هفته اول و دوم : مقدمه ای بر برنامه نویسی پایتون

• مقدمه ای بر پایتون و کاربردهای آن در هوش مصنوعی و علم داده
• سینتکس‌های پایه و انواع داده
• ساختارهای کنترلی، حلقه ها و توابع
• ورودی و خروجی
• کار با رشته ها و لیست ها

هفته سوم  و چهارم : کتابخانه های پایتون برای علم داده

• مقدمه ای بر کتابخانه های علوم داده محبوب پایتون مانند NumPy و Pandas
• دستکاری آرایه ها و دیتافریم‌ها
• تجسم داده ها با استفاده از Matplotlib و Seaborn
• تجزیه و تحلیل داده های اکتشافی
• رسیدگی به داده های از دست رفته و اطلاعات پرت

هفته هفتم تا یازدهم : یادگیری ماشین پایه

• مقدمه ای بر یادگیری ماشینی
• تقسیم بندی داده ها به دو دسته آموزش و تست و روش cross_validation
• تجزیه و تحلیل رگرسیون و نحوه ارزیابی مدل
• الگوریتم های طبقه بندی شامل: رگرسیون لجستیک، SVM، KNN، درخت تصمیم، جنگل تصادفی و نحوه ارزیابی مدل
• روش های یادگیری تجمعی شامل: bagging و boosting
• الگوریتم های خوشه بندی نظیر : DBSCAN، K_MEANS، MEAN_SHIFT و  Hierarchical
• کاهش بعد

هفته دوازدهم: شبکه های عصبی

• مقدمه ای بر شبکه های عصبی
• چرایی و اهمیت شبکه های عصبی
• آناتومی یک شبکه عصبی
• توابع فعال سازی
• تابع ضرر
• گرادیان نزولی و back_propagation
• پیاده سازی شبکه عصبی با keras و tensorflow
• آموزش و ارزیابی شبکه عصبی