دوره جامع «یادگیری ماشین و مهندسی هوشمصنوعی» بهعنوان یک مسیر آموزشی ساختاریافته و بهروز طراحی شده است که شرکتکنندگان را از مبانی ریاضیات و یادگیری ماشین تا طراحی، پیادهسازی و استقرار مدلهای پیشرفته هوشمصنوعی همراهی میکند.
رویکرد آموزشی این دوره بر پایهی سه رکن اصلی استوار است: ارائهی روشن و ملموس مفاهیم و روشها، تمرینهای عملی منظم پس از هر بخش آموزشی، و پروژههای کاربردی مبتنی بر دادههای واقعی. بر همین اساس، شرکتکنندگان صرفاً به یادگیری نظری مفاهیم بسنده نمیکنند؛ بلکه هر مفهوم را با کدنویسی پیادهسازی میکنند و در پایان دوره، پروژهای قابلارائه در سوابق حرفهای خود خواهند داشت که نشاندهندهی تسلط آنها بر مفاهیم و مهارتهای عملی است.
ساختار محتوایی دوره از مبانی یادگیری ماشین و ریاضیات پایهی آن آغاز میشود و بهطور پیوسته و مرحلهبهمرحله به سمت موضوعات پیشرفتهتر شامل یادگیری بانظارت، یادگیری بدون نظارت و یادگیری تقویتی، شبکههای عصبی عمیق و پردازش زبان طبیعی، مدلهای زبانی بزرگ و هوش مصنوعی مولد، و در نهایت روشهای استقرار و بهینهسازی مدلها پیش میرود. این توالی منطقی و تدریجی تضمین میکند که شرکتکنندگان هم به درک عمیق مفهومی دست یابند و هم توانایی طراحی و پیادهسازی مدلهای کاربردی برای پروژههای حرفهای یا پژوهشی خود را کسب کنند.
Machine Learning and AI Engineering
اهداف دوره
-
آشنایی با مفاهیم بنیادین یادگیری ماشین، ریاضیات کاربردی آن و روشهای یادگیری بانظارت، بدوننظارت و تقویتی
-
یادگیری طراحی و پیادهسازی شبکههای عصبی عمیق با پایتون و PyTorch
-
درک روشهای بازنمایی و پردازش متن، شبکههای بازگشتی و مکانیزم توجه
-
آشنایی با ترنسفورمرها، مدلهای زبانی بزرگ (LLMs) و ساخت چتبات با RAG و LangChain
-
یادگیری ساخت Agent هوشمند بر پایهی پروتکل MCP
-
آشنایی با روشهای بهینهسازی و استقرار مدلهای زبانی (LLM Studio، vLLM، Ollama)
-
اجرای یک پروژهی عملی برای جمعبندی و تثبیت مهارتهای آموختهشده
مدرسین دوره
سعید مجیدی
متخصص یادگیری ماشین، پردازش زبانهای طبیعی و مدلهای زبانی بزرگ در گروه صنعتی انتخاب و شرکت پردازش و تحلیل داده دقیقه، دکترای علوم کامپیوتر با گرایش یادگیری ماشین و پردازش زبان از دانشگاه تافتس آمریکا
بهنام بهین آئین
پژوهشگر و متخصص دادهکاوی و یادگیری ماشین در شرکت Insight Data Science، دکترای مهندسی برق و کامپیوتر از دانشگاه کویینز کانادا
کاوه مهدویانی
پژوهشگر و متخصص یادگیری ماشین در شرکت آمازون، استادیار سابق گروه علوم کامپیوتر در دانشگاه تورنتو کانادا، سابقه همکاری با Bell Labs در آلمان و دانشگاه آلبرتا، دکترای مهندسی برق و کامپیوتر از دانشگاه تورنتو
میرامید حاجی میرصادقی
عضو هیأت علمی دانشکده علوم ریاضی دانشگاه صنعتی شریف و مدیرعامل شرکت سرچوایز، دکترای ریاضی از دانشگاه پیر و ماری کوری (پاریس) و دانشگاه صنعتی شریف، سابقه فعالیت پژوهشی در دانشگاه تگزاس در آوستین، مشاور علوم داده در اسنپپی و دیجیکالا
مژگان سعیدی
پژوهشگر و متخصص یادگیری ماشین، پردازش زبانهای طبیعی و مدلهای یادگیری عمیق در دانشگاه استنفورد
محمدعلی قرائت
مهندس ارشد یادگیری ماشین، پردازش زبان طبیعی (NLP) و هوش مصنوعی در شرکت همکاران سیستم، کارشناسی ارشد علوم کامپیوتر از دانشگاه آلبرتا کانادا، توسعهدهنده راهکارهای مبتنی بر داده، مدلهای یادگیری ماشین و فناوریهای مرتبط با زبان
پشتیبان دوره
ساجده فدائی
دانشآموخته بیوانفورماتیک از دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف، مسئولیادگیریسازمانی و پشتیبانی آموزشی در مدرسه دقیقه
مخاطبین
- دانشجویان
- پژوهشگران
- تحلیلگران داده
- مهندسین یادگیری ماشین
- متخصصین علوم داده
- مهندسین داده
- برنامهنویسان و توسعهدهندگان نرمافزار
- سایر علاقهمندان هوش مصنوعی و یادگیری عمیق
پیشنیازها
- آشنایی و تجربه کار با پایتون
- آشنایی با مبانی یادگیری ماشین
- آشنایی و تجربه کار با کتابخانه numpy
- آشنایی اولیه با کتابخانه scikit-learn
تقویم آموزشی
| سرفصل | عنوان | مدرس | تاریخ |
| ۱ – مبانی یادگیری ماشین و ریاضیات هوش مصنوعی | نقشه راه یادگیری در طول دوره: بایدها و نبایدها برای کسب بهترین بازدهی در دوره مبانی و مفاهیم یادگیری ماشین، آشنایی با کتابخانه scikit-learn | سعید مجیدی |
سهشنبه ۱۸ شهریور ۱۴۰۵ |
| ریاضیات یادگیری ماشین در پایتون: مشتقگیری و بهینهیابی، جبر خطی | کاوه مهدویانی | شنبه ۲۱ شهریور ۱۴۰۵ |
|
| کارگاه مرور و حل تمرین | ساجده فدائی | سهشنبه ۲۴ شهریور ۱۴۰۵ |
|
| ۲- یادگیری بانظارت | رگرسیون خطی، رگرسیون لجستیک | سعید مجیدی |
شنبه ۲۸ شهریور ۱۴۰۵ |
| نزدیک ترین k-همسایه – مباحث عملی در یادگیری ماشین ( ماتریس درهمریختگی و امتیاز F1) | سعید مجیدی | سهشنبه ۳۱ شهریور ۱۴۰۵ |
|
| کارگاه مرور و حل تمرین | ساجده فدائی |
شنبه ۴ مهر ۱۴۰۵ |
|
| درخت تصمیم و یادگیری جمعی | سعید مجیدی |
سهشنبه ۷ مهر ۱۴۰۵ |
|
| کارگاه مرور و حل تمرین | ساجده فدائی |
شنبه ۱۱ مهر ۱۴۰۵ |
|
| – | – |
سهشنبه ۱۴ مهر ۱۴۰۵ |
|
| ۳ – یادگیری بدون نظارت و یادگیری تقویتی | یادگیری بدون نظارت، خوشهبندی، تحلیل مولفه اصلی و کاهش ابعاد داده | بهنام بهین آیین |
شنبه ۱۸ مهر ۱۴۰۵ |
| مقدمهای بر یادگیری تقویتی | مژگان سعیدی |
سهشنبه ۲۱ مهر ۱۴۰۵ |
|
| کاربردهای یادگیری تقویتی | مژگان سعیدی |
شنبه ۲۵ مهر ۱۴۰۵ |
|
| کارگاه مرور و حل تمرین | ساجده فدائی |
سهشنبه ۲۸ مهر ۱۴۰۵ |
|
| ۴- یادگیری عمیق و پردازش زبانهای طبیعی | مبانی شبکههای عصبی و یادگیری عمیق | سعید مجیدی |
شنبه ۲ آبان ۱۴۰۵ |
| – | – |
سهشنبه ۵ آبان ۱۴۰۵ |
|
| کارگاه آشنایی با کتابخانه PyTorch | بهنام بهین آئین |
شنبه ۹ آبان ۱۴۰۵ |
|
| مقدمهای بر نگاشت دادهها در فضاهای برداری (Embbeding) روشهای تبدیل متن به بردار Bag of Words, TF-IDF و Word Embedding، معرفی شبکههای Sequence-to-Sequence |
سعید مجیدی |
سهشنبه ۱۲ آبان ۱۴۰۵ |
|
| شبکههای عصبی بازگشتی (Recurrent NN) (LSTM, GRU) | سعید مجیدی |
شنبه ۱۶ آبان ۱۴۰۵ |
|
| کارگاه مرور و حل تمرین | سعید مجیدی |
سهشنبه ۱۹ آبان ۱۴۰۵ |
|
| ۵ – مدلهای زبانی بزرگ و هوش مصنوعی مولد | ترنسفورمرها و مکانیزم توجه (Atention Mechanism) و مدلهای زبانی بزرگ | کاوه مهدویانی |
شنبه ۳۰ آبان ۱۴۰۵ |
| مکانیزم RAG، تکنیک های پرامپت نویسی و بهبود عملکرد چت بات RAG، دیتابیس های وکتور | محمدعلی قرائت |
سهشنبه ۳ آذر ۱۴۰۵ |
|
| تولید چت بات با LangChain | محمدعلی قرائت |
شنبه ۷ آذر ۱۴۰۵ |
|
| تولید Agent و آموزش ساخت ابزار بر اساس پروتکل MCP | محمدعلی قرائت |
سهشنبه ۱۰ آذر ۱۴۰۵ |
|
| کارگاه مرور و حل تمرین | محمدعلی قرائت |
شنبه ۱۴ آذر ۱۴۰۵ |
|
| ۶ – استقرار و بهینهسازی | – | – |
سهشنبه ۱۷ آذر ۱۴۰۵ |
| روش های بهینه سازی مدل های زبانی (optimisation) و روش های بارگذاری محلی مدل های زبانی (llm studio, vllm , ollama) | محمدعلی قرائت |
شنبه ۲۱ آذر ۱۴۰۵ |
|
| استقرار بهینه یک مدل زبانی در عمل و بنچمارکینگ و ارزیابی پس از استقرار مدل های زبانی | محمدعلی قرائت |
سهشنبه ۲۴ آذر ۱۴۰۵ |
|
| کارگاه مرور و حل تمرین | محمدعلی قرائت |
شنبه ۲۸ آذر ۱۴۰۵ |
|
| ۷ – کارگاه | بررسی نمونههای کاربردی در کسبوکار |
میرامید حاجی میرصادقی |
سهشنبه ۱ دی ۱۴۰۵ |
| ۸ – پروژه پایانی | معرفی پروژه پایانی | – | اعلام خواهد شد |
اطلاعات برگزاری
- شروع دوره: ۱۸ شهریور ۱۴۰۵
- زمان برگزاری: شنبهها و سهشنبهها ۱۸:۰۰ تا ۲۱:۲۰
- طول دوره: ۱۵ هفته، ۵۰ ساعت (آموزش)، ۳۰ ساعت (حل تمرین و کارگاه)
- مهلت تحویل پروژه پایانی: دی ۱۴۰۵
- تحویل گواهی پایانی: دی ۱۴۰۵
- شیوه برگزاری: آنلاین
پرسشهای متداول
بله، ویدئوی ضبطشده چند ساعت پس از اتمام هر جلسه در اختیار شرکتکنندگان قرار خواهد گرفت.
بله، قبل و بعد از هر جلسه، لینک درسنامه، تمرین، اسلاید، کد پایتون، ویدئوهای تکمیلی و منابع بیشتر در دسترس شرکتکنندگان قرار خواهد گرفت.
شرکتکنندگان هر هفته یک ساعت با پشتیبان آموزشی خود جلسه آنلاین خواهند داشت تا اگر بخشی از درسها برایشان مبهم است یا اگر در بعضی از تمرینها نیاز به راهنمایی دارند با پشتیبان آموزشی خود مطرح کنند.
در هفته 6 ساعت کلاس خواهد داشت و 1 ساعت جلسه پشتیبانی، علاوه بر این لازم است به طور متوسط 8 تا 12 ساعت در هفته برای بازبینی فیلم کلاس و اسلاید درسها، مطالعه منابع تکمیلی و حل تمرینها وقت بگذارید.
شرکتکنندگان باید پیش از ثبتنام، آشنایی و تجربه کار با زبان برنامهنویسی پایتون، مبانی یادگیری ماشین و کتابخانههای Numpy وscikit-learn داشته باشند، چرا که بخش عملی دوره بر پایه این مفاهیم پیش میرود.
بله میتوانید. در دورههای قبلی نیز شرکتکنندگان فعالی از رشتههای علوم انسانی و تجربی در دوره حضور داشتند.
امتیاز تمرینها و نمره پروژه تنها در گواهی پایانی نخواهد آمد و تنها در کارنامه عملکرد درج خواهد شد. کارنامه عملکرد شرکتکنندگان و رتبه ایشان در دوره، در صورت تمایل ایشان برای شرکتها و سازمانهای علاقهمند به استخدام ارسال خواهد شد.
تمامی شرکتکنندگان، مدرسین و پشتیبانان دوره عضو یک گروه مجازی خواهند بود و امکان برقراری ارتباط از آن طریق وجود خواهد داشت. در جلسات پشتیبانی و پروژه پایانی که به صورت گروهی انجام میشود نیز فرصت آشنایی با دیگران و تمرین کار تیمی وجود خواهد داشت. علاوه بر این موارد، در رویداد پایانی که به صورت حضوری برگزار میشود فرصت ایجاد ارتباط و آشنایی با افراد دارای علائق حرفهای مشابه را خواهید داشت.
حضور در این دوره اشتغال شرکتکنندگان را تضمین نخواهد کرد، اما در صورت تمایل رزومه شما همراه با کارنامه عملکردتان در دوره برای شرکتهایی که در حوزه علوم داده و هوش مصنوعی اعلام نیاز کنند، ارسال میشود. تعدادی از این شرکتها نیازهای خود را در وبینارهای دوره تشریح خواهند کرد. به عبارت دیگر شرکت فعال در دوره میتواند شانس اشتغال شما را در این حوزه افزایش دهد.
این دوره پیشتر با عنوان دوره آموزشی تحلیل داده با R با در سال 1402 برگزار شده است. در دوره جدید مباحث تحلیل عاملی، تحلیل بقا، استفاده از رویکرد شبکه در تحلیل داده به عنوان موضوعاتِ محوری در تحولات اخیر هوش مصنوعی به آن اضافه شده و به همین خاطر از عبارت «هوش مصنوعی» در عنوان دوره نیز استفاده شده است.
علاوه بر این، تعداد موضوعات آماری دوره مانند آزمونهای فرض، A/B Test و تحلیل رگرسیون افزایش یافته و دو کارگاه تحت عنوان کارگاه حل مسأله و کدنویسی با پرامپتنویسی برای هوش مصنوعی و کارگاه مدیریت نسخه و کار گروهی با git به آن اضافه شده است.
تغییر مهم دیگر وبینارهای شناسایی فرصتهای شغلی که اگرچه به صورت عمومی برگزار میشود اما شرکتکنندگان دوره این فرصت ویژه را خواهند داشت تا پس از آشنایی با ساختار مشاغل علوم داده و هوش مصنوعی در شرکتها و سازمانها با ارائه کارنامه عملکرد خود در دوره برای آنها اقدام کنند.
به تمامی کسانی که تا پایان دوره در جلسات شرکت میکنند، گواهی حضور و به کسانی اغلب تمرینها و پروژه پایانی خود را تحویل میدهند، گواهی موفقیت اهدا خواهد شد. گواهی به صورت کاغذی صادر میشود و علاوه بر پست نسخه فیزیکی، نسخه الکترونیک آن نیز در قالب pdf برای شرکتکنندگان ارسال خواهد شد. گواهی به صورت دوزبانه صادر خواهد شد و بررسی اصالت آن از درگاه زیر امکانپذیر است:
تصویر یک نمونه گواهی حضور و موفقیت در ادامه آمده است.
برگزارکننده
برای شرکت در دوره از طریق فرم درخواست پذیرش در لینک زیر اقدام کنید:
دسترسی به محتوای اختصاصی
برای دسترسی به محتوای اختصاصی رویداد لطفا کدی را که در اختیار شما قرار گرفته را وارد کنید و بقیه مراحل را طی کنید.
