1. یادگیری ماشین چیست؟

——————————————
2. تاریخچه و تکامل یادگیری ماشین

——————————————
3.انواع یادگیری ماشین (نظارت شده، بدون نظارت، نیمه‌نظارت شده، تقویتی)

——————————————
4. کاربردهای یادگیری ماشین

——————————————
5. جریان کاری یادگیری ماشین

.1 مقدمه‌ای بر برنامه‌نویسی پایتون برای علم داده

————————————–
2. آشنایی با کتابخانه Numpy
2.1 ایجاد و دستکاری آرایه‌ها 2.2 عملیات‌های عددی و برداری
2.3 توابع ریاضی پیشرفته در Numpy

————————————–
3. آشنایی با کتابخانه Pandas
3.1 ساختار داده‌ای DataFrame
3.2 عملیات‌های فیلتر کردن و انتخاب داده‌ها

3.3 کار با داده‌های از دست رفته
3.4 گروه‌بندی و عملیات‌های تجمعی

————————————–

4. آشنایی با کتابخانه Matplotlib
4.1 رسم نمودارهای پایه (خطی، میله‌ای، دایره‌ای)
4.2 تنظیمات و شخصی‌سازی نمودارها
4.3 رسم نمودارهای چندگانه و زیرنمودارها

————————————–
5 .آشنایی با کتابخانه Seaborn
5.1 رسم نمودارهای آماری (جعبه‌ای، هیستوگرام، چگالی)
5.2 رسم نمودارهای ماتریس همبستگی
5.3 ترکیب Seaborn با Matplotlib
————————————–

6. آشنایی با کتابخانه Scikit-learn
6.1 آماده‌سازی داده‌ها (تقسیم‌بندی، نرمال‌سازی، استانداردسازی)
6.2 پیاده‌سازی مدل‌های یادگیری نظارت‌شده و بدون نظارت
6.3 ارزیابی و انتخاب مدل‌ها
6.4 پیاده‌سازی تکنیک‌های انتخاب ویژگی

1. مقدمه‌ای بر شاخه آمار و احتمال در ریاضیات

————————————–
2. تحلیل داده‌ها و آمار توصیفی (میانگین، میانه، انحراف معیار)

————————————–
3. متغیرهای تصادفی و توزیع‌های احتمال در علم داده

————————————–
4. آمار استنباطی و مفاهیم پایه‌ای آن

————————————–
5. نمونه‌برداری و انواع روش‌های آن

————————————–
6. تخمین یا برآورد پارامترها

————————————–
7. آزمون فرضیه

1. انواع داده‌ها (عددی، دسته‌ای، متنی، تصاویر)

————————————–
2. پیش‌پردازش داده‌ها
2.1 پاکسازی داده‌ها (مدیریت داده‌های گمشده، نقاط پرت)
2.2 تبدیل داده‌ها (نرمال‌سازی، استانداردسازی)
2.3 مهندسی ویژگی
2.4 انتخاب ویژگی و کاهش ابعاد (PCA, LDA)

————————————–
3. تحلیل اکتشافی داده‌ها (EDA)
3.1 آمار توصیفی
3.2 تکنیک‌های بصری‌سازی داده‌ها (هیستوگرام، نمودار پراکندگی، ماتریس همبستگی)
3.3 شناسایی الگوهای موجود در داده‌ها

1. مقدمه‌ای بر یادگیری ماشین
1.1 یادگیری ماشین چیست؟
1.2 تاریخچه و تکامل یادگیری ماشین
1.3 انواع یادگیری ماشین (نظارت شده، بدون نظارت، نیمه‌نظارت شده، تقویتی)
1.4 کاربردهای یادگیری ماشین
1.5 جریان کاری یادگیری ماشین

————————————–

2. آموزش پایتون پیشرفته
2.1 مقدمه‌ای بر برنامه‌نویسی پایتون برای علم داده
2.2 آشنایی با کتابخانه Numpy
2.2.1 ایجاد و دستکاری آرایه‌ها
2.2.2 عملیات‌های عددی و برداری
2.2.3 توابع ریاضی پیشرفته در Numpy
2.3 آشنایی با کتابخانه Pandas
2.3.1 ساختار داده‌ای DataFrame
2.3.2 عملیات‌های فیلتر کردن و انتخاب داده‌ها
2.3.3 کار با داده‌های از دست رفته
2.3.4 گروه‌بندی و عملیات‌های تجمعی
2.4 آشنایی با کتابخانه Matplotlib
2.4.1 رسم نمودارهای پایه (خطی، میله‌ای، دایره‌ای)
2.4.2 تنظیمات و شخصی‌سازی نمودارها
2.4.3 رسم نمودارهای چندگانه و زیرنمودارها
2.5 آشنایی با کتابخانه Seaborn
2.5.1 رسم نمودارهای آماری (جعبه‌ای، هیستوگرام، چگالی)
2.5.2 رسم نمودارهای ماتریس همبستگی
2.5.3 ترکیب Seaborn با Matplotlib
2.6 آشنایی با کتابخانه Scikit-learn
2.6.1 آماده‌سازی داده‌ها (تقسیم‌بندی، نرمال‌سازی، استانداردسازی)
2.6.2 پیاده‌سازی مدل‌های یادگیری نظارت‌شده و بدون نظارت
2.6.3 ارزیابی و انتخاب مدل‌ها
2.6.4 پیاده‌سازی تکنیک‌های انتخاب ویژگی

————————————–

3. ریاضیات مقدماتی در یادگیری ماشین
3.1 مقدمه‌ای بر شاخه آمار و احتمال در ریاضیات
3.2 تحلیل داده‌ها و آمار توصیفی (میانگین، میانه، انحراف معیار)
3.3 متغیرهای تصادفی و توزیع‌های احتمال در علم داده
3.4 آمار استنباطی و مفاهیم پایه‌ای آن
3.5 نمونه‌برداری و انواع روش‌های آن
3.6 تخمین یا برآورد پارامترها
3.7 آزمون فرضیه

————————————–

4. درک داده‌ها
4.1 انواع داده‌ها (عددی، دسته‌ای، متنی، تصاویر)
4.2 پیش‌پردازش داده‌ها
4.2.1 پاکسازی داده‌ها (مدیریت داده‌های گمشده، نقاط پرت)
4.2.2 تبدیل داده‌ها (نرمال‌سازی، استانداردسازی)
4.2.3 مهندسی ویژگی
4.2.4 انتخاب ویژگی و کاهش ابعاد (PCA, LDA)
4.3 تحلیل اکتشافی داده‌ها (EDA)
4.3.1 آمار توصیفی
4.3.2 تکنیک‌های بصری‌سازی داده‌ها (هیستوگرام، نمودار پراکندگی، ماتریس همبستگی)
4.3.3 شناسایی الگوهای موجود در داده‌ها

————————————–

5. یادگیری نظارت‌شده
5.1 مقدمه‌ای بر یادگیری نظارت‌شده
5.2 رگرسیون
5.2.1 رگرسیون خطی
5.2.2 رگرسیون چندجمله‌ای
5.2.3 تکنیک‌های منظم‌سازی (Ridge, Lasso)
5.3 طبقه‌بندی
5.3.1 رگرسیون لجستیک
5.3.2 نزدیک‌ترین همسایگان (KNN)
5.3.3 ماشین‌های بردار پشتیبان (SVM)
5.3.4 درخت‌های تصمیم‌گیری
5.3.5 جنگل‌های تصادفی
5.3.6 نایو بیز
5.4 ارزیابی و متریک‌های مدل
5.4.1 تقسیم‌بندی داده به آموزش/آزمایش
5.4.2 اعتبارسنجی متقاطع
5.4.3 ماتریس سردرگمی، دقت، فراخوانی، امتیاز F1
5.4.4 منحنی ROC و AUC
5.5 بهینه‌سازی مدل و تنظیم ابرپارامترها
5.5.1 جستجوی شبکه‌ای
5.5.2 جستجوی تصادفی
5.5.3 تکنیک‌های پیشرفته (بهینه‌سازی بیزین)

————————————–

6. یادگیری بدون نظارت
6.1 مقدمه‌ای بر یادگیری بدون نظارت
6.2 خوشه‌بندی
6.2.1 خوشه‌بندی k-Means
6.2.2 خوشه‌بندی سلسله‌مراتبی
6.2.3 DBSCAN

————————————–

7. مهندسی و انتخاب ویژگی
7.1 اهمیت مهندسی ویژگی
7.2 تکنیک‌های مقیاس‌گذاری ویژگی‌ها
7.3 تعامل ویژگی‌ها
7.4 ایجاد ویژگی‌های مصنوعی
7.5 روش‌های انتخاب ویژگی

————————————–

8. پیاده‌سازی و استفاده از مدل
8.1 مقدمه‌ای بر پیاده‌سازی مدل
8.2 ذخیره‌سازی و بارگذاری مدل‌ها (Pickle, Joblib)
8.3 ساخت API برای پیاده‌سازی مدل (Flask, FastAPI)
8.4 پیاده‌سازی مدل‌ها در محیط‌های ابری (AWS, Google Cloud, Azure)
8.5 مانیتورینگ و به‌روزرسانی مدل‌های پیاده‌سازی شده

————————————–

9. ملاحظات اخلاقی در یادگیری ماشین
9.1 تعصب و انصاف در یادگیری ماشین
9.2 نگرانی‌های حریم خصوصی و امنیت داده‌ها
9.3 تفسیرپذیری و قابل توضیح بودن مدل‌های یادگیری ماشین
9.4 هوش مصنوعی مسئول و روندهای آینده

————————————–

10. پروژه نهایی
10.1 پیشنهاد پروژه و برنامه‌ریزی
10.2 جمع‌آوری و پیش‌پردازش داده‌ها
10.3 انتخاب و آموزش مدل
10.4 ارزیابی و تنظیم دقیق مدل
10.5 پیاده‌سازی و ارائه

فصل ۱: مقدمه و مفاهیم پایه یادگیری عمیق
1. مقدمه‌ای بر یادگیری عمیق:
– تعریف و اهمیت یادگیری عمیق
– تفاوت یادگیری عمیق با یادگیری ماشین
– کاربردهای یادگیری عمیق در دنیای واقعی

3. تئوری یادگیری عمیق:
– ظرفیت مدل و overfitting
– تعمیم‌دهی و پیچیدگی مدل
– تجزیه بایاس-واریانس
– قانون زنجیره و تابع خطا (loss function)

————————————–

فصل ۲: شبکه‌های عصبی کانولوشنی (CNN)
1. مبانی CNN:
– معماری CNN: لایه‌های کانولوشنی و pool
– پردازش تصاویر با CNN
– مفاهیم padding و stride
2. مدل‌های معروف CNN:
– LeNet, AlexNet, VGG, ResNet
3. تمرین عملی: پیاده‌سازی CNN با Keras/PyTorch:
– طبقه‌بندی تصویر (Image Classification)
– بررسی عملکرد مدل و استفاده از داده‌های حقیقی

————————————–

فصل ۳: شبکه‌های عصبی بازگشتی (RNN) و LSTM
1. مبانی RNN:
– مفهوم و ساختار شبکه‌های بازگشتی
– محدودیت‌های RNN (مشکل ناپدید شدن و انفجار گرادیان)
2. شبکه‌های حافظه بلند مدت (LSTM) و GRU:
– تفاوت‌های LSTM و GRU با RNN
– موارد استفاده LSTM: پیش‌بینی سری‌های زمانی، تحلیل متن
3. تمرین عملی: پیاده‌سازی LSTM:
– تحلیل و پیش‌بینی سری‌های زمانی

————————————–

فصل ۴: تکنیک‌های بهبود عملکرد مدل
1. منظم‌سازی (Regularization):
– Dropout, L2/L1 regularization
2. فنون بهبود: batch normalization و data augmentation
3. استفاده از یادگیری انتقالی (Transfer Learning):
– استفاده از مدل‌های پیش‌آموزش‌دیده (Pre-trained models)
– پیاده‌سازی یادگیری انتقالی برای طبقه‌بندی تصاویر

————————————–

فصل ۵: شبکه‌های مولد (Generative Networks)
1. شبکه‌های مولد تخاصمی (GAN):
– مفاهیم بنیادی GAN
– پیاده‌سازی GAN
2. مدل‌های خودرمزگذار (Autoencoders):
– خودرمزگذارها و کاربردهای آن‌ها
– پیاده‌سازی Autoencoder
3. کاربردهای شبکه‌های مولد:
– تولید تصاویر، متن و داده‌های مصنوعی

————————————–

فصل ۶: شبکه‌های عصبی ترنسفورمر (Transformer)
1. معماری ترنسفورمر:
– توجه (Attention) و Self-Attention
– Encoder-Decoder در ترنسفورمر
2. مدل‌های زبان ترنسفورمر:
– BERT, GPT و مدل‌های پیشرفته
3. تمرین عملی: پیاده‌سازی مدل‌های ترنسفورمر:
– ترجمه ماشین و پردازش زبان طبیعی

————————————–
فصل ۷: پیاده‌سازی پروژه‌های نهایی

سرفصل‌های دوره بینایی ماشین:

فصل ۱: مقدمه و مفاهیم پایه بینایی ماشین
1. مقدمه‌ای بر بینایی ماشین:
– تعریف بینایی ماشین و اهمیت آن در هوش مصنوعی
– تاریخچه و پیشرفت‌های کلیدی در بینایی ماشین
– کاربردهای عملی: تشخیص تصویر، بینایی در خودروهای خودران، پردازش ویدیو
2. پردازش تصویر (Image Processing):
– مفاهیم پایه: پیکسل، رزولوشن، کانال‌های رنگی
– تبدیل تصویر به مقادیر عددی
– فیلترها و عملیات کانولوشن
– پیاده‌سازی عملی: استفاده از OpenCV برای پردازش تصویر

————————————–

فصل ۲: تشخیص ویژگی‌ها و استخراج اطلاعات از تصویر
1. تشخیص لبه‌ها و ویژگی‌ها:
– الگوریتم‌های تشخیص لبه (Sobel, Canny)
– استخراج ویژگی‌های کلیدی (SIFT, SURF, ORB)
2. تطبیق ویژگی‌ها و تطابق الگو:
– تطبیق تصویر با استفاده از ویژگی‌ها
– کاربردهای این تکنیک‌ها در تشخیص اشیاء
3. تمرین عملی: تشخیص لبه‌ها و ویژگی‌ها در تصاویر

————————————–

فصل ۳: تشخیص و دسته‌بندی تصاویر با استفاده از CNN
1. مبانی CNN در بینایی ماشین:
– مرور معماری CNN (تشریح و بازبینی از دوره یادگیری عمیق)
– انواع لایه‌ها و کارکرد آن‌ها در تشخیص تصاویر
2. پیاده‌سازی CNN برای طبقه‌بندی تصویر:
– استفاده از Keras و TensorFlow برای آموزش مدل
– ارزیابی عملکرد و بهینه‌سازی مدل
3. تمرین عملی: پروژه طبقه‌بندی تصاویر با CNN

————————————–

فصل ۴: تشخیص اشیاء (Object Detection)
1. روش‌های کلاسیک تشخیص اشیاء:
– الگوریتم‌های Haar Cascade و HOG + SVM
– محدودیت‌ها و چالش‌های روش‌های کلاسیک
2. روش‌های نوین تشخیص اشیاء:
– مدل‌های YOLO, SSD, Faster R-CNN
– تفاوت‌ها و مزایای هر مدل
3. تمرین عملی: پیاده‌سازی YOLO برای تشخیص اشیاء در تصاویر و ویدیو

————————————–

فصل ۵: تقسیم‌بندی تصویر (Image Segmentation)
1. روش‌های تقسیم‌بندی تصویر:
– روش‌های کلاسیک: Watershed, GrabCut
– تقسیم‌بندی معنایی (Semantic Segmentation) و تفاوت آن با تشخیص اشیاء
2. مدل‌های پیشرفته تقسیم‌بندی تصویر:
– FCN (Fully Convolutional Networks) و U-Net
3. تمرین عملی: پیاده‌سازی مدل U-Net برای تقسیم‌بندی تصویر

————————————–

فصل ۶: بازشناسی چهره (Face Recognition) و کاربردهای آن
1. مفاهیم بازشناسی چهره:
– تشخیص چهره در تصویر
– استخراج ویژگی‌های چهره و تطابق آن‌ها
2. مدل‌های یادگیری عمیق برای بازشناسی چهره:
– مدل‌های VGG-Face, FaceNet و ArcFace
3. تمرین عملی: پیاده‌سازی پروژه بازشناسی چهره

————————————–

فصل ۷: پردازش ویدیو و بینایی در زمان واقعی
1. مبانی پردازش ویدیو:
– پردازش فریم‌ها و تفاوت آن با پردازش تصاویر ثابت
– تشخیص حرکت و اشیاء در ویدیو
2. مدل‌های یادگیری عمیق برای پردازش ویدیو:
– استفاده از RNN و 3D-CNN برای تحلیل ویدیو
– تشخیص فعالیت‌های انسانی و کاربردهای آن
3. تمرین عملی: پردازش ویدیو و تشخیص فعالیت‌های انسانی

فصل ۸: پروژه‌های نهایی و جمع‌بندی