سرفصل :‌

• مروری بر آنالیز داده	مروری بر جبر خطی مروری بر آنالیز داده بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد
  بررسی روشهای گوناگون آماده سازی مجموعه دادگان	معرفی چالش های موجود در آماده سازی مجموعه دادگان معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند
  بررسی رویکردهای گوناگون دسته بندی داده ها	بررسی رویکردهای مختلف دسته بندی اطلاعات Binary class classification Multi class classification Multi label classification Multi class Multi label classification بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی
  بررسی رویکرد نزدیکترین همسایه	معرفی رویکرد KNNImputer و استفاده از آن برای پیش پردازش داده ها معرفی رویکرد KNN در دسته بندی اطلاعات بیان مزایا و معایب آن
  بررسی رویکردهای گوناگون رگرسیون خطی	پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن بیان مفهوم گرادیان و تابع خطا معرفی انواع توابع خطا مرسوم در رگرسیون خطی بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند بررسی Polynomial Regression بررسی مفهوم underfitting و overfitting بررسی مفهوم Early Stopping و پیاده سازی آن بررسی انواع مختلف Regularization بررسی و پیاده سازی Logistic Regression بیان مفهوم Softmax
  بررسی رویکرد Support Vector Machine	معرفی SVM و عملکرد آن در دسته بندی اطلاعات معرفی SVR و عملکرد آن در رگرسیون خطی بیان مزایا و معایب آن
  بررسی رویکرد درخت تصمیم	معرفی رویکرد Decision Tree در دسته بندی اطلاعات بیان نحوه ی کارکرد آن و پیمایش درخت تصمیم بیان مفاهیم آنتروپی، cut off point , ضریب جینی معرفی رویکرد Decision Tree در رگرسیون خطی بیان مزایا و معایب این رویکرد
  بررسی رویکردهای گوناگون خوشه بندی اطلاعات	معرفی رویکردهای مبتنی بر یادگیری بدون ناظر معرفی رویکرد KMeans نحوه عملکرد آن نحوه ی ارزیابی آن چالش های این رویکرد و نحوه ی حل آنان معرفی نسخه های ارتقا یافته آن معرفی رویکرد DBSCAN نحوه عملکرد آن نحوه ارزیابی آن
  بررسی رویکردهای مختلف کاهش بعد	بررسی لزوم کاهش بعد در آموزش یک مدل بررسی کاهش بعد با دیدگاه Projection بررسی رویکرد PCA بررسی کاهش بعد با دیدگاه Manifold بررسی رویکرد LLE
  بررسی رویکردهای ترکیبی Ensemble Methods	بررسی رویکرد Random Forest بررسی رویکرد Adaptive Boost بررسی مزایا و معایب آن
  بررسی ساختارهای گوناگون شبکه های عصبی – مقدماتی	معرفی Tensorflow بیان نحوه ی کارکرد Tensorflow انواع مختلف متغیر در Tensorflow مفهوم Session و عملکرد آن در Tensorflow مدیریت گراف ها پیاده سازی یک مثال برای دسته بندی اطلاعات پیاده سازی یک مثال برای رگرسیون خطی ذخیره و بازیابی مجدد مدل نمایش گراف و روال آموزش با Tensorboard بررسی کارکرد شبکه های عصبی بیان ساختار نورون و عملکرد آن در مغز بیان انواع توابع آتش در نورون ها و بررسی آن بررسی روال Back Propagation پیاده سازی ساختار های مختلف یک شبکه عصبی جهت دسته بندی اطلاعات توسط numpy پیاده سازی ساختار های مختلف یک شبکه عصبی جهت رگرسیون خطی توسط numpy
  بررسی ساختارهای گوناگون شبکه های عصبی – پیشرفته	معرفی KERAS ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS نمایش گرافیکی یک مدل طراحی شده در KERAS ذخیره و بازیابی یک مدل در KERAS نحوه ی ارزیابی عملکرد یک مدل در KERAS