• 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

• هفته اول   :

  • مقدمه ای بر شبکه های عصبی:مفاهیم اساسی شبکه های عصبی شامل پرسپترون ها، توابع فعال سازی و back propagation.
  • چارچوب ها و ابزارهای یادگیری عمیق: مروری بر چارچوب های یادگیری عمیق محبوب، مانند TensorFlow و PyTorch، و ابزارهایی برای پردازش داده ها، مانند NumPy و Pandas.

  هفته دوم   :

  • شبکه های عصبی کانولوشن (CNN): معماری شبکه های عصبی CNN، شامل کانولوشن، POOLING و لایه های fully ceneccted.
  • کاربردهای CNN در بینایی کامپیوتر، مانند تشخیص اشیا و تقسیم بندی تصویر.

  هفته سوم   :

  • شبکه های عصبی بازگشتی (RNN): معماری RNN ها، از جمله مدل حافظه کوتاه مدت بلند مدت (LSTM).
  • کاربردهای RNN در پردازش زبان طبیعی، مانند مدل‌سازی زبان و ترجمه ماشینی.

  هفته چهارم  :

  • یادگیری انتقالی: مفهوم استفاده از مدل های از پیش آموزش دیده و تنظیم دقیق آنها برای کارهای خاص.
  • کاربردهای یادگیری انتقالی در بینایی کامپیوتر و پردازش زبان طبیعی

  موضوعات پیشرفته: موضوعات اختیاری که می توانند بر اساس زمان و علاقه پوشش داده شوند، مانند مدل های مولد و یادگیری تقویتی

هفته اول : مفاهیم اولیه پردازش تصویر

• مقدمه ای بر پردازش تصویر: مفاهیم اساسی پردازش تصویر مانند نمایش تصویر، حوزه فضایی و فرکانسی و بهبود تصویر.
• تقسیم بندی تصویر: اصول تقسیم بندی تصویر با استفاده از تکنیک هایی مانند آستانه گذاری، تشخیص لبه و رشد منطقه. کاربردهای تقسیم بندی تصویر در بینایی کامپیوتر و تصویربرداری پزشکی
• فیلتر تصویر: اصول فیلتر کردن تصویر با استفاده از فیلترهای خطی و غیرخطی مانند فیلترهای گاوسی، میانه و دوطرفه. کاربردهای فیلتر تصویر در کاهش نویز، تشخیص لبه و استخراج ویژگی.

هفته دوم : مقدمه ای بر یادگیری عمیق برای بینایی کامپیوتر و طبقه بندی تصویر

• مروری بر مفاهیم اساسی شبکه های عصبی، کانولوشنال عصبی
• مبانی طبقه بندی تصاویر با استفاده از مدل های یادگیری عمیق، مانند AlexNet، VGG، و ResNet.
• یادگیری انتقالی برای طبقه بندی تصویر، fine tunning و ارزیابی.

هفته سوم : تشخیص اشیا

• تشخیص اشیا با استفاده از مدل‌های یادگیری عمیق، مانند YOLO، SSD و RessNet.
• یادگیری انتقالی برای طبقه بندی تصویر، fine tunning و ارزیابی.

هفته چهارم : تقسیم بندی محتوایی تصویر

• مبانی تقسیم بندی معنایی با استفاده از مدل های یادگیری عمیق، مانند U-Net و FCN.
• یادگیری انتقالی برای تقسیم بندی معنایی، تنظیم دقیق و ارزیابی.

هفته پنجم: مدل های مولد

• مبانی مدل‌های مولد با استفاده از یادگیری عمیق، مانند GAN و VAE.
• کاربردهای مدل های مولد در بینایی کامپیوتر مانند سنتز تصویر و انتقال سبک.
• موضوعات پیشرفته: موضوعات اختیاری که می توانند بر اساس زمان و علاقه پوشش داده شوند، مانند پردازش ویدئو، بینایی ماشین سه بعدی و مکانیسم های attention.

هفته اول: مقدمه ای بر NLP

• مفاهیم اساسی NLP، مانند نمایش متن، نشانه گذاری و برچسب گذاری بخشی از گفتار.

هفته دوم: شبکه های عصبی بازگشتی برای NLP

• معماری RNN ها، از جمله مدل حافظه کوتاه مدت بلند مدت (LSTM).
• کاربردهای RNN در NLP، مانند مدل‌سازی زبان، ترجمه ماشینی و تحلیل احساسات.

هفته سوم: جاسازی کلمات

• مفهوم نمایش کلمات به صورت بردار و جاسازی آنها در فضایی با ابعاد بالا.
• کاربردهای جاسازی کلمه در NLP، مانند شباهت کلمات، تجزیه و تحلیل احساسات و طبقه بندی اسناد.

هفته چهارم: شبکه های عصبی کانولوشن برای NLP

• معماری CNN برای NLP، از جمله لایه های کانولوشن و ادغام.
• کاربردهای CNN در NLP، مانند طبقه بندی متن و مدل سازی جمله.

هفته پنجم: موضوعات پیشرفته

• مکانیسم های attention، یادگیری انتقالی و مدل های  sequence-to-sequence

• اصول معماری چند لایه در طراحی نرم افزار
• مروری بر فریمورکهای وب در پایتون
• بررسی git
• متدولوژی devops
• اصول تست و آنالیز
• متدولوژی MLOPS
• بررسی داکر
• مروری بر سروینگ مدلهای یادگیری عمیق