کلاس و دوره آموزشی نیمه خصوصی دوره مقدماتی هوش مصنوعی استاد ایرانی از ایرلند با استاد مهرداد ملکی

بوت‌کمپ مقدماتی هوش مصنوعی یک دوره آموزشی 15 ساعته است که با کیفیت بالا و محتوایی کاملاً ساختارمند برگزار می‌شود. این دوره با هدف آشنایی مخاطبان با اصول اولیه هوش مصنوعی، یادگیری ماشین، شبکه‌های عصبی و پردازش زبان طبیعی طراحی شده است. تمام جلسات به صورت تعاملی و کاربردی برگزار می‌شوند تا شرکت‌کنندگان بتوانند مفاهیم تئوری را با تمرین‌های عملی ترکیب کنند و مهارت‌های خود را به سرعت ارتقا دهند.

ویژگی‌های دوره: کیفیت برگزاری بالا

استفاده از محتوای به‌روز و ابزارهای کاربردی مانند Python و PyTorch

ارائه آموزش‌ها به صورت ساده، گام‌به‌گام، و قابل درک برای همه، تمرکز بر کاربردهای عملی برای تجربه بهتر یادگیری

مخاطبین دوره:

افراد مبتدی که به هوش مصنوعی علاقه دارند و تجربه قبلی در این زمینه ندارنددانشجویان و فارغ‌التحصیلان رشته‌های علوم کامپیوتر، آمار، و مهندسی

حرفه‌ای‌هایی که قصد دارند وارد دنیای هوش مصنوعی شوند

ساختار دوره:

یادگیری اصول پایتون و مبانی هوش مصنوعی

آشنایی با شبکه‌های عصبی و روش‌های ارزیابی مدل‌ها

تمرین عملی با داده‌های واقعی از جمله تحلیل احساسات

اجرای یک پروژه نهایی با داده‌های مشتریان آمازون

هدف دوره:

آموزش مفاهیم پایه‌ای هوش مصنوعی به شکلی که شرکت‌کنندگان بتوانند پس از پایان دوره، پروژه‌های کوچک را به تنهایی انجام دهند و برای یادگیری مباحث پیشرفته‌تر آماده شوند.

سایر توضیحات:

این دوره نیازی به پیش‌زمینه قبلی در برنامه‌نویسی یا هوش مصنوعی ندارد.تمام ابزارها و کدهای لازم در طول دوره به شرکت‌کنندگان ارائه می‌شود.

در پایان دوره، شرکت‌کنندگان یک گواهی حضور دریافت خواهند کرد.

این دوره یک فرصت عالی برای آشنایی با دنیای جذاب هوش مصنوعی است. با ما همراه شوید!

• مقدمه: هوش مصنوعی چیست و کجا استفاده می‌شود؟
• مبانی پایتون: متغیرها، حلقه‌ها، توابع و عملیات ریاضی ساده
• تمرین عملی: نوشتن و اجرای برنامه‌های ساده با پایتون

• یادگیری ماشین چیست؟ مفاهیم پایه و انواع (نظارت‌شده و نظارت‌نشده)
• اصطلاحات کلیدی: ویژگی‌ها، برچسب‌ها، و داده‌ها
• تمرین عملی: پیش‌بینی مقادیر با استفاده از یک فرمول ساده رگرسیون

• رگرسیون چیست؟ تفاوت بین رگرسیون خطی و لجستیک
• توضیح ساده نحوه آموزش مدل و پیش‌بینی
• تمرین عملی: ساخت و ارزیابی یک مدل رگرسیون با استفاده از scikit-learn

• مفاهیم اصلی: نرون‌ها، ساختار شبکه‌های عصبی، انواع لایه‌ها (Dense، Input، Output)
• توابع فعال‌سازی: Sigmoid، ReLU، و Softmax
• فرآیند یادگیری شبکه‌های عصبی از طریق وزن‌ها و بایاس‌ها
• تمرین عملی: پیاده‌سازی یک شبکه عصبی ساده با PyTorch برای پیش‌بینی

• انواع معماری‌ها: شبکه‌های عصبی چندلایه (MLP)، شبکه‌های Feedforward و Recurrent
• مفاهیم پیشرفته‌تر: Backpropagation و بهینه‌سازی با Gradient Descent
• تمرین عملی: آموزش یک MLP برای طبقه‌بندی داده‌های ساده

• تعریف Overfitting و Underfitting
• تکنیک‌های جلوگیری ازOverfitting:

• • L1 Regularization
  • L2 Regularization

• Dropout حذف تصادفی نرون‌ها در طول آموزش

• تمرین عملی: بهبود عملکرد یک مدل ساده با استفاده از Dropout و ارزیابی آن با PyTorch

• Cross-Validation تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی، و تست

• Model Simplification کاهش پیچیدگی مدل با کاهش تعداد لایه‌ها یا نرون‌ها

• تمرین عملی: بهبود عملکرد یک مدل ساده با استفاده از Cross-Validation

• معیارهایی مانند دقت، دقت مثبت، بازخوانی، و امتیاز F1 چیست؟
• درک و ایجاد ماتریس آشفتگی
• تمرین عملی: ارزیابی یک مدل طبقه‌بندی با استفاده از ماتریس آشفتگی

• پردازش زبان طبیعی چیست؟ کاربردهای آن در هوش مصنوعی
• نمایش متون به صورت اعداد: کیسه کلمات (Bag-of-Words) و TF-IDF
• تمرین عملی: تحلیل احساسات با استفاده از دیتاست IMDB و scikit-learn

• اصول PyTorch برای وظایف پردازش زبان
• تمرین عملی: ساخت و آموزش یک مدل طبقه‌بندی ساده برای تحلیل احساسات با استفاده از دیتاست IMDB
• ارزیابی مدل با معیارهای ساده

• ارزیابی پیشرفته: بهبود مدل IMDB با تکنیک‌های پیشرفته‌تر مانند Dropout و Regularization
• تمرین عملی: ارزیابی مدل با مقایسه دقت، بازخوانی، و امتیاز F1

• مدل‌های Seq2Seq چیست؟
• کاربردها در ترجمه ماشینی و چت‌بات‌ها
• تمرین عملی: استفاده از یک مدل ساده Seq2Seq برای ترجمه متن

• هدف پروژه: ساخت یک مدل هوش مصنوعی برای طبقه‌بندی بررسی‌های مشتریان آمازون به مثبت یا منفی
• دیتاست: استفاده از Amazon Customer Reviews Dataset
• مراحل اصلی: پیش‌پردازش دیتاست، استفاده از Bag-of-Words یا TF-IDF، ساخت یک مدل طبقه‌بندی با PyTorch

• آموزش و ارزیابی مدل پروژه
• تحلیل نتایج پروژه با معیارهایی مانند دقت و ماتریس آشفتگی
• ارائه یافته‌ها و رفع اشکال

• ارائه پروژه‌های دانشجویی
• بحث درباره چالش‌ها و فرصت‌های یادگیری بیشتر
• جمع‌بندی مباحث دوره و معرفی منابع برای ادامه یادگیری