دوره دوم

اصول مقدماتی پایتون برای علم داده، کتابخانه‌های اساسی مانند NumPy و pandas، تحلیل داده‌ها و مصورسازی.

تاریخچه هوش مصنوعی، تعریف یادگیری ماشین، تفاوت هوش مصنوعی، یادگیری عمیق و یادگیری ماشین، کاربردها و زمینه‌های استفاده.

انواع یادگیری ماشین، طبقه‌بندی نزدیک‌ترین همسایه (KNN)، پیاده‌سازی KNN در پایتون و کار با داده‌های تصویری.

رگرسیون با مدل نزدیک‌ترین همسایه، رگرسیون خطی، مدل‌های خطی برای طبقه‌بندی و جلوگیری از بیش‌برازش.

یادگیری بدون ناظر، تحلیل مؤلفه‌های اصلی (PCA)، خوشه‌بندی و کاربردهای آن‌ها.

روش‌های اعتبارسنجی، ارزیابی مدل‌ها، ماتریس درهم‌ریختگی و یافتن هایپرپارامترهای بهینه.

مفاهیم ابتدایی شبکه‌های عصبی، پرسپترون، گرادیان کاهشی، پس انتشار خطا و پیاده‌سازی در TensorFlow.

آشنایی با شبکه‌های عصبی کانولوشنالی (CNN)، معماری‌های مختلف و کاربردهای آن‌ها.

معرفی معماری‌های عمیق، انتقال یادگیری و استفاده از مدل‌های پیش‌آموزش‌دیده.

رگرسیون با استفاده از Functional API در TensorFlow و پیاده‌سازی آن.

مفاهیم و پیاده‌سازی طبقه‌بندی متن، Embedding و سیستم‌های توصیه‌گر در TensorFlow.

آشنایی با شبکه‌های بازگشتی (RNN)، LSTM و کاربردهای آن‌ها.

مبانی بازشناسی چهره، استفاده از TensorFlow Embedding Projector.

معرفی Model Subclassing، مبانی خودرمزنگارها، GAN ها و پیاده‌سازی آنها.

مبانی داده‌های صوتی، استفاده از تابع خطای CTC، پیاده‌سازی.

روش‌های پیدا کردن هایپرپارامترهای بهینه، استقرار مدل‌ها در محیط عملیاتی.

مبانی انتقال یادگیری پیشرفته، افزونگی داده‌ها.