آموزش مبانی یادگیری ماشین (Machine Learning Fundamentals) در کرج

🧾 معرفی دوره (Course Overview)

یادگیری ماشین (Machine Learning) یکی از مهم‌ترین و کاربردی‌ترین شاخه‌های هوش مصنوعی است که به سیستم‌ها امکان می‌دهد بدون برنامه‌نویسی صریح، از داده‌ها یاد بگیرند و تصمیم‌گیری کنند.

در این دوره، فراگیران با مفاهیم پایه یادگیری ماشین، انواع مدل‌ها و نحوه استفاده عملی از آن‌ها در مسائل واقعی آشنا می‌شوند. تمرکز دوره بر درک مفهومی + پیاده‌سازی عملی با پایتون است.

🎯 هدف دوره (Course Objectives)

• درک اصول و منطق یادگیری ماشین
• آشنایی با انواع الگوریتم‌های ML
• توانایی پیاده‌سازی مدل‌های ساده تا متوسط
• آماده‌سازی برای ورود به دوره‌های Deep Learning و تخصصی

⭐ مزایای دوره (Course Benefits)

• آموزش الگوریتم‌های پرکاربرد بازار
• ترکیب مفاهیم تئوری و تمرین عملی
• استفاده از مثال‌های واقعی و دیتاست‌های کاربردی
• پایه‌سازی حرفه‌ای برای متخصص شدن در AI
• مناسب برای مهاجرت شغلی به حوزه هوش مصنوعی

💼 بازار کار (Career & Job Market)

پس از این دوره، فراگیر آمادگی ورود به موقعیت‌های زیر را خواهد داشت:

• Junior Machine Learning Engineer
• Data Analyst
• AI Assistant
• Junior Data Scientist

حوزه‌های استخدام:

• شرکت‌های فناوری و استارتاپ‌ها
• تحلیل داده در کسب‌وکارها
• بازاریابی داده‌محور
• فین‌تک، سلامت دیجیتال، آموزش هوشمند

پیش‌نیاز دوره (Prerequisites)

• آشنایی با مبانی هوش مصنوعی
• تسلط پایه بر Python
• آشنایی اولیه با NumPy و Pandas

(معادل گذراندن دوره‌های «آشنایی با هوش مصنوعی» و «Python for AI»)

📚 سرفصل‌های ریز دوره (Curriculum)

1. مقدمه‌ای بر یادگیری ماشین

Introduction to Machine Learning

• یادگیری ماشین چیست؟
• تفاوت ML با AI و Data Science
• کاربردهای واقعی ML

2. فرآیند حل مسئله در ML

Machine Learning Workflow

• جمع‌آوری داده
• تقسیم داده (Train / Test)
• آموزش مدل
• ارزیابی و بهبود مدل

3. پیش‌پردازش داده‌ها

Data Preprocessing

• پاک‌سازی داده‌ها
• مدیریت داده‌های گمشده
• نرمال‌سازی و مقیاس‌بندی
• Encoding داده‌های متنی

4. یادگیری ماشین نظارت‌شده

Supervised Learning

• Linear Regression
• Logistic Regression
• KNN
• Decision Tree

5. یادگیری ماشین بدون نظارت

Unsupervised Learning

• K-Means Clustering
• Hierarchical Clustering
• PCA (کاهش ابعاد داده)

6. ارزیابی مدل‌ها

Model Evaluation

• Accuracy
• Precision & Recall
• Confusion Matrix
• Cross Validation

7. بهبود و تنظیم مدل‌ها

Model Optimization

• Overfitting & Underfitting
• Hyperparameter Tuning
• Bias & Variance

8. پیاده‌سازی عملی با Scikit-learn

Practical ML with Scikit-learn

• ساخت مدل
• آموزش و تست
• تحلیل خروجی مدل

9. پروژه عملی

Practical Project

• حل یک مسئله واقعی یادگیری ماشین
• تحلیل داده
• آموزش و ارائه مدل نهایی

🎓 خروجی نهایی دوره (Learning Outcome)

پس از پایان دوره، فراگیر:

• توانایی ساخت مدل‌های ML را دارد
• می‌تواند مسئله واقعی را تحلیل و مدل‌سازی کند
• آماده ورود به دوره‌های پیشرفته‌تر مانند Deep Learning خواهد بود