سرفصل:

  • معرفی هوش مصنوعی و مفاهیم پایه
  • پایتون برای هوش مصنوعی 
  • ریاضیات برای هوش مصنوعی
  • یادگیری ماشین مقدماتی(رگرسیون)
  • طبقه بندی(Classification)
  • پیش پردازش داده(Data Preprocessing)
  • یادگیری نظارت شده و مفاهیم اساسی
  • ارزیابی و بهبود مدل ها
  • آشنایی با یادگیری عمیق(Deep Learning)
  • الگوریتم های Ensemble Learning
  • ماشین بردار پشتیبان(SVM)
  • پردازش تصویر با OpenCV
  • شبکه های عصبی کانولوشنی(CNN)
  • بهینه سازی مدل های Deep Learning
  • پروژهای سطح متوسط
  • طراحی UXبرای محصولات پیچیده(Enterprise UX)
  • تحلیل داده و بهبود(Data-Driven Design)
  • طراحی برای تجارت الکترونیک(E-Commerce UX)
  • کار با تیم توسعه(همکاری با توسعه دهندگان)
  • مدیریت پروژه های UX/UI
  •  پروژه نهایی

کسب توانایی:

  • ساخت انواع ماتریس و ابرماتریس های داده ای 
  • اکتشاف داده و ارائه ی تحلیل های گوناگون بر روی ماتریس ها
  • مصور سازی داده ها از منظرهای مختلف با ابعاد گوناگون
  • آشنایی با توزیع های مختلف داده ای و کاربرد انان در تحلیل داده ها
  • انجام آزمون های گوناگون جهت استنتاج دلایل وقوع پدیده ها
  • آمده سازی داده برای آموزش توسط مدل های هوشمند شامل انواعبخش بندی، اصلاح فرمت، تشخیص داده های اشتباه و اصلاح آنها
  • استخراج ویژگی های پهنان در داده و آماده سازی آنها جهت انجام الگ.ریتم هوشمند
  • کشف الگو های قرار گرفته در داده و ارتباط بین آنها

بازار کار:

  • توسعه دهنده ی یادگیری ماشین
  • دستیار پژوهشی هوش مصنوعی
  • دستیار مهندش یادگیری ماشین
  • تکنسین پردازش تصویر
  • تحلیل گر داده
  • شرکت های فعال در حوزه ی پردازش تصویر و بینایی ماشین 
  • شرکت های نظارتی و امنیتی (مانند ساخت سیستم های نظارت تصویر هوشمند)
  • خودروسازی (سیستم های خودرن )
  • صنعت پزشکی (پردازش تصاویر رادیولوژی، پاتولوژی و…)
  • کشاورزی هوشمند(تشخیص افات و بیماری های گیاهی و…)
  • پروژه هایی که داده های برچسب دار کمی دارند(مثل تحلیل تصاویر ماهواره ای و…)
  • استارتاپ های هوش مصنوعی و فناوری
  • مراکز تحقیقاتی و دانشگاهی
  • شرکت های توسعه دهنده ی مدل های سفارشیAI
  • فریلنسینگ و پروژه های مستقل

نظرات

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *