این دوره یک کارگاه پروژه‌محور و تعاملی با بیش از ۱۲۸ جلسه ویدئویی است که شما را گام‌به‌گام از مفاهیم پایه تا سطح یک متخصص حرفه‌ای هدایت می‌کند. تمرکز استراتژیک دوره بر پایه‌ریزی شالوده‌ای مستحکم از مبانی ریاضی و شبکه‌های عصبی است تا شما را برای ورود به پیچیده‌ترین مباحث مانند مدل‌های بزرگ زبانی (LLM) و معماری‌های نوین آماده سازد. (بخش دوم این دوره به‌صورت تخصصی به مباحث پیشرفته‌تری چون LLM، GAN، CNN پیشرفته و معماری‌های RNN، LSTM، GRU و Transformers می‌پردازد و در بخش اول به آن پرداخته نمی‌شود.)

مرور سرفصل‌های بخش نخست:

فصل اول: بسترسازی علمی و پیش‌نیازها (Prerequisites)

در این فصل با کاربردهای واقعی هوش مصنوعی آشنا شده و مبانی جبر خطی شامل بردارها، ماتریس‌ها و ضرب ماتریسی را به‌صورت روان بازآموزی می‌کنید. همچنین کتابخانه‌های ضروری پایتون شامل NumPy (محاسبات عددی)، Matplotlib (مصورسازی) و مبانی توزیع‌های احتمالاتی پوشش داده می‌شوند.

فصل دوم: کالبدشکافی یادگیری ماشین و معماری شبکه‌های عصبی (ML Basics & NN)

با پارادایم‌های اصلی یادگیری (نظارت‌شده، بدون‌نظارت و تقویتی) آشنا شده و نقش حیاتی مشتق و گرادیان در بهینه‌سازی را فرا می‌گیرید. معماری شبکه از نورون و پرسپترون تا پرسپترون چندلایه (MLP) بررسی شده و توابع فعال‌سازی (ReLU، Sigmoid، Tanh) و الگوریتم‌های بهینه‌سازی نزول گرادیان (SGD و Mini-Batch) با مثال‌های عملی و ملموس تبیین می‌گردند.

فصل سوم: هنر پردازش داده، مدیریت خطا و منظم‌سازی (Data Processing & Regularization)

این فصل به اصول حیاتی آماده‌سازی داده‌ها شامل پیش‌پردازش، مهندسی ویژگی، کدگذاری One-Hot، استانداردسازی، نرمال‌سازی، افزایش داده (Data Augmentation) و کاهش ابعاد با PCA می‌پردازد. توابع هزینه (MSE برای رگرسیون و Cross-Entropy برای طبقه‌بندی) را آموخته و با مفاهیم بنیادین بایاس-واریانس، بیش‌برازش و کم‌برازش آشنا می‌شوید. جعبه‌ابزار کاملی از راهکارهای مقابله با بیش‌برازش شامل منظم‌سازی L1/L2، Dropout، Early Stopping و Weight Decay در اختیار شما قرار می‌گیرد. در انتها، ارزیابی مدل‌های طبقه‌بندی با معیارهای Accuracy، Precision، Recall، F1-Score و ماتریس درهم‌ریختگی (Confusion Matrix) آموزش داده می‌شود.

فصل چهارم (اختیاری): مقدمه‌ای بر بینایی کامپیوتر و CNN

این فصل دروازه ورود به دنیای پردازش تصویر است. با مفاهیم پایه پیکسل‌ها، عملگر کانولوشن (Convolution)، لایه‌های ادغام (Pooling) مانند MaxPooling، میدان دید (Receptive Field) و نقش فیلترها در استخراج ویژگی آشنا می‌شوید. (معماری‌های کامل LeNet، AlexNet، VGG، ResNet و یادگیری انتقالی در بخش دوم دوره ارائه خواهند شد.)

متدولوژی و ابزارها

رویکرد دوره، یادگیری فعال و پروژه‌محور است. تمامی کدها در محیط ابری و رایگان گوگل کولب (Google Colab) نوشته و خط‌به‌خط تحلیل می‌شوند که شما را از دغدغه نصب و راه‌اندازی بی‌نیاز می‌سازد. تدریس با اسلایدهای تعاملی و نوتبوک‌های تمرینی همراه است تا مفاهیم انتزاعی به مهارتی ماندگار تبدیل شوند.

دستاوردهای کلیدی

پس از این دوره، به تسلط کامل بر مبانی ریاضی-آماری، مهارت حرفه‌ای در کار با کتابخانه‌های پایتون، درک ریشه‌ای از معماری شبکه‌های عصبی، توانایی پیاده‌سازی الگوریتم‌های بهینه‌سازی، تسلط بر فرآیند پیش‌پردازش و مهندسی ویژگی، عیب‌یابی و رفع بیش‌برازش و در نهایت قدرت پیاده‌سازی پروژه‌های یادگیری عمیق با پایتورچ (PyTorch) در گوگل کولب دست خواهید یافت.

این دوره یک نقشه راه استراتژیک برای ورود قدرتمند به بازار کار هوش مصنوعی است و با ۱۲۸ جلسه فشرده، بدون نیاز به پیش‌نیاز تخصصی (جز آشنایی مقدماتی با پایتون)، شما را از سطح مبتدی تا یک کاربلد عمل‌گرا ارتقا می‌دهد.

یادگیری عمیق با پایتورچ (PyTorch) - بخش اول (مقدماتی)