برای تغییر این متن بر روی دکمه ویرایش کلیک کنید. لورم ایپسوم متن ساختگی با تولید سادگی نامفهوم از صنعت چاپ و با استفاده از طراحان گرافیک است.

140 ساعت

دوره جامع هوش مصنوعی

  • مدرس دوره:
    وحید قربانی
  • آنلاین, حضوری
  • مدرک معتبر ساتک
درخواست مشاوره رایگان
افزودن به علاقه مندی
دوره جامع هوش مصنوعی

دوره جامع هوش مصنوعی

در دوره جامع هوش مصنوعی (AI) یاد می‌گیری چگونه الگوریتم‌ها و مدل‌های هوشمند را برای تحلیل داده، پیش‌بینی و تصمیم‌گیری طراحی کنی. این دوره تمام مباحث پایه و کاربردی هوش مصنوعی را شامل می‌شود؛ از یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) گرفته تا شبکه‌های عصبی، پردازش تصویر و داده‌کاوی. آموزش‌ها به‌صورت پروژه‌محور و همراه با تمرین‌های عملی ارائه می‌شوند تا بتوانی مفاهیم تئوری را در دنیای واقعی پیاده‌سازی کنی. این دوره برای دانشجویان، برنامه‌نویسان و علاقه‌مندان به علوم داده و آینده فناوری انتخابی ایده‌آل است.

26,900,000 تومان

دوره جامع هوش مصنوعی

پیش نیاز دوره

پایتون

شیوه برگزاری

[course_class_type]

ظرفیت کلاس‌ها

حداکثر ۲۰ نفر

معرفی دوره
کلاس‌های فعال دوره
توضیحات
سرفصل‌های دوره
کاتالوگ دوره
سوالات متداول
دیدگاه‌ها
نوع کلاس نوع کلاس

آنلاین

,

حضوری
زمان دوره

140 ساعت
پیش نیاز

پایتون
قسط اول (هنگام ثبت‌نام): 13,450,000 تومان
قسط دوم (۳۰ روز بعد): 13,450,000 تومان

سرفصل‌های دوره

  • 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
  • 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)
  • 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)
  • 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
  • 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
  • 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
  • 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)

Road Map

مسیر آموزشی
1
مفاهیم پایه و مبانی هوش مصنوعی
  • تاریخچه و مفاهیم پایه AI، ML و DL
  • تعریف داده (Data)، ویژگی (Feature)، برچسب (Label)
  • مدیریت داده‌های ساختار یافته و ساختار نیافته
  • آشنایی با انواع شاخه‌های هوش مصنوعی و کاربردهای آن
Python VSCode Google Colab Jupyter Notebook
2
مبانی ریاضی برای هوش مصنوعی
  • جبر خطی مقدماتی (بردار، ماتریس، ضرب ماتریس‌ها)
  • آمار و احتمال مقدماتی (میانگین، واریانس، توزیع نرمال، احتمال شرطی)
  • درک مفاهیم پایه مشتق و گرادیان
  • کاربرد ریاضیات در آموزش مدل‌های یادگیری
Python NumPy Matplotlib Jupyter Notebook
3
مقدمات برنامه‌نویسی پایتون و ساختار داده‌ها
  • انواع داده‌ها در پایتون (List, Tuple, Set, Dictionary)
  • شرط‌ها، حلقه‌ها و توابع در پایتون
  • کتابخانه NumPy: آرایه‌ها، عملیات ریاضی، Indexing و Slicing
Python VSCode Google Colab NumPy
4
تحلیل و مدیریت داده‌ها با Pandas
  • کار با Series و DataFrame
  • خواندن داده‌ها از CSV و JSON
  • مدیریت داده‌های گمشده، گروه‌بندی و فیلتر کردن داده‌ها
  • محاسبات آماری و تحلیل مقدماتی داده‌ها
Python Pandas Jupyter Notebook Google Colab
5
تجسم داده‌ها و مصورسازی آماری
  • آشنایی با Matplotlib و Seaborn
  • رسم نمودارهای خطی، میله‌ای، پراکندگی و هیستوگرام
  • رسم Heatmap و Pairplot برای تحلیل داده
  • ایجاد داشبوردهای تحلیلی ساده
Python Matplotlib Seaborn Jupyter Notebook
6
پیش‌پردازش داده‌ها و آماده‌سازی برای مدل‌سازی
  • مدیریت مقادیر گم‌شده و حذف داده‌های پرت
  • استانداردسازی و نرمال‌سازی (MinMaxScaler, StandardScaler)
  • Encoding داده‌های متنی (One-Hot, Label Encoding)
  • کاهش ابعاد با PCA و t-SNE
  • تقسیم داده‌ها (Train/Test/Validation Split)
Scikit-learn Pandas NumPy Google Colab
7
یادگیری نظارت‌ شده (Supervised Learning)
  • رگرسیون خطی و لجستیک
  • درخت تصمیم (Decision Tree) و جنگل تصادفی (Random Forest)
  • الگوریتم‌های SVM و KNN
  • روش‌های گرادیان مانند XGBoost و LightGBM
  • ایجاد Pipeline در Scikit-learn
Scikit-learn XGBoost LightGBM Jupyter Notebook
8
یادگیری بدون نظارت (Unsupervised Learning)
  • خوشه‌بندی با K-Means، Hierarchical و DBSCAN
  • کاهش ابعاد با PCA و t-SNE
  • بصری‌سازی داده‌های خوشه‌بندی‌شده
  • کاربردهای خوشه‌بندی در تحلیل داده‌های واقعی
Scikit-learn Seaborn Matplotlib Python
9
مبانی یادگیری تقویتی (Reinforcement Learning)
  • مفاهیم عامل (Agent)، محیط (Environment) و پاداش (Reward)
  • Q-Learning و Deep Q-Network (DQN)
  • الگوریتم‌های REINFORCE و Actor-Critic
  • کاربردهای RL در بازی‌ها و کنترل خودکار
Python Gym TensorFlow PyTorch
10
ارزیابی مدل و بهینه‌سازی
  • Overfitting و Underfitting
  • Confusion Matrix و معیارهای Accuracy, Precision, Recall, F1
  • اعتبارسنجی متقاطع (Cross Validation)
  • منحنی ROC و AUC، Learning Curve
  • تنظیم هیپرپارامترها با Grid Search و Random Search
Scikit-learn Matplotlib Seaborn
11
شبکه‌های عصبی مصنوعی (ANN)
  • Perceptron و شبکه‌های چندلایه (MLP)
  • توابع فعال‌سازی (ReLU, Sigmoid, Tanh)
  • تابع هزینه و بهینه‌سازی با الگوریتم‌های SGD, RMSProp, ADAM
  • Regularization، Dropout و Early Stopping
  • مفاهیم Bias و Variance در آموزش مدل‌ها
TensorFlow Keras Google Colab Python
12
شبکه‌های عصبی کانولوشنال (CNN)
  • معماری LeNet، AlexNet، ResNet، Inception، EfficientNet
  • لایه‌های کانولوشنال، Pooling و Fully Connected
  • انتقال یادگیری (Transfer Learning)
  • پیاده‌سازی CNN در TensorFlow/Keras
TensorFlow Keras OpenCV Google Colab
13
شبکه‌های بازگشتی (RNN) و پردازش زبان طبیعی (NLP)
  • معماری RNN، LSTM و GRU
  • Bidirectional RNN و کاربرد در سری‌های زمانی و NLP
  • توکن‌سازی، تمیزسازی و نرمال‌سازی متن
  • نمایش متن با Word2Vec، GloVe، BERT
  • تحلیل احساسات و دسته‌بندی متون
TensorFlow Keras NLTK Hugging Face Transformers
14
شبکه‌های ترنسفورمر و مدل‌های زبانی پیشرفته
  • معماری Transformer و Self-Attention
  • مدل‌های BERT، GPT و Encoder-Decoder
  • کاربرد در تولید متن، ترجمه و خلاصه‌سازی
  • فهم مدل‌های بزرگ زبانی (LLM)
Hugging Face Transformers PyTorch TensorFlow
15
شبکه‌های مولد تقابلی (GAN)
  • معماری Generator و Discriminator
  • مدل‌های معروف GAN (SeqGAN, TextGAN, MailGAN)
  • تولید تصاویر مصنوعی و داده‌های جدید
  • پیاده‌سازی ساده GAN در Keras
TensorFlow Keras Google Colab
16
پردازش تصویر و بینایی ماشین (Computer Vision)
  • خواندن و پردازش تصاویر با OpenCV و Pillow
  • بهبود کیفیت تصویر، فیلترهای کاهش نویز، افزایش کنتراست
  • بخش‌بندی و استخراج ویژگی‌ها (SIFT, SURF, LBP)
  • تشخیص اشیاء (YOLO, SSD, Faster R-CNN)
  • ردیابی و سگمنتاسیون ویدیو (Optical Flow, DeepSORT
OpenCV TensorFlow Keras NumPy Pillow
17
پردازش صوت و گفتار (Audio & Speech Processing)
  • پیش‌پردازش سیگنال، تبدیل فوریه (FFT)
  • استخراج ویژگی‌های صوتی (MFCC)
  • مدل‌های تشخیص گفتار (HMM, GMM, DeepSpeech)
  • تولید گفتار با Tacotron 2 و WaveNet
Librosa TensorFlow PyTorch Google Colab
18
استقرار مدل‌های هوش مصنوعی و MLOps
  • توسعه API با Flask/Django برای مدل‌ها
  • استقرار با Docker و Kubernetes
  • مدیریت CI/CD در پروژه‌های ML
  • بهینه‌سازی مدل (Quantization, Pruning, ONNX, TFLite)
  • پیاده‌سازی کامل خط لوله یادگیری ماشین (MLOps)
Flask Docker Kubernetes GitHub TensorFlow Lite ONNX
توضیحات
بیشتر بخوانید

کاتالوگ دوره

سئوالات متداول

اساتید دوره

هنوز استادی برای این دوره ثبت نشده است.
دیدگاه‌ها

1 دیدگاه برای دوره جامع هوش مصنوعی

  1. geraminarges5 –

    به نظر من یکی از کامل ترین دوره های دنیا در این حوزه است.

    1
    0
دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

درخواست مشاوره رایگان


نوع کلاس نوع کلاس

آنلاین

,

حضوری
زمان دوره

140 ساعت
پیش نیاز

پایتون
قسط اول (هنگام ثبت‌نام): 13,450,000 تومان
قسط دوم (۳۰ روز بعد): 13,450,000 تومان

سرفصل‌های دوره

  • 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
  • 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)
  • 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)
  • 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
  • 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
  • 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
  • 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)

Road Map

مسیر آموزشی
1
مفاهیم پایه و مبانی هوش مصنوعی
  • تاریخچه و مفاهیم پایه AI، ML و DL
  • تعریف داده (Data)، ویژگی (Feature)، برچسب (Label)
  • مدیریت داده‌های ساختار یافته و ساختار نیافته
  • آشنایی با انواع شاخه‌های هوش مصنوعی و کاربردهای آن
Python VSCode Google Colab Jupyter Notebook
2
مبانی ریاضی برای هوش مصنوعی
  • جبر خطی مقدماتی (بردار، ماتریس، ضرب ماتریس‌ها)
  • آمار و احتمال مقدماتی (میانگین، واریانس، توزیع نرمال، احتمال شرطی)
  • درک مفاهیم پایه مشتق و گرادیان
  • کاربرد ریاضیات در آموزش مدل‌های یادگیری
Python NumPy Matplotlib Jupyter Notebook
3
مقدمات برنامه‌نویسی پایتون و ساختار داده‌ها
  • انواع داده‌ها در پایتون (List, Tuple, Set, Dictionary)
  • شرط‌ها، حلقه‌ها و توابع در پایتون
  • کتابخانه NumPy: آرایه‌ها، عملیات ریاضی، Indexing و Slicing
Python VSCode Google Colab NumPy
4
تحلیل و مدیریت داده‌ها با Pandas
  • کار با Series و DataFrame
  • خواندن داده‌ها از CSV و JSON
  • مدیریت داده‌های گمشده، گروه‌بندی و فیلتر کردن داده‌ها
  • محاسبات آماری و تحلیل مقدماتی داده‌ها
Python Pandas Jupyter Notebook Google Colab
5
تجسم داده‌ها و مصورسازی آماری
  • آشنایی با Matplotlib و Seaborn
  • رسم نمودارهای خطی، میله‌ای، پراکندگی و هیستوگرام
  • رسم Heatmap و Pairplot برای تحلیل داده
  • ایجاد داشبوردهای تحلیلی ساده
Python Matplotlib Seaborn Jupyter Notebook
6
پیش‌پردازش داده‌ها و آماده‌سازی برای مدل‌سازی
  • مدیریت مقادیر گم‌شده و حذف داده‌های پرت
  • استانداردسازی و نرمال‌سازی (MinMaxScaler, StandardScaler)
  • Encoding داده‌های متنی (One-Hot, Label Encoding)
  • کاهش ابعاد با PCA و t-SNE
  • تقسیم داده‌ها (Train/Test/Validation Split)
Scikit-learn Pandas NumPy Google Colab
7
یادگیری نظارت‌ شده (Supervised Learning)
  • رگرسیون خطی و لجستیک
  • درخت تصمیم (Decision Tree) و جنگل تصادفی (Random Forest)
  • الگوریتم‌های SVM و KNN
  • روش‌های گرادیان مانند XGBoost و LightGBM
  • ایجاد Pipeline در Scikit-learn
Scikit-learn XGBoost LightGBM Jupyter Notebook
8
یادگیری بدون نظارت (Unsupervised Learning)
  • خوشه‌بندی با K-Means، Hierarchical و DBSCAN
  • کاهش ابعاد با PCA و t-SNE
  • بصری‌سازی داده‌های خوشه‌بندی‌شده
  • کاربردهای خوشه‌بندی در تحلیل داده‌های واقعی
Scikit-learn Seaborn Matplotlib Python
9
مبانی یادگیری تقویتی (Reinforcement Learning)
  • مفاهیم عامل (Agent)، محیط (Environment) و پاداش (Reward)
  • Q-Learning و Deep Q-Network (DQN)
  • الگوریتم‌های REINFORCE و Actor-Critic
  • کاربردهای RL در بازی‌ها و کنترل خودکار
Python Gym TensorFlow PyTorch
10
ارزیابی مدل و بهینه‌سازی
  • Overfitting و Underfitting
  • Confusion Matrix و معیارهای Accuracy, Precision, Recall, F1
  • اعتبارسنجی متقاطع (Cross Validation)
  • منحنی ROC و AUC، Learning Curve
  • تنظیم هیپرپارامترها با Grid Search و Random Search
Scikit-learn Matplotlib Seaborn
11
شبکه‌های عصبی مصنوعی (ANN)
  • Perceptron و شبکه‌های چندلایه (MLP)
  • توابع فعال‌سازی (ReLU, Sigmoid, Tanh)
  • تابع هزینه و بهینه‌سازی با الگوریتم‌های SGD, RMSProp, ADAM
  • Regularization، Dropout و Early Stopping
  • مفاهیم Bias و Variance در آموزش مدل‌ها
TensorFlow Keras Google Colab Python
12
شبکه‌های عصبی کانولوشنال (CNN)
  • معماری LeNet، AlexNet، ResNet، Inception، EfficientNet
  • لایه‌های کانولوشنال، Pooling و Fully Connected
  • انتقال یادگیری (Transfer Learning)
  • پیاده‌سازی CNN در TensorFlow/Keras
TensorFlow Keras OpenCV Google Colab
13
شبکه‌های بازگشتی (RNN) و پردازش زبان طبیعی (NLP)
  • معماری RNN، LSTM و GRU
  • Bidirectional RNN و کاربرد در سری‌های زمانی و NLP
  • توکن‌سازی، تمیزسازی و نرمال‌سازی متن
  • نمایش متن با Word2Vec، GloVe، BERT
  • تحلیل احساسات و دسته‌بندی متون
TensorFlow Keras NLTK Hugging Face Transformers
14
شبکه‌های ترنسفورمر و مدل‌های زبانی پیشرفته
  • معماری Transformer و Self-Attention
  • مدل‌های BERT، GPT و Encoder-Decoder
  • کاربرد در تولید متن، ترجمه و خلاصه‌سازی
  • فهم مدل‌های بزرگ زبانی (LLM)
Hugging Face Transformers PyTorch TensorFlow
15
شبکه‌های مولد تقابلی (GAN)
  • معماری Generator و Discriminator
  • مدل‌های معروف GAN (SeqGAN, TextGAN, MailGAN)
  • تولید تصاویر مصنوعی و داده‌های جدید
  • پیاده‌سازی ساده GAN در Keras
TensorFlow Keras Google Colab
16
پردازش تصویر و بینایی ماشین (Computer Vision)
  • خواندن و پردازش تصاویر با OpenCV و Pillow
  • بهبود کیفیت تصویر، فیلترهای کاهش نویز، افزایش کنتراست
  • بخش‌بندی و استخراج ویژگی‌ها (SIFT, SURF, LBP)
  • تشخیص اشیاء (YOLO, SSD, Faster R-CNN)
  • ردیابی و سگمنتاسیون ویدیو (Optical Flow, DeepSORT
OpenCV TensorFlow Keras NumPy Pillow
17
پردازش صوت و گفتار (Audio & Speech Processing)
  • پیش‌پردازش سیگنال، تبدیل فوریه (FFT)
  • استخراج ویژگی‌های صوتی (MFCC)
  • مدل‌های تشخیص گفتار (HMM, GMM, DeepSpeech)
  • تولید گفتار با Tacotron 2 و WaveNet
Librosa TensorFlow PyTorch Google Colab
18
استقرار مدل‌های هوش مصنوعی و MLOps
  • توسعه API با Flask/Django برای مدل‌ها
  • استقرار با Docker و Kubernetes
  • مدیریت CI/CD در پروژه‌های ML
  • بهینه‌سازی مدل (Quantization, Pruning, ONNX, TFLite)
  • پیاده‌سازی کامل خط لوله یادگیری ماشین (MLOps)
Flask Docker Kubernetes GitHub TensorFlow Lite ONNX
توضیحات
بیشتر بخوانید

کاتالوگ دوره

سئوالات متداول

اساتید دوره

هنوز استادی برای این دوره ثبت نشده است.
دیدگاه‌ها

1 دیدگاه برای دوره جامع هوش مصنوعی

  1. geraminarges5 –

    به نظر من یکی از کامل ترین دوره های دنیا در این حوزه است.

    1
    0
دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

درخواست مشاوره رایگان


آموزش از پایه تا بازار کار

شروع دوره بدون پیش‌نیاز. اصول الگوریتم و ساختارهای داده را از پایه بیاموزید.

یادگیری پروژه‌محور

کار روی ۳ پروژه واقعی شامل پیاده‌سازی سیستم‌های وب و مدیریت داده جهت تقویت رزومه کاری

فرصت‌های استخدامی ویژه

معرفی دانشجویان برتر دوره به شرکت‌های همکار و معتبر حوزه IT کشور

پشتیبانی مداوم دانشجویان

رفع اشکال همیشگی در کانال‌های اختصاصی کلاس حتی بعد از پایان ترم

معرفی دوره

در دوره جامع هوش مصنوعی (AI) یاد می‌گیری چگونه الگوریتم‌ها و مدل‌های هوشمند را برای تحلیل داده، پیش‌بینی و تصمیم‌گیری طراحی کنی. این دوره تمام مباحث پایه و کاربردی هوش مصنوعی را شامل می‌شود؛ از یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) گرفته تا شبکه‌های عصبی، پردازش تصویر و داده‌کاوی. آموزش‌ها به‌صورت پروژه‌محور و همراه با تمرین‌های عملی ارائه می‌شوند تا بتوانی مفاهیم تئوری را در دنیای واقعی پیاده‌سازی کنی. این دوره برای دانشجویان، برنامه‌نویسان و علاقه‌مندان به علوم داده و آینده فناوری انتخابی ایده‌آل است.

کلاس‌های فعال دوره

سرفصل‌های آموزشی دوره

  • 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
  • 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)
  • 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)
  • 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
  • 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
  • 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
  • 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)

توضیحات

مطالعه بیشتر
  • اطلاعات دوره
  • مدرس‌ها
  • سرفصل‌ها
  • توضیحات
نوع کلاس نوع کلاس

آنلاین

,

حضوری
زمان دوره

140 ساعت
پیش نیاز

پایتون
  • اطلاعات دوره
  • مدرس‌ها
  • سرفصل‌ها
  • توضیحات

پس از اتمام دوره مدرک معتبر دریاف کنید

لورم ایپسوم متن ساختگی با تولید سادگی نامفهوم از صنعت چاپ و با استفاده از طراحان گرافیک است.

برای دانلود نمونه مدرک کلیک کنید

پس از اتمام دوره مدرک معتبر دریاف کنید

لورم ایپسوم متن ساختگی با تولید سادگی نامفهوم از صنعت چاپ و با استفاده از طراحان گرافیک است.

برای دانلود نمونه مدرک کلیک کنید.

سوالات متداول دوره

دیدگاه‌ها

1 دیدگاه برای دوره جامع هوش مصنوعی

  1. geraminarges5 –

    به نظر من یکی از کامل ترین دوره های دنیا در این حوزه است.

    1
    0
دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

درخواست مشاوره رایگان


محصولات مشابه
دوره هوش مصنوعی – LLMOps
انتخاب گزینه ها این محصول دارای انواع مختلفی می باشد. گزینه ها ممکن است در صفحه محصول انتخاب شوند
مشاهده سریع
افزودن به علاقه مندی

دوره هوش مصنوعی – LLMOps

,
16,900,000 تومان
    بخش ثبت‌ نام

    کلاس‌های فعال دوره

    دوره هوش مصنوعی – LLMOps

    دوره هوش مصنوعی – LLMOps

    در دوره هوش مصنوعی – LLMOps سماتک، یاد می‌گیری چگونه مدل‌های زبانی بزرگ (LLM) را در مقیاس سازمانی طراحی، پیاده‌سازی و مدیریت کنی. این دوره ترکیبی...

    16,900,000 تومان

    مشاهده دوره