Dr. Sharifan

دوره های تخصصی (ML): یادگیری ماشین – با اعطای مدرک از دانشگاه

برای ثبت نام دوره ها (ML-1  تا ML-13) و مشاوره آموزشی (ML-14) و پرداخت شهریه (ML-15) به شماره 09136908500 در واتساپ پیام دهید. 

مبلغ دوره به صورت خصوصی   مجموع 1 تا 3 نفر (ریال) ML-15	مبلغ دوره به صورت عمومی   تا 10 نفر+_2     (ریال) ML-15	مبلغ دوره به صورت سازمانی (ویژه) تا 10 نفر+_2   (ریال) ML-15	تعداد جلسه   تئوری و عملی	ساعت دوره   مجموعا     100	نام دوره فارسی	نام دوره انگلیسی	کد دوره
240.000.000	132.000.000	156.000.000	3	6	مقدمه‌ای بر یادگیری ماشین ML-1	Introduction to Machine Learning	ML-1
240.000.000	132.000.000	156.000.000	3	6	ابزارها و زبان‌های برنامه‌نویسی در یادگیری ماشین ML-2	Python Tools for Machine Learning	ML-2
240.000.000	132.000.000	156.000000	3	6	پیش‌پردازش داده‌ها ML-3	Data Preprocessing	ML-3
320.000.000	146.000.000	168.000.000	4	8	یادگیری نظارت‌شده – طبقه‌بندی ML-4	Supervised Learning – Classification	ML-4
320.000.000	146.000.000	168.000.000	4	8	یادگیری نظارت‌شده – رگرسیون ML-5	Supervised Learning – Regression	ML-5
320.000.000	146.000.000	168.000.000	4	8	یادگیری بدون نظارت ML-6	Unsupervised Learning	ML-6
320.000.000	146.000.000	168.000.000	4	8	یادگیری تجمعی ML-7	Ensemble Learning	ML-7
400.000.000	165.000.000	187.000.000	5	10	شبکه‌های عصبی و یادگیری عمیق – مقدماتی ML-8	Neural Networks and Deep Learning (Intro)	ML-8
400.000.000	165.000.000	187.000.000	5	10	بهینه‌سازی مدل ML-9	Model Optimization	ML-9
400.000.000	165.000.000	187.000.000	5	10	یادگیری تقویتی – مقدماتی ML-10	Reinforcement Learning (Intro)	ML-10
400.000.000	165.000.000	187.000.000	5	10	توسعه پروژه‌های واقعی یادگیری ماشین ML-11	Real-World ML Project Development	ML-11
400.000.000	165.000.000	187.000.000	5	10	مطالعات موردی ML-12	Case Studies	ML-12
195.000.000	195.000.000	195.000.000	-	-	پروژه پایانی (با شرایط خاص) ML-13	Final Project	ML-13

1. مقدمة فی تعلم الآلة

• تعریف وتاریخ تعلم الآلة

• تعلم الآلة مقابل الذکاء الاصطناعی مقابل استخراج البیانات

• تطبیقات تعلم الآلة فی الصناعة والبحث العلمی

• أنواع التعلم: التعلم الخاضع للإشراف، التعلم غیر الخاضع للإشراف، التعلم شبه الخاضع للإشراف، التعلم المعزز

• مسار عمل تعلم الآلة

_____________________________________________________________________________

2. أدوات بایثون لتعلم الآلة

• أساسیات بایثون لعلوم البیانات

• NumPy، Pandas، Matplotlib، Scikit-Learn

• تحمیل البیانات، المعالجة المسبقة، التصور

• العمل مع Jupyter Notebook

_____________________________________________________________________________

3. المعالجة المسبقة للبیانات

• تنظیف البیانات: معالجة القیم المفقودة، القیم الشاذة

• هندسة المیزات واختیار المیزات

• التطبیع والتوحید القیاسی

• تقسیم البیانات إلى مجموعتی تدریب واختبار، التحقق المتبادل

• معالجة البیانات غیر المتوازنة (SMOTE، أوزان الفئات)

_____________________________________________________________________________

4. التعلم الخاضع للإشراف - التصنیف

• خوارزمیة أقرب الجیران k

• أشجار القرار والغابات العشوائیة

• الانحدار اللوجستی

• خوارزمیة بایز البسیطة

• آلات المتجهات الداعمة (SVM)

• مقاییس الأداء: الدقة، الضبط، الاستدعاء، F1، ROC-AUC

_____________________________________________________________________________

5. التعلم الخاضع للإشراف - الانحدار

• الانحدار الخطی

• الانحدار متعدد الحدود

• انحدار ریدج، لاسو، الشبکة المرنة

• انحدار شجرة القرار

• مقاییس التقییم: متوسط ​​مربع الخطأ (MSE)، جذر متوسط ​​مربع الخطأ (RMSE)، متوسط ​​الخطأ المطلق (MAE)، معامل التحدید (R²)

_____________________________________________________________________________

6. التعلم غیر الخاضع للإشراف

• التجمیع: خوارزمیة K-Means، التجمیع الهرمی، DBSCAN

• تقلیل الأبعاد: تحلیل المکونات الرئیسیة (PCA)، t-SNE، UMAP

• استخراج قواعد الارتباط (Apriori، FP-growth)

• تطبیقات فی کشف الشذوذ وسلوک العملاء التجزئة

_____________________________________________________________________________

7. التعلم الجماعی

• التجمیع، التعزیز، التکدیس

• الغابة العشوائیة

• AdaBoost، تعزیز التدرج، XGBoost

• المزایا وحالات الاستخدام الواقعیة

_____________________________________________________________________________

8. الشبکات العصبیة والتعلم العمیق (مقدمة)

• البیرسیبترون والبیرسیبترون متعدد الطبقات (MLP)

• دوال التنشیط

• الانتشار العکسی

• مقدمة إلى TensorFlow / PyTorch

• مقارنة بین التعلم الآلی التقلیدی والتعلم العمیق

_____________________________________________________________________________

9. تحسین النموذج

• ضبط المعلمات الفائقة (البحث الشبکی، البحث العشوائی، التحسین البایزی)

• أهمیة المیزات

• التنظیم

• تجنب التجاوز/النقص فی التخصیص

• استراتیجیات التحقق المتبادل

_____________________________________________________________________________

10. التعلم المعزز (مقدمة)

• تفاعل العامل مع البیئة

• أنظمة المکافآت وعملیات اتخاذ القرار مارکوف (MDP)

• التعلم المعزز (الأساسیات)

• تطبیقات فی الروبوتات، والألعاب، والتحسین

_____________________________________________________________________________

11. تطویر مشروع تعلم آلی واقعی

• تحدید المشکلة

• جمع البیانات وتصنیفها

• اختیار النموذج وتقییمه

• النشر: واجهة برمجة التطبیقات، والحوسبة السحابیة، والحوسبة الطرفیة

• الاعتبارات الأخلاقیة فی التعلم الآلی (التحیز، والخصوصیة، والإنصاف)

_____________________________________________________________________________

12. دراسات حالة

• التعلم الآلی فی الرعایة الصحیة

• التعلم الآلی فی التمویل

• التعلم الآلی فی الطیران (یمکنک تقدیم نموذج BIM-LSTM هنا)

• التعلم الآلی فی وسائل التواصل الاجتماعی والتسویق

_____________________________________________________________________________

13. المشروع النهائی (اختیاری)

یقوم الطلاب بتصمیم وتنفیذ نموذج تعلم آلی کامل

• اختیار مجموعة البیانات

• المعالجة المسبقة

• التدریب والتقییم

• العرض التقدیمی

۱. مقدمه‌ای بر یادگیری ماشین

• تعریف و تاریخچه یادگیری ماشین
• تفاوت یادگیری ماشین با هوش مصنوعی و داده‌کاوی
• انواع یادگیری: نظارت‌شده، بدون نظارت، نیمه‌نظارتی، یادگیری تقویتی
• کاربردهای یادگیری ماشین در صنایع مختلف
• مراحل طراحی و توسعه یک مدل یادگیری ماشین

۲. ابزارها و زبان‌های برنامه‌نویسی در یادگیری ماشین

• مروری بر پایتون برای علوم داده
• معرفی کتابخانه‌ها: NumPy، Pandas، Matplotlib، Scikit-learn
• بارگذاری داده، پیش‌پردازش و مصورسازی
• کار با Jupyter Notebook

۳. پیش‌پردازش داده‌ها (Data Preprocessing)

• پاکسازی داده‌ها: داده‌های گمشده، نویزی، پرت
• مهندسی ویژگی‌ها و انتخاب ویژگی
• نرمال‌سازی و استانداردسازی داده‌ها
• تقسیم داده به آموزش/آزمون، Cross-Validation
• مدیریت داده‌های نامتوازن SMOTE

۴. یادگیری نظارت‌شده – طبقه‌بندی (Classification)

• KNN
• درخت تصمیم و جنگل تصادفی (Random Forest)
• رگرسیون لجستیک
• ناایو بیز (Naive Bayes)
• ماشین بردار پشتیبان (SVM)
• معیارهای ارزیابی: Accuracy، Precision، Recall، F1، ROC-AUC

۵. یادگیری نظارت‌شده – رگرسیون (Regression)

• رگرسیون خطی
• رگرسیون چندجمله‌ای (Polynomial)
• رگرسیون Ridge, Lasso, Elastic Net
• رگرسیون درخت تصمیم
• معیارهای ارزیابی: MSE، RMSE، MAE، R²

۶. یادگیری بدون نظارت (Unsupervised Learning)

• الگوریتم‌های خوشه‌بندی: K-means، خوشه‌بندی سلسله‌مراتبی، DBSCAN
• کاهش ابعاد: PCA، t-SNE، UMAP
• قوانین انجمنی (Association Rules): Apriori، FP-growth
• کاربردها در تشخیص ناهنجاری و بخش‌بندی مشتریان

۷. یادگیری تجمعی (Ensemble Learning)

• Bagging، Boosting، Stacking
• Random Forest
• AdaBoost، Gradient Boosting، XGBoost
• مزایا و کاربردهای صنعتی

۸. شبکه‌های عصبی و یادگیری عمیق – مقدماتی

• معرفی پرسپترون و MLP
• توابع فعال‌سازی
• الگوریتم پس‌انتشار خطا (Backpropagation)
• معرفی اولیه TensorFlow و PyTorch
• مقایسه ML سنتی و یادگیری عمیق

۹. بهینه‌سازی مدل (Model Optimization)

• تنظیم ابرپارامترها (Grid Search، Random Search، Bayesian Optimization)
• اهمیت ویژگی‌ها
• Regularization
• مدیریت overfitting و underfitting
• انواع Cross-Validation

۱۰. یادگیری تقویتی – مقدماتی (Reinforcement Learning)

• تعامل عامل و محیط
• فرایند تصمیم‌گیری مارکوف (MDP)
• Q-Learning مقدماتی
• کاربردها در رباتیک، بازی‌ها، بهینه‌سازی صنعتی

۱۱. توسعه پروژه‌های واقعی یادگیری ماشین

• تعریف مسئله
• گردآوری و برچسب‌گذاری داده
• انتخاب مدل و ارزیابی
• استقرار مدل در API، وب‌سرویس، یا Cloud
• ملاحظات اخلاقی Bias، حریم خصوصی، امنیت داده

۱۲. مطالعات موردی (Case Studies)

• کاربرد ML در سلامت
• کاربرد ML در مالی
• کاربرد ML در هوانوردی
• در این بخش مدل BIM-LSTM به عنوان یک نمونه تحقیقاتی معرفی می شود
• کاربرد ML در رسانه‌های اجتماعی و بازاریابی

۱۳. پروژه پایانی

کاربر یک پروژه کامل انجام می‌دهد:

• انتخاب دیتاست
• پیش‌پردازش
• آموزش و ارزیابی
• ارائه و تحلیل

1. Introduction to Machine Learning

• Definition and history of Machine Learning
• Machine Learning vs. AI vs. Data Mining
• Applications of ML in industry and research
• Types of learning: supervised, unsupervised, semi-supervised, reinforcement learning
• ML pipeline and workflow

2. Python Tools for Machine Learning

• Python basics for data science
• NumPy, Pandas, Matplotlib, Scikit-Learn
• Data loading, preprocessing, visualization
• Working with Jupyter Notebook

3. Data Preprocessing

• Data cleaning: handling missing values, outliers
• Feature engineering and feature selection
• Normalization and standardization
• Train-test split, cross-validation
• Imbalanced data handling (SMOTE, class weights)

4. Supervised Learning – Classification

• k-Nearest Neighbors
• Decision Trees and Random Forests
• Logistic Regression
• Naïve Bayes
• Support Vector Machines (SVM)
• Performance metrics: accuracy, precision, recall, F1, ROC-AUC

5. Supervised Learning – Regression

• Linear Regression
• Polynomial Regression
• Ridge, Lasso, Elastic Net
• Decision Tree Regression
• Evaluation metrics: MSE, RMSE, MAE, R²

6. Unsupervised Learning

• Clustering: K-Means, Hierarchical clustering, DBSCAN
• Dimensionality reduction: PCA, t-SNE, UMAP
• Association rule mining (Apriori, FP-growth)
• Applications in anomaly detection and customer segmentation

7. Ensemble Learning

• Bagging, Boosting, Stacking
• Random Forest
• AdaBoost, Gradient Boosting, XGBoost
• Advantages and real-world use cases

8. Neural Networks and Deep Learning (Intro)

• Perceptron and Multilayer Perceptron (MLP)
• Activation functions
• Backpropagation
• Introduction to TensorFlow / PyTorch
• Comparison of traditional ML vs. deep learning

9. Model Optimization

• Hyperparameter tuning (Grid Search, Random Search, Bayesian Optimization)
• Feature importance
• Regularization
• Avoiding overfitting/underfitting
• Cross-validation strategies

10. Reinforcement Learning (Intro)

• Agent–Environment interaction
• Reward systems and Markov Decision Processes (MDP)
• Q-learning (basics)
• Applications in robotics, games, optimization

11. Real-World ML Project Development

• Defining the problem
• Data collection and labeling
• Model selection and evaluation
• Deployment: API, cloud, edge computing
• Ethical considerations in ML (bias, privacy, fairness)

12. Case Studies

• ML in healthcare
• ML in finance
• ML in aviation (you may introduce BIM-LSTM here)
• ML in social media and marketing

13. Final Project (Optional)

Students design and implement a complete ML model

• Dataset selection
• Preprocessing
• Training, evaluation
• Presentation