✨ به علت تقاضا فراوان تکرار شد...

💻 هفتمین دوره جامع دیتا ساینس
برنامه نویسی مقدماتی و پیشرفته پایتون، آمار، یادگیری ماشین و عمیق
📆 تابستان ١۴٠۵

🎯 چرا این دوره؟
🔹اگر به دنیای برنامه‌نویسی، داده و هوش مصنوعی علاقه دارید، این دوره نقطه‌ی شروعی فوق‌العاده برای شماست! در این دوره، از مبانی برنامه‌نویسی پایتون تا مفاهیم پیشرفته‌ی یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) را به‌صورت گام‌به‌گام و کاربردی یاد می‌گیرید. هدف ما این است که شما نه‌تنها تئوری را بفهمید، بلکه بتوانید پروژه‌های واقعی طراحی و پیاده‌سازی کنید. این دوره به شما کمک می‌کند تا در مسیر آینده‌ی شغلی‌تان در حوزه‌ی هوش مصنوعی، تحلیل داده و توسعه‌ی مدل‌های هوشمند گام‌های جدی بردارید. چه دانشجو باشید و چه علاقه‌مند به ورود به بازار کار AI، این دوره شما را برای دنیای فناوری امروز و فردا آماده می‌کند.
🔸امروز هوش مصنوعی و یادگیری ماشین از جمله تکنولوژی‌های کلیدی در صنعت هستند. بسیاری از شرکت‌ها به دنبال افرادی هستند که در این زمینه‌ها تخصص داشته باشند، بنابراین این دوره می‌تواند راهی برای افزایش فرصت‌های شغلی باشد.
🔹از پزشکی و خودروسازی گرفته تا بانکداری و صنعت سرگرمی، هوش مصنوعی در تمامی صنایع کاربرد دارد. شما می‌توانید به عنوان یک متخصص هوش مصنوعی به راحتی در صنایع مختلف مشغول به کار شوید.
🔸 مهمترین ویژگی دوره، سناریو نوین آموزشی‌ای است که با یک آموزش گام‌به‌گام و پله‌به‌پله، سعی بر آموزش هرچه بهتر دوره را دارد که زمان زیادی فقط برای طراحی این سناریو شده است.
🔹دوره کاملا از صفر آموزش داده میشه و بدون هیچگونه پیش نیاز قبلی ای میباشد.
🔸پشتیبانی دوره نه تنها در زمان برگزاری بلکه حتی بعد از به پایان رسیدن دوره هم، برای ورود به بازار کار، مهارت جویان را حمایت می‌کند و به آنها مشاوره لازم را خواهد داد.
🔹پنل آفلاین مطالب آموزشی دوره مختص هر نفر طراحی شده که به صورت دائمی و آفلاین امکان مشاهده محتوای دوره را مقدور میسازد.
🔸با گذشت زمان، پروژه‌ها و مطالب جدیدتری به دوره اضافه خواهد شد که تمامی شرکت کنندگان بدون پرداخت هزینه، تمامی آپدیت های بعدی دوره را دریافت خواهند کرد.

🔶 سرفصل های دوره:

✅ بخش اول: برنامه‌نویسی پایتون (۲۰ ساعت)

🔸 مبانی و ساختارها: متغیرها، لیست‌ها، دیکشنری‌ها و کنترل جریان (Loops & Conditionals)
🔹 توابع و ماژولار نویسی: تعریف توابع و مدیریت پکیج‌ها
🔸 کار با کتابخانه‌های پایه:
🔹 NumPy: محاسبات ماتریسی (بسیار حیاتی برای داده‌های رستری)
🔸 Pandas: مدیریت داده‌های جدولی و سری‌های زمانی
🔹 Matplotlib/Seaborn: بصری‌سازی داده‌ها
🔸 مدیریت فایل‌ها: خواندن و نوشتن داده‌های متنی و باینری

✅ بخش دوم: آمار و مبانی داده (۱۰ ساعت)

🔹 آمار توصیفی: میانگین، واریانس، انحراف معیار و توزیع‌های احتمالی.
🔸 آمار استنباطی: آزمون فرضیه، P-value و فواصل اطمینان.
🔹 پیش‌پردازش داده‌ها: نرمال‌سازی (Normalization)، استانداردسازی و مدیریت داده‌های گم‌شده (Missing Data).
🔸 تحلیل همبستگی: درک روابط بین باندهای طیفی مختلف

✅ بخش سوم: یادگیری ماشین (۲۵ ساعت)

🔹 یادگیری نظارت شده (Supervised):
🔸 Linear & Logistic Regression.
🔹 Decision Trees & Random Forests
🔸 Support Vector Machines (SVM)

🔹 یادگیری بدون نظارت (Unsupervised):
🔸 Clustering (K-Means) برای بخش‌بندی خودکار تصاویر
🔹 Dimensionality Reduction (PCA)
🔸 ارزیابی مدل: Matrix Confusion، دقت (Accuracy)، F1-Score و منحنی ROC

✅ بخش چهارم: یادگیری عمیق (۴۵ ساعت)
🔹 مبانی شبکه‌های عصبی: پرسپترون، تابع فعال‌سازی و Backpropagation.
🔸 یادگیری انتقالی (Transfer Learning)، تنظیم دقیق (Fine-tuning)، From scratch
🔹 پیاده سازی شبکه های عصبی ساده و تکنیک های بهبود عملکرد شبکه ها
🔸 شبکه‌های عصبی کانولوشنی (CNN)
🔹 شبکه‌های عصبی بازگشتی (RNN)
🔸 بخش‌بندی تصویر