• داده‌های برچسب‌گذاری شده
• کاربردهای عملی یادگیری نظارت‌شده

فصل هفتم | یادگیری بدون نظارت (Unsupervised Learning)

• مفاهیم و اهداف یادگیری بدون نظارت
• کشف الگوهای پنهان
• گروه‌بندی داده‌ها
• تحلیل روابط میان داده‌ها
• کاربردهای تجاری و علمی
• مزایا و محدودیت‌ها

فصل هشتم | آشنایی با الگوریتم‌های پایه یادگیری ماشین

• رگرسیون خطی
• رگرسیون لجستیک
• درخت تصمیم
• ماشین بردار پشتیبان
• نزدیک‌ترین همسایه
• خوشه‌بندی و کاهش ابعاد

فصل نهم | تقسیم‌بندی و مدیریت داده‌ها

• مجموعه آموزش
• مجموعه اعتبارسنجی
• مجموعه آزمون
• اهمیت تفکیک داده‌ها
• جلوگیری از سوگیری در داده‌ها
• مدیریت چرخه آموزش و ارزیابی

فصل دهم | آموزش مدل‌های یادگیری ماشین

• مفهوم یادگیری از داده‌ها
• فرآیند ساخت مدل
• تنظیم پارامترهای مدل
• کنترل کیفیت آموزش
• مدیریت داده‌های آموزشی
• بررسی عملکرد اولیه مدل

فصل یازدهم | ارزیابی عملکرد مدل‌ها

• اهمیت ارزیابی مدل
• معیارهای سنجش عملکرد
• تحلیل نتایج مدل
• مقایسه مدل‌های مختلف
• ارزیابی خطاها
• انتخاب بهترین مدل

فصل دوازدهم | معیارهای ارزیابی طبقه‌بندی

• دقت (Accuracy)
• صحت و بازخوانی
• امتیاز F1
• ماتریس سردرگمی
• تحلیل نتایج طبقه‌بندی
• انتخاب معیار مناسب

فصل سیزدهم | معیارهای ارزیابی رگرسیون

• خطای مطلق میانگین
• خطای مربعی میانگین
• ریشه میانگین مربعات خطا
• ضریب تعیین
• تحلیل عملکرد مدل‌های پیش‌بینی
• مقایسه مدل‌های رگرسیونی

فصل چهاردهم | بیش‌برازش و کم‌برازش

• مفهوم بیش‌برازش
• مفهوم کم‌برازش
• دلایل ایجاد خطاهای مدل
• تشخیص مشکلات یادگیری
• راهکارهای کاهش بیش‌برازش
• ایجاد تعادل در عملکرد مدل

فصل پانزدهم | انتخاب و بهینه‌سازی مدل

• انتخاب الگوریتم مناسب
• مقایسه مدل‌های مختلف
• تنظیم پارامترهای مدل
• بهبود دقت پیش‌بینی
• مدیریت پیچیدگی مدل
• بهینه‌سازی فرآیند یادگیری

فصل شانزدهم | تفسیر و تحلیل نتایج مدل‌ها

• تحلیل خروجی مدل
• تفسیر پیش‌بینی‌ها
• شناسایی نقاط ضعف مدل
• تحلیل اهمیت ویژگی‌ها
• ارائه نتایج به ذی‌نفعان
• تصمیم‌گیری مبتنی بر داده

فصل هفدهم | چالش‌ها و ملاحظات یادگیری ماشین

• کیفیت داده‌ها
• سوگیری و عدالت در مدل‌ها
• حریم خصوصی داده‌ها
• امنیت مدل‌های یادگیری ماشین
• ملاحظات اخلاقی
• مسئولیت‌پذیری در هوش مصنوعی

فصل هجدهم | پروژه‌های مقدماتی یادگیری ماشین

• طراحی یک پروژه کامل یادگیری ماشین
• تحلیل مسئله و انتخاب داده
• آماده‌سازی داده‌ها
• آموزش و ارزیابی مدل
• بهبود نتایج
• مستندسازی و ارائه پروژه

فصل نوزدهم | آمادگی برای مباحث پیشرفته یادگیری ماشین

• مسیر یادگیری پس از مبانی
• آشنایی با یادگیری عمیق
• آشنایی با پردازش زبان طبیعی
• آشنایی با بینایی ماشین
• آشنایی با MLOps
• نقشه راه توسعه مهارت‌های حرفه‌ای

بخش ۴ Supervised Learning with Python : (یادگیری نظارت‌شده با پایتون)

فصل اول | مقدمه‌ای بر یادگیری نظارت‌شده

• مفهوم یادگیری نظارت‌شده
• نقش داده‌های برچسب‌گذاری‌شده
• تفاوت طبقه‌بندی و رگرسیون
• کاربردهای یادگیری نظارت‌شده
• مراحل اجرای یک پروژه یادگیری نظارت‌شده
• چالش‌های رایج در مدل‌سازی

فصل دوم | آماده‌سازی داده‌ها برای یادگیری نظارت‌شده

• جمع‌آوری داده‌ها
• بررسی کیفیت داده‌ها
• پاک‌سازی داده‌ها
• مدیریت داده‌های ناقص
• شناسایی داده‌های پرت
• آماده‌سازی داده برای آموزش مدل

فصل سوم | مهندسی ویژگی‌ها (Feature Engineering)

• مفهوم ویژگی در یادگیری ماشین
• انتخاب ویژگی‌های مناسب
• استخراج ویژگی‌ها
• ایجاد ویژگی‌های جدید
• کاهش ویژگی‌های غیرضروری
• تأثیر ویژگی‌ها بر عملکرد مدل

فصل چهارم | تقسیم‌بندی داده‌ها و اعتبارسنجی

• داده‌های آموزشی
• داده‌های اعتبارسنجی
• داده‌های آزمون
• اصول تقسیم داده‌ها
• اعتبارسنجی متقابل
• ارزیابی کیفیت نمونه‌ها

فصل پنجم | رگرسیون در یادگیری ماشین

• مفهوم پیش‌بینی مقادیر عددی
• مسائل رگرسیونی
• کاربردهای رگرسیون
• تحلیل روابط میان متغیرها
• ارزیابی مدل‌های رگرسیونی
• محدودیت‌ها و چالش‌ها

فصل ششم | رگرسیون خطی (Linear Regression)

• مبانی رگرسیون خطی
• مدل‌سازی روابط خطی
• تحلیل ضرایب مدل
• تفسیر نتایج
• فرضیات رگرسیون خطی
• کاربردهای عملی رگرسیون

فصل هفتم | رگرسیون لجستیک (Logistic Regression)

• مفهوم طبقه‌بندی دودویی
• ساختار رگرسیون لجستیک
• احتمال و تصمیم‌گیری
• مرزهای تصمیم
• تفسیر خروجی مدل
• کاربردهای تجاری و صنعتی

فصل هشتم | ارزیابی مدل‌های رگرسیونی

• معیارهای ارزیابی رگرسیون
• تحلیل خطاها
• مقایسه مدل‌های مختلف
• بررسی کیفیت پیش‌بینی
• تحلیل نتایج خروجی
• انتخاب مدل مناسب

فصل نهم | طبقه‌بندی در یادگیری نظارت‌شده

• اصول طبقه‌بندی داده‌ها
• انواع مسائل طبقه‌بندی
• طبقه‌بندی دودویی
• طبقه‌بندی چندکلاسه
• چالش‌های طبقه‌بندی
• کاربردهای عملی

فصل دهم | درخت تصمیم (Decision Trees)

• ساختار درخت تصمیم
• فرآیند تقسیم‌بندی داده‌ها
• گره‌ها و شاخه‌ها
• معیارهای انتخاب تقسیم
• مزایا و محدودیت‌های درخت تصمیم
• تحلیل و تفسیر مدل

فصل یازدهم | بهینه‌سازی درخت‌های تصمیم

• کنترل پیچیدگی مدل
• هرس درخت (Pruning)
• جلوگیری از بیش‌برازش
• انتخاب عمق مناسب درخت
• تحلیل عملکرد درخت
• بهبود دقت مدل

فصل دوازدهم | ماشین‌های بردار پشتیبان (SVM)

• مفاهیم پایه SVM
• ابرصفحه و مرز تصمیم
• جداسازی داده‌ها
• انواع SVM
• مزایا و محدودیت‌ها
• کاربردهای SVM در مسائل واقعی

فصل سیزدهم | الگوریتم نزدیک‌ترین همسایه (KNN)

• اصول KNN
• مفهوم شباهت و فاصله
• انتخاب تعداد همسایه‌ها
• فرآیند تصمیم‌گیری مدل
• مزایا و محدودیت‌ها
• کاربردهای عملی KNN

فصل چهاردهم | مقایسه الگوریتم‌های طبقه‌بندی

• مقایسه رگرسیون لجستیک
• مقایسه درخت تصمیم
• مقایسه SVM
• مقایسه KNN
• انتخاب الگوریتم مناسب
• تحلیل سناریوهای مختلف

فصل پانزدهم | ارزیابی مدل‌های طبقه‌بندی

• دقت (Accuracy)
• صحت (Precision)
• بازخوانی (Recall)
• امتیاز F1
• ماتریس سردرگمی
• تحلیل عملکرد مدل

فصل شانزدهم | مدیریت عدم توازن داده‌ها

• مفهوم داده‌های نامتوازن
• تأثیر عدم توازن بر مدل
• تکنیک‌های متعادل‌سازی داده
• ارزیابی صحیح مدل‌ها
• انتخاب معیار مناسب
• بهبود کیفیت پیش‌بینی

فصل هفدهم | تنظیم و بهینه‌سازی مدل‌ها

• انتخاب پارامترهای مناسب
• جستجوی پارامترها
• بهینه‌سازی عملکرد
• مقایسه تنظیمات مختلف
• کنترل پیچیدگی مدل
• افزایش دقت پیش‌بینی

فصل هجدهم | جلوگیری از بیش‌برازش و کم‌برازش

• شناسایی بیش‌برازش
• شناسایی کم‌برازش
• تحلیل منحنی‌های یادگیری
• روش‌های کاهش خطا
• تعادل میان دقت و تعمیم‌پذیری
• مدیریت کیفیت مدل

فصل نوزدهم | تفسیرپذیری و تحلیل مدل‌ها

• اهمیت تفسیر مدل
• تحلیل تصمیمات مدل
• بررسی اهمیت ویژگی‌ها
• توضیح نتایج برای کاربران
• تحلیل نقاط قوت و ضعف
• مستندسازی مدل‌ها

فصل بیستم | پیاده‌سازی پروژه‌های طبقه‌بندی

• طراحی پروژه طبقه‌بندی
• آماده‌سازی داده‌ها
• انتخاب الگوریتم مناسب
• آموزش و ارزیابی مدل
• بهبود نتایج
• ارائه گزارش نهایی

فصل بیست و یکم | پیاده‌سازی پروژه‌های رگرسیونی

• طراحی پروژه پیش‌بینی
• تحلیل داده‌ها
• انتخاب مدل رگرسیونی
• ارزیابی عملکرد
• بهینه‌سازی مدل
• ارائه نتایج و گزارش‌ها

فصل بیست و دوم | کاربردهای صنعتی یادگیری نظارت‌شده

• پیش‌بینی فروش و تقاضا
• تحلیل رفتار مشتریان
• تشخیص تقلب
• تحلیل ریسک
• سیستم‌های پیشنهاددهنده
• کاربردهای پزشکی و مالی

فصل بیست و سوم | آمادگی برای مباحث پیشرفته یادگیری ماشین

• مقدمه‌ای بر Ensemble Learning
• آشنایی با Random Forest
• آشنایی با Gradient Boosting
• مسیر ورود به Deep Learning
• ارتباط یادگیری نظارت‌شده با هوش مصنوعی
• نقشه راه یادگیری پیشرفته

بخش ۵ Unsupervised Learning : (یادگیری بدون نظارت)

فصل اول | مقدمه‌ای بر یادگیری بدون نظارت

• مفهوم یادگیری بدون نظارت
• تفاوت یادگیری بدون نظارت و یادگیری نظارت‌شده
• کاربردهای یادگیری بدون نظارت
• مزایا و محدودیت‌ها
• نقش یادگیری بدون نظارت در هوش مصنوعی
• چرخه اجرای پروژه‌های بدون نظارت

فصل دوم | داده‌ها در یادگیری بدون نظارت

• ماهیت داده‌های بدون برچسب
• شناسایی الگوهای پنهان
• آماده‌سازی داده‌ها
• پاک‌سازی و استانداردسازی داده‌ها
• انتخاب ویژگی‌های مناسب
• تحلیل اولیه داده‌ها

فصل سوم | مفاهیم پایه خوشه‌بندی

• تعریف خوشه‌بندی
• اهداف خوشه‌بندی
• شباهت و فاصله میان داده‌ها
• معیارهای سنجش شباهت
• انواع روش‌های خوشه‌بندی
• کاربردهای خوشه‌بندی در صنایع مختلف

فصل چهارم | الگوریتم K-Means

• معرفی الگوریتم K-Means
• فرآیند تشکیل خوشه‌ها
• انتخاب مراکز خوشه
• تعیین تعداد خوشه‌ها
• مزایا و محدودیت‌های K-Means
• کاربردهای عملی K-Means

فصل پنجم | ارزیابی نتایج خوشه‌بندی

• مفهوم کیفیت خوشه‌بندی
• ارزیابی درون‌خوشه‌ای
• ارزیابی بین‌خوشه‌ای
• تحلیل انسجام خوشه‌ها
• مقایسه نتایج خوشه‌بندی
• انتخاب بهترین ساختار خوشه‌ها

فصل ششم | تعیین تعداد بهینه خوشه‌ها

• اهمیت انتخاب تعداد خوشه
• روش Elbow
• تحلیل واریانس خوشه‌ها
• روش‌های اعتبارسنجی خوشه‌ها
• تحلیل ساختار داده
• بهینه‌سازی نتایج خوشه‌بندی

فصل هفتم | خوشه‌بندی سلسله‌مراتبی

• مفاهیم خوشه‌بندی سلسله‌مراتبی
• ساختار درختی خوشه‌ها
• ادغام خوشه‌ها
• تقسیم خوشه‌ها
• تحلیل روابط میان گروه‌ها
• کاربردهای خوشه‌بندی سلسله‌مراتبی

فصل هشتم | خوشه‌بندی مبتنی بر چگالی

• مفهوم چگالی داده‌ها
• کشف ساختارهای پیچیده
• شناسایی خوشه‌های نامنظم
• تشخیص داده‌های پرت
• مزایا و محدودیت‌ها
• کاربردهای عملی

فصل نهم | خوشه‌بندی پیشرفته

• مقایسه روش‌های مختلف خوشه‌بندی
• انتخاب الگوریتم مناسب
• تحلیل داده‌های پیچیده
• خوشه‌بندی داده‌های حجیم
• چالش‌های عملی خوشه‌بندی
• بهینه‌سازی نتایج

فصل دهم | کاهش ابعاد داده‌ها

• مفهوم کاهش ابعاد
• ضرورت کاهش ابعاد
• مزایا و کاربردها
• چالش‌های داده‌های چندبعدی
• حفظ اطلاعات مهم داده‌ها
• ارتباط کاهش ابعاد با یادگیری ماشین

فصل یازدهم | تحلیل مؤلفه‌های اصلی (PCA)

• آشنایی با PCA
• اصول عملکرد PCA
• استخراج مؤلفه‌های اصلی
• کاهش پیچیدگی داده‌ها
• تفسیر نتایج PCA
• کاربردهای عملی PCA

فصل دوازدهم | ارزیابی و تحلیل PCA

• انتخاب تعداد مؤلفه‌ها
• حفظ واریانس داده‌ها
• تحلیل خروجی‌های PCA
• مقایسه قبل و بعد از کاهش ابعاد
• بررسی کیفیت نتایج
• بهینه‌سازی مدل‌های مبتنی بر PCA

فصل سیزدهم | مصورسازی داده‌های چندبعدی

• اهمیت نمایش داده‌ها
• نمایش خوشه‌ها
• نمایش داده‌های کاهش‌یافته
• تحلیل بصری الگوها
• کشف روابط میان داده‌ها
• ارائه نتایج تحلیلی

فصل چهاردهم | کشف الگوها و روابط پنهان

• تحلیل ساختار داده‌ها
• شناسایی گروه‌های مشابه
• کشف رفتارهای مشترک
• تحلیل روندهای پنهان
• استخراج دانش از داده‌ها
• استفاده از نتایج در تصمیم‌گیری

فصل پانزدهم | تشخیص ناهنجاری‌ها (Anomaly Detection)

• مفهوم ناهنجاری
• انواع داده‌های غیرعادی
• شناسایی رفتارهای غیرمعمول
• کاربرد در امنیت و تقلب
• تحلیل نتایج تشخیص ناهنجاری
• ارزیابی مدل‌ها

فصل شانزدهم | تحلیل انجمنی و کشف روابط

• مفهوم قوانین انجمنی
• کشف وابستگی میان داده‌ها
• تحلیل الگوهای خرید
• استخراج روابط پنهان
• کاربردهای بازاریابی و تجارت
• ارزیابی قوانین استخراج‌شده

فصل هفدهم | کاربردهای تجاری یادگیری بدون نظارت

• بخش‌بندی مشتریان
• تحلیل بازار
• مدیریت ارتباط با مشتری
• تحلیل رفتار کاربران
• شخصی‌سازی خدمات
• بهینه‌سازی فرآیندهای کسب‌وکار

فصل هجدهم | کاربردهای صنعتی و علمی

• تحلیل داده‌های پزشکی
• تحلیل داده‌های مالی
• تحلیل داده‌های شبکه
• تحلیل داده‌های تولیدی
• تحقیقات علمی و پژوهشی
• سیستم‌های هوشمند

فصل نوزدهم | چالش‌ها و محدودیت‌های یادگیری بدون نظارت

• نبود برچسب در داده‌ها
• دشواری ارزیابی نتایج
• انتخاب الگوریتم مناسب
• مدیریت داده‌های حجیم
• تفسیر خروجی‌ها
• مسائل عملی و اجرایی

فصل بیستم | پروژه‌های خوشه‌بندی و کاهش ابعاد

• طراحی پروژه خوشه‌بندی
• آماده‌سازی داده‌ها
• اجرای K-Means
• اجرای PCA
• تحلیل نتایج
• ارائه گزارش نهایی

فصل بیست و یکم | ترکیب یادگیری بدون نظارت با سایر روش‌ها

• استفاده از خروجی خوشه‌بندی در طبقه‌بندی
• ترکیب PCA با مدل‌های نظارت‌شده
• مهندسی ویژگی با روش‌های بدون نظارت
• تحلیل داده‌های پیچیده
• ایجاد راهکارهای ترکیبی
• کاربردهای پیشرفته

فصل بیست و دوم | آمادگی برای یادگیری عمیق و هوش مصنوعی پیشرفته

• نقش یادگیری بدون نظارت در Deep Learning
• آشنایی با Autoencoderها
• مقدمه‌ای بر یادگیری بازنمایی
• ارتباط با بینایی ماشین
• ارتباط با پردازش زبان طبیعی
• مسیر ادامه یادگیری در AI

بخش ۶) Deep Learning Fundamentals :مبانی یادگیری عمیق(

فصل اول | آشنایی با یادگیری عمیق

• تعریف یادگیری عمیق و جایگاه آن در هوش مصنوعی
• تفاوت یادگیری ماشین و یادگیری عمیق
• تاریخچه و تکامل شبکه‌های عصبی
• کاربردهای یادگیری عمیق در صنایع مختلف
• مزایا و محدودیت‌های یادگیری عمیق
• مسیر یادگیری و توسعه مهارت‌ها

فصل دوم | مبانی ریاضی موردنیاز برای یادگیری عمیق

• مفاهیم پایه جبر خطی
• بردارها و ماتریس‌ها
• فضاهای چندبعدی
• مفاهیم احتمال و آمار
• توابع و مشتق‌گیری
• نقش ریاضیات در آموزش مدل‌ها

فصل سوم | معرفی شبکه‌های عصبی مصنوعی

• الهام‌گیری از مغز انسان
• ساختار شبکه‌های عصبی
• نورون مصنوعی و اجزای آن
• لایه‌های ورودی، مخفی و خروجی
• جریان داده در شبکه عصبی
• انواع شبکه‌های عصبی

فصل چهارم | ساختار و معماری شبکه‌های عصبی

• تعداد لایه‌ها و عمق شبکه
• ارتباط میان نورون‌ها
• طراحی معماری شبکه
• پارامترها و وزن‌ها
• بایاس و نقش آن
• تحلیل ساختار مدل‌های مختلف

فصل پنجم | توابع فعال‌سازی (Activation Functions)

• مفهوم فعال‌سازی در شبکه عصبی
• نقش غیرخطی‌سازی
• انواع توابع فعال‌سازی
• ویژگی‌های هر تابع
• انتخاب تابع مناسب
• تأثیر توابع فعال‌سازی بر عملکرد مدل

فصل ششم | فرآیند یادگیری در شبکه‌های عصبی

• مفهوم آموزش مدل
• داده‌های آموزشی و هدف یادگیری
• محاسبه خروجی شبکه
• ارزیابی نتایج
• اصلاح پارامترها
• چرخه یادگیری شبکه

فصل هفتم | انتشار رو به جلو (Forward Propagation)

• مفهوم انتقال اطلاعات در شبکه
• پردازش داده در لایه‌ها
• تولید خروجی نهایی
• نقش وزن‌ها و بایاس‌ها
• تحلیل جریان اطلاعات
• ارزیابی عملکرد اولیه شبکه

فصل هشتم | توابع هزینه و خطا

• مفهوم خطا در یادگیری
• اندازه‌گیری اختلاف پیش‌بینی و واقعیت
• انواع توابع هزینه
• انتخاب تابع هزینه مناسب
• تحلیل خطاهای مدل
• نقش تابع هزینه در بهینه‌سازی

فصل نهم | الگوریتم Backpropagation

• مفهوم بازانتشار خطا
• محاسبه خطا در لایه‌ها
• انتقال خطا به عقب
• اصلاح وزن‌ها
• اهمیت Backpropagation
• چالش‌های آموزش شبکه

فصل دهم | بهینه‌سازی مدل‌های یادگیری عمیق

• مفهوم بهینه‌سازی
• گرادیان و نزول گرادیان
• فرآیند کاهش خطا
• نرخ یادگیری
• همگرایی مدل
• بهبود عملکرد آموزش

فصل یازدهم | الگوریتم‌های بهینه‌سازی پیشرفته

• روش‌های مختلف بهینه‌سازی
• بهینه‌سازی تطبیقی
• مدیریت سرعت یادگیری
• مقایسه الگوریتم‌های بهینه‌سازی
• انتخاب روش مناسب
• کاربردهای عملی

فصل دوازدهم | مدیریت داده‌ها در یادگیری عمیق

• آماده‌سازی داده‌ها
• نرمال‌سازی داده‌ها
• استانداردسازی اطلاعات
• مدیریت داده‌های ناقص
• تقسیم‌بندی داده‌ها
• کیفیت داده و تأثیر آن بر مدل

فصل سیزدهم | بیش‌برازش و کم‌برازش در شبکه‌های عصبی

• مفهوم بیش‌برازش
• مفهوم کم‌برازش
• دلایل بروز مشکلات یادگیری
• شناسایی نشانه‌ها
• ارزیابی عملکرد مدل
• راهکارهای کنترل خطا

فصل چهاردهم | تکنیک‌های جلوگیری از بیش‌برازش

• منظم‌سازی مدل‌ها
• حذف تصادفی نورون‌ها (Dropout)
• توقف زودهنگام
• افزایش داده‌ها
• ساده‌سازی مدل
• مدیریت تعمیم‌پذیری

فصل پانزدهم | ارزیابی مدل‌های یادگیری عمیق

• معیارهای ارزیابی
• تحلیل عملکرد مدل
• ارزیابی داده‌های آموزشی و آزمون
• بررسی دقت مدل
• تحلیل خطاها
• مقایسه مدل‌ها

فصل شانزدهم | معرفی TensorFlow

• تاریخچه و کاربرد TensorFlow
• معماری کلی TensorFlow
• نقش TensorFlow در یادگیری عمیق
• اجزای اصلی چارچوب
• مدیریت پروژه‌های یادگیری عمیق
• مزایا و محدودیت‌ها

فصل هفدهم | طراحی مدل‌های یادگیری عمیق با TensorFlow

• فرآیند ساخت مدل
• مدیریت لایه‌ها
• پیکربندی مدل‌ها
• آموزش مدل‌ها
• ارزیابی نتایج
• ذخیره و استفاده از مدل‌ها

فصل هجدهم | مدیریت فرآیند آموزش مدل

• تنظیمات آموزش
• کنترل دوره‌های آموزشی
• مدیریت داده‌های ورودی
• پایش عملکرد مدل
• ثبت نتایج آموزش
• بهینه‌سازی فرآیند یادگیری

فصل نوزدهم | تحلیل و تفسیر مدل‌های یادگیری عمیق

• اهمیت تفسیرپذیری
• تحلیل تصمیمات مدل
• بررسی اهمیت ویژگی‌ها
• شناسایی نقاط ضعف مدل
• ارائه نتایج به کاربران
• مستندسازی مدل‌ها

فصل بیستم | کاربردهای یادگیری عمیق

• پردازش تصویر
• پردازش زبان طبیعی
• تشخیص گفتار
• سیستم‌های توصیه‌گر
• تحلیل داده‌های پزشکی
• کاربردهای صنعتی و تجاری

فصل بیست و یکم | پروژه‌های عملی یادگیری عمیق

• طراحی یک پروژه کامل
• آماده‌سازی داده‌ها
• ساخت شبکه عصبی
• آموزش و ارزیابی مدل
• بهینه‌سازی عملکرد
• ارائه نتایج نهایی

فصل بیست و دوم | چالش‌ها و روندهای نوین یادگیری عمیق

• محدودیت‌های یادگیری عمیق
• نیازمندی‌های سخت‌افزاری
• مسائل اخلاقی و امنیتی
• مدل‌های بزرگ هوش مصنوعی
• روندهای نوظهور در Deep Learning
• آینده یادگیری عمیق

فصل بیست و سوم | آمادگی برای معماری‌های پیشرفته

• مقدمه‌ای بر شبکه‌های کانولوشنی (CNN)
• مقدمه‌ای بر شبکه‌های بازگشتی (RNN)
• مقدمه‌ای بر Transformerها
• مقدمه‌ای بر مدل‌های مولد
• مسیر ورود به مباحث پیشرفته
• نقشه راه توسعه تخصصی در Deep Learning

بخش ۷) Neural Networks and Deep Learning :شبکه‌های عصبی و یادگیری عمیق(

فصل اول | مروری بر شبکه‌های عصبی و یادگیری عمیق

• تکامل شبکه‌های عصبی مصنوعی
• جایگاه Deep Learning در هوش مصنوعی
• معماری‌های مختلف شبکه‌های عصبی
• حوزه‌های کاربردی یادگیری عمیق
• مزایا و محدودیت‌های شبکه‌های عمیق
• روندهای نوین در این حوزه

فصل دوم | طراحی معماری شبکه‌های عصبی عمیق

• اصول طراحی مدل‌های عمیق
• انتخاب تعداد لایه‌ها
• طراحی لایه‌های مخفی
• مدیریت پارامترهای مدل
• انتخاب ساختار مناسب برای مسئله
• بهینه‌سازی معماری شبکه

فصل سوم | مدیریت داده‌ها برای شبکه‌های عصبی

• آماده‌سازی داده‌های آموزشی
• استانداردسازی و نرمال‌سازی
• مدیریت داده‌های نامتوازن
• تقسیم‌بندی داده‌ها
• افزایش کیفیت داده‌ها
• آماده‌سازی داده برای آموزش عمیق

فصل چهارم | آموزش و تنظیم شبکه‌های عصبی

• فرآیند آموزش مدل
• تنظیم پارامترهای یادگیری
• مدیریت دوره‌های آموزشی
• کنترل عملکرد مدل
• پایش روند یادگیری
• بهینه‌سازی فرآیند آموزش

فصل پنجم | بهینه‌سازی پیشرفته شبکه‌های عصبی

• الگوریتم‌های بهینه‌سازی مدرن
• تنظیم نرخ یادگیری
• مدیریت گرادیان‌ها
• تسریع فرآیند آموزش
• کاهش خطاهای مدل
• انتخاب استراتژی مناسب بهینه‌سازی

فصل ششم | معماری‌های پیشرفته شبکه‌های عصبی

• شبکه‌های کم‌عمق و عمیق
• معماری‌های سلسله‌مراتبی
• مدل‌های چندلایه
• شبکه‌های تخصصی
• طراحی مدل‌های پیچیده
• تحلیل معماری‌های مدرن

فصل هفتم | شبکه‌های عصبی پیچشی (CNN) و مفاهیم پایه

• معرفی CNN
• تفاوت CNN با شبکه‌های سنتی
• کاربرد CNN در بینایی ماشین
• ساختار کلی شبکه‌های پیچشی
• مزایا و محدودیت‌های CNN
• حوزه‌های استفاده از CNN

فصل هشتم | لایه‌های اصلی در شبکه‌های CNN

• لایه‌های استخراج ویژگی
• فیلترها و کرنل‌ها
• لایه‌های تجمیع اطلاعات
• لایه‌های طبقه‌بندی
• مدیریت ابعاد داده‌ها
• طراحی ساختار CNN

فصل نهم | استخراج ویژگی در تصاویر

• مفهوم ویژگی در تصاویر
• تشخیص الگوهای بصری
• استخراج ویژگی‌های سطح پایین
• استخراج ویژگی‌های سطح بالا
• تحلیل ساختار تصاویر
• کاربرد ویژگی‌ها در طبقه‌بندی

فصل دهم | معماری‌های مشهور CNN

• معرفی معماری‌های کلاسیک
• شبکه‌های عمیق تصویری
• مقایسه معماری‌های مختلف
• انتخاب معماری مناسب
• تحلیل عملکرد مدل‌ها
• روند تکامل CNNها

فصل یازدهم | کاربردهای CNN در بینایی ماشین

• طبقه‌بندی تصاویر
• تشخیص اشیا
• تحلیل تصاویر پزشکی
• سیستم‌های نظارتی هوشمند
• پردازش تصاویر صنعتی
• کاربردهای تجاری CNN

فصل دوازدهم | انتقال یادگیری (Transfer Learning)

• مفهوم انتقال دانش
• استفاده از مدل‌های از پیش آموزش‌دیده
• مزایای Transfer Learning
• انتخاب مدل مناسب
• تطبیق مدل با داده‌های جدید
• بهینه‌سازی عملکرد مدل

فصل سیزدهم | شبکه‌های عصبی بازگشتی (RNN)

• معرفی RNN
• داده‌های ترتیبی و زمانی
• تفاوت RNN با CNN
• ساختار شبکه‌های بازگشتی
• کاربردهای پردازش توالی
• محدودیت‌های RNN

فصل چهاردهم | پردازش داده‌های ترتیبی

• مفهوم توالی در داده‌ها
• تحلیل سری‌های زمانی
• پردازش متون
• پردازش صوت و گفتار
• مدیریت وابستگی‌های زمانی
• تحلیل داده‌های پویا

فصل پانزدهم | معماری‌های پیشرفته RNN

• شبکه‌های حافظه‌دار
• مدیریت وابستگی‌های بلندمدت
• معماری‌های توسعه‌یافته RNN
• بهبود عملکرد مدل‌ها
• مقایسه معماری‌های بازگشتی
• کاربردهای پیشرفته

فصل شانزدهم | کاربردهای RNN در پردازش زبان طبیعی

• تحلیل متن
• طبقه‌بندی اسناد
• تحلیل احساسات
• ترجمه ماشینی
• تولید متن
• سیستم‌های مکالمه هوشمند

فصل هفدهم | معرفی Keras

• آشنایی با Keras
• نقش Keras در توسعه مدل‌های عمیق
• ساختار و قابلیت‌ها
• مزایای استفاده از Keras
• ارتباط Keras و TensorFlow
• محیط توسعه مدل‌ها

فصل هجدهم | طراحی مدل‌های یادگیری عمیق با Keras

• ساخت مدل‌های ترتیبی
• طراحی مدل‌های چندلایه
• مدیریت لایه‌ها
• پیکربندی مدل‌ها
• آموزش و ارزیابی مدل‌ها
• ذخیره‌سازی و بازیابی مدل‌ها

فصل نوزدهم | ارزیابی و بهبود عملکرد مدل‌های عمیق

• تحلیل معیارهای ارزیابی
• بررسی منحنی‌های یادگیری
• تحلیل خطاها
• شناسایی نقاط ضعف
• بهبود عملکرد مدل
• مقایسه مدل‌های مختلف

فصل بیستم | جلوگیری از بیش‌برازش در مدل‌های عمیق

• تکنیک‌های منظم‌سازی
• Dropout
• Data Augmentation
• Early Stopping
• کنترل پیچیدگی مدل
• افزایش تعمیم‌پذیری

فصل بیست و یکم | استقرار و استفاده از مدل‌های یادگیری عمیق

• آماده‌سازی مدل برای استفاده عملیاتی
• ذخیره و مدیریت مدل‌ها
• یکپارچه‌سازی با نرم‌افزارها
• ارائه خدمات مبتنی بر AI
• مدیریت نسخه‌های مدل
• نگهداری و به‌روزرسانی

فصل بیست و دوم | پروژه‌های عملی CNN و RNN

• طراحی پروژه بینایی ماشین
• طراحی پروژه پردازش متن
• آموزش مدل‌های عمیق
• ارزیابی نتایج
• بهینه‌سازی عملکرد
• ارائه گزارش پروژه

فصل بیست و سوم | معرفی معماری‌های نسل جدید

• محدودیت‌های CNN و RNN
• آشنایی با Attention Mechanism
• مقدمه‌ای بر Transformer
• مدل‌های زبانی بزرگ (LLM)
• مدل‌های مولد هوش مصنوعی
• روند آینده Deep Learning

فصل بیست و چهارم | پروژه جامع شبکه‌های عصبی و یادگیری عمیق

• تحلیل مسئله و انتخاب راهکار
• آماده‌سازی داده‌ها
• طراحی معماری مناسب
• آموزش و ارزیابی مدل
• استقرار راهکار هوش مصنوعی
• مستندسازی و ارائه نهایی پروژه

بخش ۸) AI in Practice :هوش مصنوعی در عمل(

فصل اول | ورود به دنیای کاربردی هوش مصنوعی

• گذار از مفاهیم تئوری به پروژه‌های واقعی
• چرخه حیات راهکارهای هوش مصنوعی
• نقش هوش مصنوعی در تحول دیجیتال
• بررسی نمونه‌های موفق AI در صنعت
• چالش‌های پیاده‌سازی عملی
• مهارت‌های موردنیاز متخصصان AI

فصل دوم | تحلیل مسئله و تعریف پروژه‌های هوش مصنوعی

• شناسایی نیازهای کسب‌وکار
• تبدیل مسائل واقعی به مسائل AI
• تعیین اهداف پروژه
• تعریف شاخص‌های موفقیت
• تحلیل محدودیت‌ها و ریسک‌ها
• مستندسازی نیازمندی‌ها

فصل سوم | جمع‌آوری و مدیریت داده‌ها

• منابع داده در پروژه‌های AI
• استراتژی‌های جمع‌آوری داده
• مدیریت کیفیت داده‌ها
• اعتبارسنجی داده‌ها
• ذخیره‌سازی و سازماندهی داده‌ها
• حاکمیت داده در پروژه‌های AI

فصل چهارم | آماده‌سازی داده برای استفاده عملی

• پاک‌سازی داده‌ها
• مدیریت داده‌های ناقص
• استانداردسازی اطلاعات
• ادغام داده‌ها از منابع مختلف
• مهندسی ویژگی‌ها
• آماده‌سازی داده برای استقرار مدل

فصل پنجم | انتخاب راهکار مناسب هوش مصنوعی

• تحلیل انواع مدل‌ها
• انتخاب الگوریتم متناسب با مسئله
• مقایسه روش‌های مختلف
• ارزیابی هزینه و کارایی
• طراحی معماری راهکار
• تدوین استراتژی توسعه

فصل ششم | طراحی پروژه‌های یادگیری ماشین

• طراحی فرآیندهای تحلیلی
• انتخاب متغیرها و ویژگی‌ها
• ساختاردهی پروژه
• مدیریت منابع پروژه
• برنامه‌ریزی مراحل اجرا
• مستندسازی فنی

فصل هفتم | پیاده‌سازی مدل‌های هوش مصنوعی

• توسعه مدل‌های یادگیری ماشین
• آموزش و اعتبارسنجی مدل
• مدیریت فرآیند آموزش
• پایش عملکرد مدل
• ثبت نتایج
• بهینه‌سازی اولیه

فصل هشتم | ارزیابی و اعتبارسنجی مدل‌ها

• ارزیابی عملکرد مدل
• تحلیل نتایج خروجی
• اعتبارسنجی مدل‌ها
• مقایسه مدل‌های مختلف
• تحلیل نقاط ضعف
• تصمیم‌گیری برای بهبود مدل

فصل نهم | بهینه‌سازی مدل‌های هوش مصنوعی

• بهبود کیفیت پیش‌بینی
• تنظیم پارامترها
• افزایش دقت مدل
• کاهش خطاها
• بهینه‌سازی منابع پردازشی
• مدیریت پیچیدگی مدل

فصل دهم | پردازش تصویر در پروژه‌های AI

• مفاهیم بینایی ماشین
• تحلیل تصاویر دیجیتال
• طبقه‌بندی تصاویر
• تشخیص اشیا
• کاربردهای پزشکی و صنعتی
• چالش‌های پردازش تصویر

فصل یازدهم | هوش مصنوعی در تحلیل و پردازش تصاویر

• استخراج ویژگی‌های تصویری
• تشخیص الگوها
• تحلیل تصاویر پیچیده
• سیستم‌های نظارتی هوشمند
• کاربردهای امنیتی
• پروژه‌های بینایی ماشین

فصل دوازدهم | پردازش زبان طبیعی (NLP) در عمل

• مفاهیم کاربردی NLP
• تحلیل متون
• دسته‌بندی اسناد
• تحلیل احساسات
• سیستم‌های مکالمه هوشمند
• کاربردهای تجاری NLP

فصل سیزدهم | سیستم‌های توصیه‌گر (Recommendation Systems)

• اصول سیستم‌های پیشنهاددهنده
• تحلیل رفتار کاربران
• شخصی‌سازی خدمات
• پیشنهاد محصولات و محتوا
• ارزیابی سیستم‌های توصیه‌گر
• کاربردهای تجاری

فصل چهاردهم | تحلیل پیش‌بینی و تصمیم‌سازی

• پیش‌بینی روندها
• تحلیل رفتار مشتریان
• پیش‌بینی تقاضا
• مدیریت ریسک
• تصمیم‌گیری مبتنی بر داده
• کاربردهای سازمانی

فصل پانزدهم | استقرار مدل‌های هوش مصنوعی

• انتقال مدل به محیط عملیاتی
• معماری استقرار
• مدیریت سرویس‌های AI
• نظارت بر عملکرد مدل
• مدیریت نسخه‌های مدل
• نگهداری و پشتیبانی

فصل شانزدهم | یکپارچه‌سازی AI با سامانه‌های سازمانی

• اتصال مدل‌ها به نرم‌افزارها
• تعامل با پایگاه‌های داده
• یکپارچه‌سازی با سیستم‌های موجود
• اتوماسیون فرآیندها
• معماری راهکارهای هوشمند
• مدیریت عملیات سازمانی

فصل هفدهم | پایش و نگهداری مدل‌های AI

• نظارت بر عملکرد بلندمدت
• شناسایی افت عملکرد
• مدیریت تغییرات داده‌ها
• به‌روزرسانی مدل‌ها
• مدیریت چرخه عمر مدل
• تضمین کیفیت سرویس

فصل هجدهم | امنیت در پروژه‌های هوش مصنوعی

• تهدیدهای امنیتی AI
• محافظت از داده‌ها
• امنیت مدل‌های یادگیری ماشین
• حملات علیه مدل‌ها
• مدیریت دسترسی‌ها
• چارچوب‌های امنیتی

فصل نوزدهم | اخلاق در هوش مصنوعی

• اصول اخلاقی AI
• عدالت و بی‌طرفی مدل‌ها
• سوگیری الگوریتمی
• شفافیت تصمیمات
• مسئولیت‌پذیری در AI
• استانداردهای اخلاقی

فصل بیستم | حریم خصوصی و مقررات AI

• حفاظت از داده‌های کاربران
• قوانین و مقررات مرتبط
• مدیریت اطلاعات حساس
• انطباق با استانداردها
• مسئولیت‌های قانونی
• مدیریت ریسک‌های حقوقی

فصل بیست و یکم | مطالعات موردی در هوش مصنوعی

• پروژه‌های موفق در صنعت
• تحلیل راهکارهای واقعی
• بررسی چالش‌ها و راه‌حل‌ها
• تحلیل نتایج کسب‌وکار
• درس‌آموخته‌های پروژه‌ها
• الگوهای موفق پیاده‌سازی

فصل بیست و دوم | مدیریت پروژه‌های هوش مصنوعی

• برنامه‌ریزی پروژه
• مدیریت تیم‌های AI
• تخصیص منابع
• مدیریت ریسک پروژه
• کنترل کیفیت
• مستندسازی و گزارش‌دهی

فصل بیست و سوم | MLOps و عملیات یادگیری ماشین

• مفاهیم MLOps
• اتوماسیون چرخه توسعه مدل
• استقرار مستمر مدل‌ها
• نظارت و نگهداری
• مدیریت زیرساخت‌های AI
• بهترین شیوه‌های عملیاتی

فصل بیست و چهارم | هوش مصنوعی مولد و کاربردهای نوین

• معرفی AI مولد
• مدل‌های زبانی بزرگ
• تولید محتوا با AI
• تولید تصویر و رسانه
• کاربردهای سازمانی AI مولد
• چالش‌ها و فرصت‌های آینده

فصل بیست و پنجم | پروژه جامع AI در دنیای واقعی

• تحلیل یک مسئله واقعی
• طراحی راهکار هوش مصنوعی
• جمع‌آوری و آماده‌سازی داده‌ها
• توسعه و آموزش مدل
• استقرار و ارزیابی راهکار
• ارائه نهایی پروژه و مستندسازی

بخش ۹) Project and Application :پروژه و کاربردهای عملی(

فصل اول | مقدمه‌ای بر پروژه نهایی هوش مصنوعی

• اهداف پروژه نهایی
• مرور مهارت‌های کسب‌شده در دوره
• اهمیت پروژه‌های عملی در یادگیری AI
• چارچوب اجرای پروژه
• خروجی‌های مورد انتظار
• معیارهای ارزیابی پروژه

فصل دوم | انتخاب و تعریف مسئله پروژه

• شناسایی مسائل قابل حل با AI
• تحلیل نیازهای کسب‌وکار
• تعیین دامنه پروژه
• تعریف اهداف و شاخص‌های موفقیت
• امکان‌سنجی پروژه
• مستندسازی مسئله

فصل سوم | برنامه‌ریزی و مدیریت پروژه

• تدوین نقشه راه پروژه
• تقسیم مراحل اجرایی
• زمان‌بندی فعالیت‌ها
• تخصیص منابع
• مدیریت ریسک‌ها
• مدیریت تغییرات پروژه

فصل چهارم | جمع‌آوری داده‌های پروژه

• شناسایی منابع داده
• گردآوری داده‌های مناسب
• ارزیابی کیفیت داده‌ها
• مستندسازی منابع
• مدیریت حجم داده‌ها
• ملاحظات قانونی و اخلاقی

فصل پنجم | تحلیل و درک داده‌ها

• بررسی ساختار داده‌ها
• تحلیل آماری اولیه
• شناسایی الگوها
• شناسایی مشکلات داده
• تحلیل روابط میان متغیرها
• مستندسازی یافته‌ها

فصل ششم | آماده‌سازی و پیش‌پردازش داده‌ها

• پاک‌سازی داده‌ها
• مدیریت داده‌های ناقص
• حذف داده‌های پرت
• استانداردسازی و نرمال‌سازی
• مهندسی ویژگی‌ها
• آماده‌سازی نهایی داده‌ها

فصل هفتم | طراحی راهکار هوش مصنوعی

• انتخاب رویکرد مناسب
• انتخاب الگوریتم‌ها
• طراحی معماری مدل
• تعریف معیارهای ارزیابی
• برنامه‌ریزی فرآیند آموزش
• تدوین استراتژی توسعه

فصل هشتم | طراحی مدل‌های یادگیری نظارت‌شده

• انتخاب مدل‌های طبقه‌بندی
• انتخاب مدل‌های رگرسیون
• مقایسه الگوریتم‌ها
• تحلیل مزایا و محدودیت‌ها
• طراحی سناریوهای آزمایش
• مستندسازی مدل‌ها

فصل نهم | طراحی مدل‌های یادگیری بدون نظارت

• طراحی سناریوهای خوشه‌بندی
• انتخاب روش‌های کاهش ابعاد
• تحلیل ساختار داده‌ها
• کشف الگوهای پنهان
• اعتبارسنجی نتایج
• تحلیل خروجی‌ها

فصل دهم | طراحی مدل‌های یادگیری عمیق

• انتخاب معماری مناسب
• طراحی شبکه‌های عصبی
• مدیریت داده‌های آموزشی
• طراحی فرآیند آموزش
• انتخاب راهکارهای بهینه‌سازی
• تحلیل پیچیدگی مدل

فصل یازدهم | آموزش مدل‌ها

• آماده‌سازی محیط آموزش
• اجرای فرآیند یادگیری
• پایش عملکرد آموزش
• مدیریت منابع پردازشی
• ثبت نتایج آموزشی
• کنترل کیفیت آموزش

فصل دوازدهم | ارزیابی مدل‌های توسعه‌یافته

• ارزیابی دقت مدل
• تحلیل خطاها
• مقایسه عملکرد مدل‌ها
• اعتبارسنجی نتایج
• بررسی قابلیت تعمیم
• انتخاب بهترین مدل

فصل سیزدهم | بهینه‌سازی مدل‌ها

• تنظیم پارامترها
• کاهش خطاهای مدل
• بهبود عملکرد
• کنترل بیش‌برازش
• بهینه‌سازی مصرف منابع
• افزایش قابلیت اطمینان

فصل چهاردهم | مصورسازی و تحلیل نتایج

• ارائه نتایج تحلیلی
• طراحی نمودارها و داشبوردها
• تحلیل شاخص‌های عملکرد
• نمایش روندهای داده‌ای
• استخراج بینش‌های کلیدی
• گزارش‌دهی حرفه‌ای

فصل پانزدهم | تفسیر و توضیح مدل‌ها

• تفسیر نتایج مدل
• تحلیل تصمیمات مدل
• بررسی اهمیت ویژگی‌ها
• شفاف‌سازی فرآیند تصمیم‌گیری
• مستندسازی تحلیل‌ها
• ارائه نتایج به ذی‌نفعان

فصل شانزدهم | توسعه نمونه اولیه (Prototype)

• طراحی نسخه اولیه راهکار
• یکپارچه‌سازی اجزای پروژه
• اعتبارسنجی اولیه
• جمع‌آوری بازخورد
• اصلاح نمونه اولیه
• آماده‌سازی برای استقرار

فصل هفدهم | استقرار مدل در محیط عملیاتی

• آماده‌سازی محیط اجرا
• استقرار مدل
• مدیریت سرویس‌های هوش مصنوعی
• پایش عملکرد عملیاتی
• مدیریت نسخه‌ها
• رفع مشکلات اجرایی

فصل هجدهم | یکپارچه‌سازی با سامانه‌های واقعی

• اتصال به پایگاه‌های داده
• ادغام با نرم‌افزارهای سازمانی
• طراحی گردش کار هوشمند
• مدیریت تبادل اطلاعات
• افزایش مقیاس‌پذیری
• مدیریت فرآیندهای عملیاتی

فصل نوزدهم | امنیت و حریم خصوصی پروژه

• حفاظت از داده‌ها
• امنیت مدل‌های AI
• مدیریت دسترسی‌ها
• ارزیابی ریسک‌های امنیتی
• رعایت مقررات و استانداردها
• مدیریت تهدیدهای احتمالی

فصل بیستم | اخلاق و مسئولیت‌پذیری در پروژه‌های AI

• بررسی سوگیری الگوریتمی
• شفافیت مدل‌ها
• عدالت در تصمیم‌گیری
• مسئولیت‌پذیری توسعه‌دهندگان
• رعایت اصول اخلاقی
• ارزیابی تأثیرات اجتماعی

فصل بیست و یکم | مستندسازی پروژه

• مستندسازی فنی
• مستندسازی داده‌ها
• مستندسازی مدل‌ها
• تهیه گزارش‌های مدیریتی
• مدیریت دانش پروژه
• استانداردهای مستندسازی

فصل بیست و دوم | ارائه و دفاع از پروژه

• آماده‌سازی ارائه نهایی
• طراحی اسلایدهای حرفه‌ای
• ارائه نتایج پروژه
• پاسخ به پرسش‌های فنی
• دفاع از تصمیمات طراحی
• جمع‌بندی دستاوردها

فصل بیست و سوم | مطالعات موردی پروژه‌های موفق AI

• بررسی پروژه‌های صنعتی
• تحلیل عوامل موفقیت
• بررسی چالش‌ها و راهکارها
• تحلیل نتایج کسب‌وکار
• درس‌آموخته‌های پروژه‌ها
• الگوهای پیاده‌سازی موفق

فصل بیست و چهارم | توسعه حرفه‌ای پس از پروژه

• ساخت رزومه پروژه‌محور
• ایجاد نمونه‌کار (Portfolio)
• انتشار پروژه‌ها
• مشارکت در پروژه‌های متن‌باز
• آمادگی برای مصاحبه‌های فنی
• مسیرهای شغلی هوش مصنوعی

فصل بیست و پنجم | پروژه جامع پایان دوره

• انتخاب سناریوی واقعی
• تحلیل و طراحی کامل راهکار
• جمع‌آوری و آماده‌سازی داده‌ها
• توسعه مدل هوش مصنوعی
• استقرار و ارزیابی نهایی
• ارائه پروژه حرفه‌ای پایان دوره

فصل بیست و ششم | جمع‌بندی و مسیر آینده

• مرور مباحث دوره
• ارزیابی مهارت‌های کسب‌شده
• شناسایی حوزه‌های تخصصی
• نقشه راه یادگیری پیشرفته
• گواهینامه‌ها و مسیرهای حرفه‌ای
• آمادگی برای ورود به بازار کار AI

 

---

دوره AI Programming with Python توسط Udacity به‌گونه‌ای طراحی شده است که شامل آموزش‌های تئوری و عملی است، و برای کسانی که می‌خواهند در زمینه هوش مصنوعی و یادگیری ماشین تجربه کسب کنند، مناسب است.