دوره آموزش الگوریتم نویسی هوش مصنوعی آنلاین پروژه محور

فصل 1: مبانی الگوریتم و پیچیدگی

• الگوریتم چیست، مراحل حل مساله، تفکر الگوریتمی

• پیچیدگی زمانی و فضایی، Notation های O بزرگ، Omega و Theta

• بازگشت، تقسیم و حل، رویکردهای حریصانه و پویا

• مرور الگوریتم های پایه جستجو و مرتب سازی برای درک پیچیدگی

فصل 2: کار عملی با الگوریتم ها

• پیاده سازی الگوریتم ها با پایتون

• سنجش کارایی و پروفایل کردن کد

• تمرین های عملی و کاتا برای تقویت حل مساله

فصل 3: یادگیری ماشین نظارت شده

• Linear Regression و Polynomial Regression

• Logistic Regression و دسته بندی دودویی

• Naive Bayes و SVM و KNN

• Decision Tree و Random Forest و XGBoost

• تقسیم داده، کراس ولیدیشن، GridSearch

• متریک ها: MAE و RMSE و Accuracy و Precision و Recall و F1 و ROC AUC

فصل 4: بدون نظارت و کاهش بعد

• Clustering با KMeans و سناریوهای عملی

• Dimensionality Reduction با PCA و ایده های Feature Extraction

• مصورسازی داده و تفسیر خوشه ها

فصل 5: شبکه های عصبی و یادگیری عمیق

• پرسپترون و شبکه چند لایه Feedforward

• مروری بر CNN برای تصویر و RNN/LSTM برای دنباله

• ایده Transformer و معرفی GPT و کاربردهای NLP

• نکات آموزش، Regularization، Dropout و ارزیابی

فصل 6: یادگیری تقویتی

• مقدمات RL، تعریف حالت و عمل و پاداش

• پیاده سازی Q Learning و SARSA در یک محیط ساده

• مفهوم اکتشاف و بهره برداری و بهبود سیاست

فصل 7: پروژه پایانی و ارائه

• طراحی آزمایش، مستندسازی، نمودارها و گزارش نهایی

• نکات رزومه نویسی و انتشار پروژه در گیت هاب