لوگوی رادیس - Radis AI Academy رادیس
ثبت‌نام / مشاوره
خانه دوره‌های بزرگسالان دوره جامع و تخصصی یادگیری ماشین و هوش مصنوعی (Machine Learning Masterclass)

دوره جامع و تخصصی یادگیری ماشین و هوش مصنوعی (Machine Learning Masterclass)

مسیری ۶ ترمه و کاملاً کاربردی برای ورود به دنیای متخصصین داده و هوش مصنوعی؛ از آمار کاربردی و Scikit-Learn تا یادگیری عمیق (PyTorch)، MLOps، پردازش تصویر و مدل‌های مولد (LLM).

این دوره چه مهارت‌هایی به شما می‌دهد؟

  • تسلط کامل بر پایتون تخصصی علم داده، تحلیل داده‌های انبوه با NumPy و Pandas
  • درک عمیق تفکر آماری، تحلیل اکتشافی داده‌ها (EDA) و بصری‌سازی حرفه‌ای داده‌ها
  • طراحی، آموزش و ارزیابی الگوریتم‌های یادگیری نظارت‌شده (Supervised) و بدون نظارت (Unsupervised)
  • پیاده‌سازی شبکه‌های عصبی عمیق (Deep Learning) و بینایی ماشین با PyTorch و OpenCV
  • استقرار آنلاین مدل‌های هوش مصنوعی (MLOps)، ساخت Rest API با FastAPI و داکرایز کردن پروژه
  • آشنایی کاربردی با معماری Transformerها، Fine-tuning و یکپارچه‌سازی مدل‌های زنده هوش مصنوعی مولد

سرفصل‌های جامع دوره (۶ ترم / ۶۰ جلسه)

این دوره در ۶ ترم تخصصی تدوین شده است. هر ترم شامل ۱۰ جلسه ۱ ساعت و ۱۵ دقیقه‌ای به همراه پروژه جامع عملی پایانی است:

ترم اول: پایتون تخصصی علم داده و کار با داده‌های ساختاریافته (NumPy & Pandas)

جلسه ۰۱: نقشه راه Machine Learning و محیط توسعه آشنایی با اکوسیستم علم داده، نصب Anaconda، کار حرفه‌ای با Jupyter Lab و Google Colab
جلسه ۰۲: محاسبات عددی سریع با NumPy معرفی N-dimensional Arrays، عملیات برداری (Vectorization)، Broadcasting و عملکرد حافظه
جلسه ۰۳: عملیات ماتریسی و جبر خطی کاربردی در NumPy ضرب ماتریس‌ها، دترمی نان، ترانهاد، مقادیر ویژه (Eigenvalues) و کاربرد آنها در الگوریتم‌های ML
جلسه ۰۴: ورود به Pandas و ساختار داده Series و DataFrame خواندن فایل‌های CSV, Excel, JSON، ساختار سری‌ها و داتافریم‌ها، indexing و slicing پیشرفته با loc و iloc
جلسه ۰۵: تمیزکاری داده‌ها (Data Cleaning) شناسایی و مدیریت داده‌های مفقود (Missing Values)، حذف داده‌های تکراری و اصلاح انواع داده‌ها
جلسه ۰۶: تغییر شکل و ادغام داده‌ها (Reshaping & Merging) دستورات concat, merge, join، pivot table و melt برای ساخت ساختارهای داده یکپارچه
جلسه ۰۷: گروه‌بندی و خلاصه‌سازی داده‌ها (Groupby & Aggregation) عملیات Split-Apply-Combine، محاسبه آماره‌های گروهی و اعمال توابع سفارشی روی داده‌ها
جلسه ۰۸: پردازش سری‌های زمانی (Time Series) در Pandas کار با داده‌های تاریخی، Resampling، Window Functions و محاسبه میانگین‌های متحرک
جلسه ۰۹: بهینه‌سازی سرعت و حافظه در Pandas کار با Vectorized Operations، تبدیل داده‌های متنی به Category و مدیریت مجموعه‌داده‌های سنگین
جلسه ۱۰: پروژه پایانی ترم اول 🎯 پروژه پردازش، تمیزکاری و تحلیل داده‌های واقعی چندگیگابایتی یک سامانه مالی/فروشگاهی

ترم دوم: آمار کاربردی، تحلیل اکتشافی داده‌ها (EDA) و بصری‌سازی

جلسه ۱۱: آمار توصیفی (Descriptive Statistics) شاخص‌های مرکزی (Mean, Median, Mode) و شاخص‌های پراکندگی (Variance, Standard Deviation, IQR)
جلسه ۱۲: تصویرسازی استاتیک با Matplotlib رسم نمودارهای خطی، میله‌ای، پراکندگی (Scatter)، هیستوگرام و تنظیمات کامل ظاهری نمودارها
جلسه ۱۳: بصری‌سازی آماری پیشرفته با Seaborn رسم Boxplot, Violinplot, Pairplot, Heatmap و تحلیل توزیع‌های آماری پیچیده
جلسه ۱۴: احتمال و توزیع‌های آماری مهم توزیع نرمال (Gaussian)، توزیع دو جمله‌ای، قضیه حد مرکزی (Central Limit Theorem) و کاربرد در داده
جلسه ۱۵: آمار استنباطی و آزمون فرضیات (Hypothesis Testing) مفهوم p-value، آزمون‌های t-test, Chi-square, ANOVA و تصمیم‌گیری مبتنی بر داده
جلسه ۱۶: تحلیل همبستگی (Correlation Analysis) ضریب همبستگی پیرسون و اسپیرمن، تشخیص چندهم‌خطی (Multicollinearity) و تفسیر ماتریس همبستگی
جلسه ۱۷: شناسایی و مدیریت داده‌های پرت (Outlier Detection) روش‌های Z-Score، IQR، Isolation Forest و تاثیر داده‌های پرت روی مدل‌های یادگیری ماشین
جلسه ۱۸: مهندسی ویژگی‌های اولیه (Feature Engineering) تبدیل متغیرهای کفی به عددی (One-Hot Encoding, Label Encoding)، نرمال‌سازی و استانداردسازی (Scaling)
جلسه ۱۹: داشبوردهای تعاملی با Plotly ساخت نمودارهای تعاملی ۳ بعدی، نقشه حرارتی دینامیک و قابلیت دریافت خروجی تعاملی برای گزارش‌دهی
جلسه ۲۰: پروژه پایانی ترم دوم 🎯 اجرای کامل گزارش EDA به همراه بصری‌سازی جامع و کشف الگوهای پنهان در رفتار مشتریان یک کسب‌وکار

ترم سوم: یادگیری نظارت‌شده (Supervised Learning - رگرسیون و طبقه‌بندی)

جلسه ۲۱: مفاهیم پایه Machine Learning & Scikit-Learn API دسته‌بندی مسائل ML، ساختار Train/Test Split، مفهوم Overfitting و Underfitting
جلسه ۲۲: رگرسیون خطی ساده و چندگانه (Linear Regression) ریاضیات رگرسیون، تابع زیان (Cost Function - MSE)، الگوریتم کاهشی گرادیان (Gradient Descent)
جلسه ۲۳: تنظیم مدل (Regularization) جلوگیری از بیش‌برازش با روش‌های Ridge (L2)، Lasso (L1) و ElasticNet
جلسه ۲۴: رگرسیون لوجستیک (Logistic Regression) مسائل طبقه‌بندی دوگانه (Binary Classification)، تابع سیگموئید، احتمال‌دهی و حد آستانه (Threshold)
جلسه ۲۵: معیارهای ارزیابی مدل‌های طبقه‌بندی ماتریس درهم‌ریختگی (Confusion Matrix)، معیارهای Accuracy, Precision, Recall, F1-Score و منحنی ROC-AUC
جلسه ۲۶: درخت تصمیم (Decision Trees) معیارهای انتروپی (Entropy) و شاخص جینی (Gini Index)، ساختار درخت، هرس کردن (Pruning)
جلسه ۲۷: مدل‌های انسامبل - جنگل تصادفی (Random Forest) مفهوم Bagging، ساخت چندین درخت تصادفی، اهمیت ویژگی‌ها (Feature Importance)
جلسه ۲۸: الگوریتم‌های پیشرفته Boosting (XGBoost, LightGBM) فلسفه Gradient Boosting، آموزش الگوریتم قدرتمند XGBoost برای مسابقات Kaggle و داده‌های جدول‌بندی شده
جلسه ۲۹: ماشین بردار پشتیبان (SVM) و K-NN مفهوم Hyperplane و Margin، ترفند کرنل (Kernel Trick) و الگوریتم K-Nearest Neighbors
جلسه ۳۰: پروژه پایانی ترم سوم 🎯 ساخت مدل پیش‌بینی دقیق هوشمند قیمت ملک و طبقه‌بندی ریسک اعتباری مشتریان بانک

ترم چهارم: یادگیری بدون نظارت، کاهش ابعاد و سیستم‌های توصیه گر

جلسه ۳۱: مقدمات Unsupervised Learning & K-Means Clustering خوشه‌بندی داده‌ها بدون برچسب، الگوریتم K-Means، تعیین تعداد خوشه بهینه با روش Elbow و Silhouette Score
جلسه ۳۲: خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering) و DBSCAN ترسیم دندروگرام، الگوریتم DBSCAN برای خوشه‌بندی بر اساس چگالی و کشف شکل‌های غیرمنظم داده
جلسه ۳۳: کاهش ابعاد با PCA (Principal Component Analysis) کاهش ویژگی‌ها بدون از دست دادن اطلاعات، محاسبه مولفه‌های اصلی و فشرده‌سازی داده‌های بزرگ
جلسه ۳۴: روش‌های پیشرفته کاهش ابعاد (t-SNE & UMAP) کاهش ابعاد غیرخطی برای بصری‌سازی داده‌های چندبعدی پیچیده در فضای ۲ بعدی و ۳ بعدی
جلسه ۳۵: سیستم‌های توصیه گر (Recommender Systems) - روش‌های سنتی فیلترینگ مبتنی بر محتوا (Content-Based Filtering)، محاسبه شباهت کسینوسی (Cosine Similarity)
جلسه ۳۶: فیلترینگ تعاملی (Collaborative Filtering) روش‌های User-Based و Item-Based، تجزیه ماتریس (Matrix Factorization - SVD) برای پیشنهاد محصول
جلسه ۳۷: تنظیم فوق‌پارامترها (Hyperparameter Tuning) روش‌های Grid Search CV, Random Search CV و بهینه‌سازی بایزین با Optuna
جلسه ۳۸: ساخت Pipelineهای هوشمند در Scikit-Learn اتوماتیک‌سازی زنجیره پیش‌پردازش، مهندسی ویژگی و مدل‌سازی با Pipeline و ColumnTransformer
جلسe ۳۹: مدیریت داده‌های نامتوازن (Imbalanced Datasets) روش‌های نمونه‌برداری SMOTE, Random Overization/Undersampling و تنظیم وزن کلاس‌ها
جلسه ۴۰: پروژه پایانی ترم چهارم 🎯 پیاده‌سازی کامل سیستم تقسیم‌بندی مشتریان (RFM Analysis) + موتور هوشمند پیشنهاد فیلم/محصول

ترم پنجم: یادگیری عمیق (Deep Learning)، شبکه‌های عصبی و بینایی ماشین

جلسه ۴۱: مقدمه‌ای بر یادگیری عمیق و نورون مصنوعی مفهوم Perceptron، توابع فعال‌ساز (ReLU, Sigmoid, Tanh, Softmax)، ساختار شبکه عصبی Muti-Layer
جلسه ۴۲: انتشار رو به عقب (Backpropagation) و بهینه‌سازها ریاضیات پس‌انتشار خطا، بهینه‌سازهای Adam, SGD, RMSprop و نرخ یادگیری (Learning Rate)
جلسه ۴۳: ورود به فریم‌ورک PyTorch کار با Tensorها، محاسبه خودکار گرادیان (Autograd)، ساخت اولین شبکه عصبی با torch.nn
جلسه ۴۴: آموزش مدل و ساخت چرخه‌ی آموزشی (Training Loop) در PyTorch مدیریت Dataset و DataLoader، محاسبه Loss، بروزرسانی وزن‌ها، ارزیابی در Epochهای مختلف
جلسه ۴۵: جلوگیری از بیش‌برازش در شبکه‌های عصبی روش‌های Dropout, Batch Normalization, Early Stopping و Weight Decay
جلسه ۴۶: شبکه‌های عصبی کانولوشنی (CNN) برای تصویر لایه‌های Convolution, Pooling, Stride, Padding و استخراج ویژگی از تصاویر
جلسه ۴۷: بینایی ماشین با OpenCV و PyTorch بارگذاری، فیلترگذاری و پردازش تصویر، تشخیص چهره و لبه‌ها با کتابخانه OpenCV
جلسه ۴۸: یادگیری انتقالی (Transfer Learning) استفاده از معماری‌های پرقدرت پیش‌المل‌آموزش یافته مانند ResNet, VGG, MobileNet برای دیتای اختصاصی
جلسه ۴۹: مقدمه‌ای بر پردازش زبان طبیعی (NLP) پیش‌پردازش متن، Tokenization, Word Embeddings (Word2Vec) و آشنایی با شبکه‌های عودتی (RNN/LSTM)
جلسه ۵۰: پروژه پایانی ترم پنجم 🎯 طراحی کلاسیفایر هوشمند تصویر برای تشخیص بیماری‌های پزشکی از روی تصاویر رادیولوژی با PyTorch

ترم ششم: MLOps، استقرار مدل (Deployment)، LLMs و ورود به بازار کار

جلسه ۵۱: ذخیره‌سازی و سریال‌سازی مدل‌های ML ذخیره‌سازی وزن‌ها با Joblib, Pickle و فرمت استاندارد ONNX برای اجرا در محیط‌های مختلف
جلسه ۵۲: تبدیل مدل به REST API با FastAPI ساخت End-pointهای سرو‌کننده مدل‌های هوش مصنوعی، اعتبارسنجی ورودی کاربر با Pydantic
جلسه ۵۳: کانتینری‌سازی مدل‌های ML با Docker ساخت Dockerfile برای پروژه هوش مصنوعی، ساخت ایمیج سبک و اجرای مدل در کانتینر ایزوله
جلسه ۵۴: مدیریت چرخه حیات مدل با MLflow ردیابی پارامترها (Experiment Tracking)، ثبت نسخه‌های مختلف مدل (Model Registry)
جلسه ۵۵: مانیتورینگ مدل و افت کیفیت (Data & Model Drift) بررسی تغییرات توزیع داده‌ها در طول زمان و برنامه‌ریزی برای بازآموزی (Retraining) خودکار مدل
جلسه ۵۶: هوش مصنوعی مولد (Generative AI) & Transformers مفهوم مکانیزم توجه (Self-Attention)، معماری ترنسفورمرها، آشنایی با Hugging Face
جلسه ۵۷: کار با مدل‌های زبانی بزرگ (LLM API & RAG) یکپارچه‌سازی سرویس‌های OpenAI/Claude، مفاهیم Prompt Engineering و ساخت سیستم‌های RAG اولیه
جلسه ۵۸: استقرار پروژه روی سرور ابری (Deployment) آنلاین‌سازی API هوش مصنوعی روی سرور لینوکس با Nginx, Gunicorn و تنظیمات دامنه
جلسه ۵۹: رزومه‌نویسی حرفه‌ای و ساخت پورتفولیو Kaggle / GitHub استفاده از استاندارد کدهای Clean، ارائه پروژه‌ها در گیت‌هاب و شرکت در مسابقات علم داده
جلسه ۶۰: پروژه نهایی غول‌پیکر و شبیه‌سازی مصاحبه شغلی 🏆 ارائه پروژه End-to-End پیش‌بینی زنده فول‌استک (داده + مدل + FastAPI + Docker) به همراه آمادگی مصاحبه استخدامی

شیوه برگزاری و پشتیبانی کلاس‌ها

این دوره به دو صورتحضوریدر فضایی کاملاً مجهز وآنلاین (زنده)برگزار می‌شود. همچنین هر دانشجو زیر نظر منتور اختصاصی پروژه، پشتیبانی برای رفع اشکال خواهد داشت.