سرفصل‌های بوت‌کمپ هوش مصنوعی

1. Python – ابزار حرفه‌ای داده‌کاوان و متخصصان هوش مصنوعی

• آموزش مفاهیم پایه و پیشرفته‌ی زبان Python
• آشنایی با ساختارهای داده‌ای، توابع، ماژول‌ها و برنامه‌نویسی شیءگرا
• کار با کتابخانه‌های کلیدی مانند NumPy و Pandas برای تحلیل داده‌ها
• اصول تمیزنویسی کد، دیباگ و مستندسازی پروژه‌ها
  هدف: تسلط کامل بر زبان اصلی مورد استفاده در پروژه‌های هوش مصنوعی

2. مدیریت پایگاه داده – ستون فقرات داده

• مفاهیم پایگاه‌داده‌های رابطه‌ای (SQL) و غیررابطه‌ای (NoSQL)
• طراحی، کوئری‌نویسی و بهینه‌سازی پایگاه‌داده‌ها
• اتصال و کار با پایگاه‌داده‌ها در Python
• آماده‌سازی، پاک‌سازی و مدیریت داده‌های حجیم برای مدل‌های یادگیری ماشین
  هدف: توانایی مدیریت، ذخیره‌سازی و آماده‌سازی کارآمد داده‌ها

3. یادگیری ماشین (Machine Learning)

• مفاهیم پایه‌ای یادگیری ماشین و فرآیند توسعه مدل
• الگوریتم‌های یادگیری نظارت‌شده: رگرسیون، طبقه‌بندی
• الگوریتم‌های یادگیری بدون نظارت: خوشه‌بندی و کاهش بُعد
• ارزیابی عملکرد مدل‌ها (Accuracy, Precision, Recall, F1-score و ...)
• بهینه‌سازی مدل‌ها (Hyperparameter Tuning, Cross Validation)
  هدف: درک عمیق از الگوریتم‌ها و مهارت در طراحی، آموزش و ارزیابی مدل‌های یادگیری ماشین

4. یادگیری عمیق (Deep Learning)

• مبانی شبکه‌های عصبی مصنوعی (ANN)
• معرفی و پیاده‌سازی شبکه‌های کانولوشنی (CNN) و بازگشتی (RNN)
• کاربردهای یادگیری عمیق در بینایی ماشین (Computer Vision) و پردازش زبان طبیعی (NLP)
• مفاهیم بهینه‌سازی، معماری‌های مدرن (مانند ResNet، LSTM، Transformer) و انتقال یادگیری (Transfer Learning)
  هدف: توانایی طراحی و پیاده‌سازی مدل‌های یادگیری عمیق در مسائل واقعی