مهدی اصغری

• متوسط مقدماتی
• مسیر آبی
• ۷ درس

دربارۀ این دوره

مخاطبان

• علاقه‌مندان ورود به حوزۀ هوش مصنوعی، با رویکرد امنیت سایبری و توسعۀ اپلیکیشن‌های امنیتی
• برنامه‌نویسان، دانشجویان و متخصصان فعال در حوزۀ امنیت سایبری

پیش‌نیازها

• آشنایی مقدماتی با برنامه‌نویسی (ترجیحاً زبان Python)
• آشنایی با مفاهیم پایۀ ریاضی مانند جبر خطی، ماتریس اعداد، نمودار‌های نمایی و خطی، بردارها و ضرب نقطه‌ای
• آشنایی با ساختار داده‌ها (متغییر، دیکشنری، لیست، آرایه و...)

• مقدمه و مبانی هوش مصنوعی
  • مفاهیم پایه و تفاوت‌های Ai ،ML و DL
  • تاریخچه، روند پیشرفت و حوزه‌های شغلی
  • آشنایی با مفاهیم بنیادی حوزۀ یادگیری ماشین و هوش مصنوعی
  • مفاهیم ریاضی پرکاربرد مانند Linear Algebra، ضرب نقطه‌ای و...
• مبانی یادگیری ماشین Machine Learning Basics
  • Supervised-Semi Supervised-Unsupervised Learning
  • Evaluation Models
  • Training and Validation
  • Scaling and Oversampling Data
  • مفاهیم Overfitiing
  • ارزیابی خروجی مدل‌ها مانند F1 Score، Recall، Accuracy و Precision
• الگوریتم‌های یادگیری ماشین به‌صورت عملی
  • رگرسیون خطی Linear Regression
  • رگرسیون لگاریتمی Logistic Regression
  • الگوریتم Clustering
  • الگوریتم Classification
  • K Nearest Neighbros (KNN)
  • Dimensionality Reduction
  • Time Series Analysis
  • Anomaly detection
  • SVM
  • Decision Trees
• آشنایی با کتابخانه‌ها و فریم‌ورک‌ها
  • آشنایی با کتابخانه‌های مورد نیاز برای پیاده‌سازی شبکه‌های عصبی
  • پروژۀ عملی: پیاده‌سازی یک مدل ساده با استفاده از الگوریتم‌های یادگیری ماشین
• یادگیری عمیق DeepLearning
  • آشنایی با مفاهیم یادگیری عمیق و شبکه‌های عصبی Neural Network
  • Convolutional neural networks (CNNs)
  • Recurrent neural networks (RNNs)
• پردازش زبان طبیعی NLP
  • آشنایی مقدماتی با language modeling
  • sentiment analysis
  • Techniques for text mining
• مدل‌های زبانی بزرگ LLM
  • آشنایی مقدماتی با مفاهیم و نحوۀ کارکرد مدل‌های زبانی بزرگ
  • آشنایی با مفاهیم Context ،Token ،Prompt ،Parameters و...
  • آموزش پیاده‌سازی LLM به‌صورت Local به کمک Vllm
  • آشنایی با مدل‌های Embedding و Vector Search
  • Retrieval-Augmented Generation
  • Cosine Similarity ,Hybrid Search ,Semantic Search
  • پروژۀ عملی: پیاده‌سازی مفهوم RAG به‌صورت عملی
  • آشنایی با ایجنت‌های هوش مصنوعی
  • آموزش نحوۀ کار با فریم‌ورک‌های Langchain و Langgraph برای پیاده‌سازی ایجنت‌ها
  • پروژۀ عملی: پیاده‌سازی یک اپلیکیشن سادۀ متشکل از تیمی از ایجنت‌های هوش مصنوعی

گواهینامه‌ی دوره