پیشنیاز پیشنیاز خاصی لازم نیست؛ آشنایی پایه با کار با رایانه کافی است.
هدفهای یادگیری مفهوم «صورتبندی مسئله، ریاضیات و تفکیک داده» و ارتباط آن با Python برای هوش مصنوعی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Supervised vs unsupervised learning موضوع فنی: Linear algebra, probability and optimisation basics موضوع فنی: Train/validation/test separation موضوع فنی: Leakage, bias and baseline metrics موضوع فنی: Python for AI specialization: Track-specific focus: Python for AI. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز Python NumPy pandas scikit-learn
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «صورتبندی مسئله، ریاضیات و تفکیک داده» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «Python برای هوش مصنوعی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Supervised vs unsupervised learning، موضوع فنی: Linear algebra, probability and optimisation basics، موضوع فنی: Train/validation/test separation؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «صورتبندی مسئله، ریاضیات و تفکیک داده» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: مهندسی ویژگی و مدلهای کلاسیک
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «مهندسی ویژگی و مدلهای کلاسیک» و ارتباط آن با Python برای هوش مصنوعی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Missing data and categorical encoding موضوع فنی: Scaling and feature transformations موضوع فنی: Linear models, trees and ensembles موضوع فنی: Pipelines and cross-validation موضوع فنی: Python for AI specialization: Track-specific focus: Python for AI. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز scikit-learn pandas Jupyter
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «مهندسی ویژگی و مدلهای کلاسیک» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «Python برای هوش مصنوعی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Missing data and categorical encoding، موضوع فنی: Scaling and feature transformations، موضوع فنی: Linear models, trees and ensembles؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «مهندسی ویژگی و مدلهای کلاسیک» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: ارزیابی، تحلیل خطا و تبیینپذیری
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «ارزیابی، تحلیل خطا و تبیینپذیری» و ارتباط آن با Python برای هوش مصنوعی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Precision/recall, ROC/PR and calibration موضوع فنی: Cross-validation and confidence intervals موضوع فنی: Confusion analysis and slices موضوع فنی: Feature importance and explainability limits موضوع فنی: Python for AI specialization: Track-specific focus: Python for AI. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز scikit-learn metrics Matplotlib SHAP where appropriate
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «ارزیابی، تحلیل خطا و تبیینپذیری» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «Python برای هوش مصنوعی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Precision/recall, ROC/PR and calibration، موضوع فنی: Cross-validation and confidence intervals، موضوع فنی: Confusion analysis and slices؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «ارزیابی، تحلیل خطا و تبیینپذیری» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: تنظیم مدل و مدیریت آزمایش
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «تنظیم مدل و مدیریت آزمایش» و ارتباط آن با Python برای هوش مصنوعی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Hyperparameter search موضوع فنی: Regularisation and model selection موضوع فنی: Random seeds and data versioning موضوع فنی: Experiment tracking موضوع فنی: Python for AI specialization: Track-specific focus: Python for AI. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز Optuna or scikit-learn search MLflow Git
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «تنظیم مدل و مدیریت آزمایش» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «Python برای هوش مصنوعی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Hyperparameter search، موضوع فنی: Regularisation and model selection، موضوع فنی: Random seeds and data versioning؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «تنظیم مدل و مدیریت آزمایش» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: طراحی پیشرفته مدل و استحکام
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «طراحی پیشرفته مدل و استحکام» و ارتباط آن با Python برای هوش مصنوعی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Class imbalance and cost-sensitive learning موضوع فنی: Feature drift and concept drift موضوع فنی: Robustness and uncertainty موضوع فنی: Fairness and privacy considerations موضوع فنی: Python for AI specialization: Track-specific focus: Python for AI. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز scikit-learn Evidently or equivalent Dataset profiling
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «طراحی پیشرفته مدل و استحکام» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «Python برای هوش مصنوعی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Class imbalance and cost-sensitive learning، موضوع فنی: Feature drift and concept drift، موضوع فنی: Robustness and uncertainty؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «طراحی پیشرفته مدل و استحکام» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: ارائه مدل، استنتاج و بازتولیدپذیری
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «ارائه مدل، استنتاج و بازتولیدپذیری» و ارتباط آن با Python برای هوش مصنوعی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Model serialization and versioning موضوع فنی: Batch vs online inference موضوع فنی: Input validation and preprocessing parity موضوع فنی: Latency and throughput measurement موضوع فنی: Python for AI specialization: Track-specific focus: Python for AI. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز FastAPI or batch runner MLflow model registry Docker
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «ارائه مدل، استنتاج و بازتولیدپذیری» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «Python برای هوش مصنوعی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Model serialization and versioning، موضوع فنی: Batch vs online inference، موضوع فنی: Input validation and preprocessing parity؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «ارائه مدل، استنتاج و بازتولیدپذیری» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: پایش، حاکمیت و بازآموزی
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «پایش، حاکمیت و بازآموزی» و ارتباط آن با Python برای هوش مصنوعی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Prediction and data monitoring موضوع فنی: Drift alerts and retraining criteria موضوع فنی: Model cards and data lineage موضوع فنی: Rollback and human review موضوع فنی: Python for AI specialization: Track-specific focus: Python for AI. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز Monitoring dashboard Model registry CI pipeline
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «پایش، حاکمیت و بازآموزی» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «Python برای هوش مصنوعی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Prediction and data monitoring، موضوع فنی: Drift alerts and retraining criteria، موضوع فنی: Model cards and data lineage؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «پایش، حاکمیت و بازآموزی» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: پروژه نهایی سامانه کامل یادگیری ماشین
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «پروژه نهایی سامانه کامل یادگیری ماشین» و ارتباط آن با Python برای هوش مصنوعی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Business objective and success metric موضوع فنی: Data lineage and evaluation موضوع فنی: Serving and monitoring design موضوع فنی: Portfolio communication موضوع فنی: Python for AI specialization: Track-specific focus: Python for AI. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز Python ML stack MLflow API or batch deployment
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «پروژه نهایی سامانه کامل یادگیری ماشین» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «Python برای هوش مصنوعی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Business objective and success metric، موضوع فنی: Data lineage and evaluation، موضوع فنی: Serving and monitoring design؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «پروژه نهایی سامانه کامل یادگیری ماشین» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
پایان نقشه: پروژه نهایی را تکمیل کن و نمونهکارت را بساز.
✓ این مرحله را تکمیل کردم