دوره آموزشی لایه‌های عمیق Deep layers

دوره آموزشی لایه‌های عمیق Deep layers

ساعت آموزشی مورد نیاز: 710 ساعت آموزشی

مدرس: گروه مدرسین

هدف برگزاری: تربیت نیروی تراز متخصص هوش‌مصنوعی مورد تاکید مقام معظم رهبری

لایه اول، گام اول: Introduction

8 ساعت آموزشی

• تعریف علم داده (Data Science)
• توضیح ماهیت میان رشته‌ای علم داده
• دستاورد علم داده به عنوان هوشمندی غیر انسانی (هوش مصنوعی)
• توانایی های پایه برای ورود به عرصه Data Science
• چگونگی حل مسائل با استفاده از داده ها در دنیای واقعی
• تشریح مسیر تکاملی داده به دانش
• شکل داده ها در دنیای واقعی
• انواع داده ها از نظر ساختار
• تشریح تاریخچه علم داده از تولد آمار و احتمالات تا Machine Learning
• یادگیری ماشین و داده کاوی (Data Mining) تعاریف، تفاوت ها و همپوشانی‌ها
• چالش‌های یادگیری ماشین و داده کاوی و اقدامات رایج جهت برون‌رفت از آنها
• انواع یادگیری در مدل‌های هوشمند
• چالش های یادگیری در مدل های هوشمند
• کاربردهایی از هر مدل یادگیری ماشین
• کاربردها و سطح پیچیدگی درمسئله انتخاب الگوریتم
• مفهوم Data Driven
• الگوریتم های کلاسیک مثال ها کاربرد ها چالش ها
• شبکه عصبی
• شبیه سازی سلول‌های دستگاه عصبی انسان
• تاریخچه پرسپترون
• زمستان اول هوش مصنوعی
• زمستان دوم هوش مصنوعی
• توسعه شبکه عصبی به یادگیری عمیق
• تاریخچه یادگیری عمیق
• چالش های یادگیری عمیق
• دستاوردهای یادگیری عمیق
• زبان های برنامه نویسی و کامیونیتی علوم داده
• زبان برنامه نویسی پایتون و کتابخانه های علم داده در آن
• بصری سازی داده ها و درک الگوها
• ابزارهای بصری سازی داده‌ها
• آشنایی با NLP و زبانشناسی محاسباتی (text, speech)
• آشنایی با Signal Mining
• آشنایی با بینایی ماشین
• آشنایی با Graph Mining
• آشنایی با فرآیند کاوی (Pross Mining)
• آشنایی با تحلیل داده های مکانی (Spatial Data Mining)
• LLM ها و سایر مدل‌های زبانی
• تهدیدات علم داده از واقعیت تا توهم
• حکمرانی داده، مدیریت داده
• پلتفرم‌های تسهیلگر در توسعه بکارگیری علم داده
• ماشین لرنینگ هکینگ
• مسیر یادگیری علم داده

لایه اول، گام دوم: Linux

20 ساعت آموزشی

• معماری لینوکس
• شناخت انواع کرنل لینوکس
• آشنایی با فرآیند بوت سیستم
• نصب یک توزیع لینوکس
• مدیریت بسته‌ها
• به‌روزرسانی سیستم
• کار با خط فرمان
• دستورات پایه مانند ls، cd، cp، mv، rm
• استفاده از grep، sed و awk برای پردازش متن
• درک ساختار فایل سیستم لینوکس
• کار با پارتیشن‌ها و فرمت کردن آن‌ها
• نصب و مدیریت فایل سیستم‌ها
• آشنایی با استاندارد FHS
• کار با شل‌های مختلف مانند Bash
• نوشتن اسکریپت‌های ساده
• متغیرها، حلقه‌ها و دستورات شرطی در شل اسکریپتینگ
• مدیریت کاربران و گروه‌ها
• مجوزهای فایل و دایرکتوری

لایه اول، گام سوم: Python

60 ساعت آموزشی

• معرفی پایتون و ترسیم نقشه راه و چرایی یادگیری این زبان برنامه نویسی
• نصب و راه اندازی پایتون و تشریح ساختار اولیه آن
• عملگرهای محاسباتی و اولویت ها در محاسبه
• تعریف متغیر
• انواع داده‌ها
• انواع ساختار داده‌ای
• دستورات شرطی
• حلقه‌ها
• رشته و متدهای آن
• لیست و متدهای آن
• تاپل و متدهای آن
• دیکشنری و متدهای آن
• مجموعه و متدهای آن
• توابع
• لامبدا
• استثنا
• کار با فایل‌ها
• شی گرایی
• کتابخانه NumPy
• کتابخانه Pandas
• کتابخانه Matplotlib
• کتابخانه Seaborn

لایه اول، گام چهارم: Mathematics for AI

90 ساعت آموزشی

• Linear Algebra: Vectors, Matrices, Eigenvalues, Eigenvectors
• Calculus: Derivatives, Integrals, Gradient Descent
• Probability and Statistics: Probability Distributions, Bayesian Inference, Hypothesis Testing
• Discrete Mathematics: Graph Theory, Set Theory, Combinatorics
• Optimization: Convex Optimization, Lagrangian

لایه اول، گام پنجم: ِDatabase

24 ساعت آموزشی

• مفاهیم پایه پایگاه داده
• انواع پایگاه داده (رابطه‌ای، NoSQL)
• مفاهیم کلیدی: داده، اطلاعات، رکورد، فیلد، جدول، رابطه
• مدل‌های داده
• طراحی پایگاه داده
• مدل ER (Entity-Relationship)
• نرمال‌سازی داده‌ها (فرم‌های نرمال)
• پایگاه داده‌های رابطه‌ای SQL
• نصب و راه‌اندازی یک DBMS رابطه‌ای (مانند MySQL، PostgreSQL، SQLite)
• دستورات شاخص در SQL
• تعریف و ویژگی NoSQL Databases
• معرفی و راه‌اندازی MongoDB
• مفاهیم پایه MongoDB
• نصب و راه اندازی
• کار با MongoDB و مدل سازی داده
• Replication and Sharding

لایه اول، گام ششم: ِData Mining

40 ساعت آموزشی

• Introduction to Data Mining and Problem Solving
  • Definition, Tasks, CRISP-DM
• Data Preprocessing
  • Exploratory Data Analysis (EDA)
    • Descriptive statistics (central tendency, dispersion, and distributional characteristics, graphs)
    • Hypothesis Testing
  • Data Cleaning
    • Feature Screening
    • Handling out-of-range values and inconsistencies
    • Handling outliers and missing values
  • Data Transformation
    • Feature construction
    • Feature discretization
    • Feature transformation
    • Encoding
    • Scaling
  • Dimension Reduction
    • Feature Selection
    • Feature Extraction
  • Data Modeling
    • Evaluation Designs
    • Regression Models
      • Regression Trees
      • Linear Regression

• Neural Network
• SVM (Support Vector Machines)
• Random Forest
• XGBoost
• Ensemble Models

• Classification Models
  • Decision Trees
  • Naïve Bayes
  • Logistic Regression
  • Neural Network
  • SVM (Support Vector Machines)
  • Random Forest
  • XGBoost
  • Ensemble Models
• Clustering Models
  • K-means
  • Hierarchical
  • DBSCAN
• Association Rules Models
  • Apriori
• Evaluation Models
  • Regression, Classification, Clustering, and Rules Evaluation Metrics

لایه اول، گام هفتم: GIT

8 ساعت آموزشی

• Version Control System
• انواع سیستم‌های کنترل نسخه (متمرکز و توزیع‌شده)
• مزایای استفاده از Git
• نصب و پیکربندی Git
• مفاهیم کلیدی Git
• Repository
• Commit
• Branch
• Merge
• Working Directory
• Staging Area
• Git log
• Gitflow
• GitHub Flow
• Remote Repositories
• مفهوم Fork
• Stashing
• انواع سیستم‌های کنترل نسخه (متمرکز و توزیع‌شده)
• مزایای استفاده از Git
• نصب و پیکربندی Git
• مفاهیم کلیدی Git
• Repository
• Commit
• Branch
• Merge
• Working Directory
• Staging Area
• Git log
• Gitflow
• GitHub Flow
• Remote Repositories
• مفهوم Fork
• Stashing

لایه دوم، گام اول: Machine Learning

90 ساعت آموزشی

Supervised Learning

• Linear Models:
  • Linear Regression
  • Logistic Regression
  • Support Vector Machines (SVM)
• Tree-Based Models:
  • Decision Trees
  • Random Forest
  • Gradient Boosting Machines (GBM)
• Instance-Based Learning:
  • K-Nearest Neighbors (KNN)
• Unsupervised Learning
  • Clustering:
    • K-Means
    • Hierarchical Clustering
  • Dimensionality Reduction:
    • Principal Component Analysis (PCA) 

  3) Ensemble Methods

  • Bagging
  • Boosting
  • Stacking

  4) Reinforcement Learning

  • Q-learning
  • Deep Q-Networks (DQN)

  Policy Gradient Methods

لایه دوم، گام دوم: Deep Learning

90 ساعت آموزشی

• Feedforward Neural Networks
• Convolutional Neural Networks (CNNs)
• Recurrent Neural Networks (RNNs)
• Transformers
• Graph Neural Networks
• Transfer learning
• Representation learning

لایه دوم، گام سوم: Self-supervised learning

60 ساعت آموزشی

• Contrastive Learning
• Generative Learning
• 3( Predictive Learning
• 4( Self-Supervised Representation Learning

توضیح:

در لایه سوم (ادامه سند) دانشجویان تنها یکی از سه گرایش موجود را می‌توانند انتخاب نمایند.

لایه سوم، گرایش: Natural language processing

100 ساعت آموزشی

• Regular expression
• Word embedding
• Text Classification
• Sentiment Analysis
• Named Entity Recognition
• Part-of-Speech Tagging
• Machine Translation
• Text Summarization
• Question Answering
• Dialogue Systems
• Text Generation
• Information Retrieval
• Topic Modeling
• Speech Recognition
• Speech Synthesis
• Speaker Recognition
• Speech Emotion Recognition
• Speech Enhancement
• Dialogue Systems (Conversational AI)
• Speech-to-Text Transcription
• Text-to-Speech Conversion
• Language Identification
• Speaker Diarization

لایه سوم، گرایش: Computer vision

100 ساعت آموزشی

• Classical Computer Vision
• Fundamental of imaging
• Geometry of cameras
• Basic of image processing
• DL-based applications
  • Image Classification
  • Object Detection
  • Image Segmentation
  • Object Tracking
  • Pose Estimation
  • Optical Flow
  • Depth Estimation
  • Action Recognition
  • Facial Recognition
  • Medical Imaging

لایه سوم، گرایش: Signal processing

100 ساعت آموزشی

• Signal Acquisition
• Signal Conditioning
• Signal Filtering
• Linear Filters
• Non-linear Filters
• Signal Transformation
• Fourier Transform
• Wavelet Transform
• Signal Detection
• Signal Estimation
• Signal Compression
• Spectral Analysis
• Time-Frequency Analysis

لایه چهارم، گام اول: Docker

20 ساعت آموزشی

• مفاهیم پایه Docker
• مفاهیم کلیدی و مقایسه با ماشین‌های مجازی
• معماری Docker
• نصب و راه اندازی Docker در سیستم‌عامل‌های مختلف (Linux, Windows)
• دستورات پایه Docker
• کار با ایمیج، کانتینرها، و شبکه‌ها
• ساخت Docker Image
• مدیریت کانتینرها
• Docker Compose
• Docker Registry
• مفاهیم پیشرفته
• ایجاد کلاسترهای Docker برای مقیاس‌پذیری
• امنیت در Docker

لایه چهارم، گام دوم: Big Data solution

40 ساعت آموزشی

• تعریف big data
• موازی کاری و توزیع شدگی
• توزیع دیتا و پردازش
• Scalability
• Sharding
• Fault Tolerance
• High Availability
• چالش های توزیع دیتا
• چالش های توزیع پردازش
• تعریف data lake و lakehouse
• معرفی Hadoop
• HDFS
• YARN
• معرفی و کار با Object Storage
• MinIO
• معرفی و کار با Trino
• توسعه روال های ETL با Trino
• معرفی و کار با Spark
• توسعه روال های ETL با Spark SQL
• معرفی NiFi و استفاده از آن برای Ingestion
• معرفی Kafka و ویژگی های آن
• Topic – Partition
• Producer and Consume

لایه چهارم، گام سوم: Deployment

60 ساعت آموزشی

On-Premise

• Local Server
• Dedicated Hardware

2) Cloud

• IaaS
• PaaS
• SaaS
• Server-less

) Edge

• Edge Devices

4) Hybrid

• Hybrid

5) Other

• Containerization
• Micro-services
• CI/CD