📌 ماه اول: مفاهیم پایه و یادگیری ماشین

جلسه ۱: معرفی و آموزش کتابخانه‌های مهم هوش مصنوعی

✅ آشنایی با کتابخانه‌های مهم:
✅ NumPy، Pandas (برای کار با داده‌ها)
✅ Matplotlib، Seaborn (برای مصورسازی داده‌ها)
✅ Scikit-learn (برای الگوریتم‌های یادگیری ماشین)
✅ TensorFlow و PyTorch (مقدمه‌ای بر یادگیری عمیق)
✅ نصب و تنظیم محیط کاری
🎯 تمرین: پیاده‌سازی نمونه کد برای خواندن و تحلیل داده‌ها

جلسه ۲: پیش‌پردازش داده‌ها و آماده‌سازی اطلاعات

✅ روش‌های پاک‌سازی داده‌ها (حذف مقادیر نامعتبر و پرت)
✅ تبدیل داده‌های متنی به عددی (One-hot Encoding, Label Encoding)
✅ نرمال‌سازی و استانداردسازی داده‌ها (MinMax Scaling, Standard Scaling)
✅ بررسی روش‌های کاهش ابعاد (PCA, LDA)
🎯 تمرین: پیش‌پردازش مجموعه داده‌ای واقعی

جلسه ۳: یادگیری با نظارت و بدون نظارت (Supervised vs. Unsupervised Learning)

✅ تفاوت بین یادگیری نظارت‌شده و بدون نظارت
✅ معرفی انواع مسائل یادگیری ماشین (Classification, Regression, Clustering)
✅ انتخاب ویژگی‌های مناسب برای مدل‌سازی
🎯 تمرین: مقایسه عملکرد مدل‌های نظارت‌شده و بدون نظارت روی یک دیتاست واقعی

جلسه ۴: رگرسیون و طبقه‌بندی (Regression, Classification, KNN)

✅ پیاده‌سازی مدل‌های رگرسیونی (Linear Regression, Polynomial Regression)
✅ آشنایی با الگوریتم‌های طبقه‌بندی (Logistic Regression, K-Nearest Neighbors)
✅ ارزیابی مدل با معیارهایی مانند MSE، R²، Accuracy
🎯 تمرین: پیاده‌سازی مدل‌های رگرسیون و طبقه‌بندی در پایتون

📌 ماه دوم: الگوریتم‌های پیشرفته یادگیری ماشین

جلسه ۵: ماشین بردار پشتیبان (SVM – Support Vector Machine)

✅ معرفی الگوریتم SVM و کاربرد آن در مسائل طبقه‌بندی
✅ مفهوم کرنل و تأثیر آن در عملکرد SVM
✅ پیاده‌سازی SVM در پایتون با Scikit-learn
🎯 تمرین: مقایسه SVM با سایر مدل‌های طبقه‌بندی

جلسه ۶: خوشه‌بندی (Clustering) – K-Means و DBSCAN

✅ مفاهیم اولیه خوشه‌بندی و تفاوت آن با یادگیری نظارت‌شده
✅ الگوریتم K-Means و نحوه انتخاب تعداد خوشه‌ها (Elbow Method)
✅ الگوریتم DBSCAN و مزایای آن نسبت به K-Means
🎯 تمرین: پیاده‌سازی خوشه‌بندی روی مجموعه داده‌های واقعی

جلسه ۷: سیستم‌های پیشنهاددهنده (Recommender Systems)

✅ معرفی سیستم‌های پیشنهاددهنده و کاربردهای آن
✅ روش‌های مبتنی بر فیلترینگ اشتراکی (Collaborative Filtering)
✅ روش‌های مبتنی بر فیلترینگ محتوا (Content-Based Filtering)
🎯 تمرین: پیاده‌سازی یک سیستم پیشنهاددهنده ساده

جلسه ۸: مقدمه‌ای بر پردازش زبان طبیعی (NLP – Natural Language Processing)

✅ آشنایی با مفاهیم پایه NLP و پردازش متن
✅ پردازش متون با استفاده از NLTK و spaCy
✅ حذف کلمات بی‌اهمیت (Stop Words)، ریشه‌یابی (Stemming & Lemmatization)
🎯 تمرین: تحلیل و پردازش متون با روش‌های NLP

📌 ماه سوم: یادگیری عمیق و پروژه نهایی

جلسه ۹: مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق (NN & DL)

✅ معرفی شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANN)
✅ آشنایی با پرسپترون و لایه‌های مخفی
✅ آموزش مدل‌های شبکه عصبی با TensorFlow/Keras
🎯 تمرین: پیاده‌سازی یک شبکه عصبی ساده برای طبقه‌بندی داده‌ها

جلسه ۱۰: معماری‌های پیشرفته یادگیری عمیق

✅ بررسی معماری‌های معروف مانند CNN, RNN و کاربردهای آن‌ها
✅ پیاده‌سازی شبکه‌های کانولوشنی (CNN) برای پردازش تصویر
✅ آشنایی با شبکه‌های بازگشتی (RNN) برای پردازش سری‌های زمانی
🎯 تمرین: پیاده‌سازی یک مدل CNN برای تشخیص تصاویر

جلسه ۱۱: بهینه‌سازی مدل و بررسی خطاها

✅ بررسی مشکلات Overfitting و Underfitting
✅ استفاده از تکنیک‌های Regularization (Dropout, L2 Regularization)
✅ ارزیابی مدل با روش‌های Cross Validation
🎯 تمرین: بهینه‌سازی یک مدل یادگیری ماشین و بررسی عملکرد آن

جلسه ۱۲: پروژه پایانی – پیاده‌سازی یک مدل پیشرفته

✅ انتخاب یک پروژه کاربردی بر اساس موضوعات دوره
✅ تحلیل و آماده‌سازی داده‌ها
✅ پیاده‌سازی مدل و بهینه‌سازی آن
✅ ارائه و مستندسازی پروژه
🎯 پروژه‌های پیشنهادی:
🔹 سیستم پیشنهاددهنده فیلم یا کتاب
🔹 مدل طبقه‌بندی تصاویر با CNN
🔹 تحلیل متون و دسته‌بندی نظرات کاربران با NLP