پیش‌نیازها و مبانی برنامه‌نویسی

• آموزش مقدماتی پایتون، ساختارهای داده، توابع و کنترل جریان
• مفاهیم شی‌گرایی، ماژول‌ها و بسته‌ها در پایتون
   

مبانی آمار و هوش مصنوعی

• آمار توصیفی، احتمالات، توزیع‌ها و آمار استنباطی
• آشنایی با مفاهیم هوش مصنوعی، یادگیری ماشین و کاربردهای صنعتی آن
   
• مدیریت و پردازش داده‌ها
• اتصال به پایگاه داده‌های SQL و NoSQL
• پردازش داده‌ها با Pandas و SQL
• ساخت پروژه عملی پایگاه‌داده‌محور
   

رگرسیون و مدل‌سازی آماری

• رگرسیون خطی، چندجمله‌ای و بیزین
• مدل‌سازی با Regularization (L1، L2، ElasticNet)
• اعتبارسنجی مدل و تحلیل آماری نتایج
   

یادگیری ماشین نظارتی (Supervised)

• طبقه‌بندی با الگوریتم‌های Logistic، KNN، Decision Tree و Naïve Bayes
• یادگیری جمعی: Random Forest، XGBoost، LightGBM، CatBoost
• تنظیم‌های پیشرفته: Cross Validation، Hyperparameter Tuning
   

 یادگیری ماشین بدون نظارت (Unsupervised)

• الگوریتم‌های خوشه‌بندی: K-Means، DBSCAN، GMM، Hierarchical
• تحلیل کیفیت خوشه‌ها، کاهش ابعاد، ترکیب با یادگیری نظارتی
• کاربردهای عملی در بازار، تصویر، و رفتار کاربر
   

انتشار و استقرار مدل‌ها (Model Deployment)

• آماده‌سازی مدل برای استقرار و طراحی API
• بهینه‌سازی، مانیتورینگ، مقیاس‌پذیری و امنیت
• استقرار محلی، ابری و در لبه (Edge)
• اتصال به اپلیکیشن‌ها، داشبوردها و سیستم‌های سازمانی