بوتکمپ هوش مصنوعی بامداد

• جبر خطی: بردارها، ماتریس ها، ضرب داخلی، ضرب ماتریسی، مقادیر و بردارهای ویژه (Vectors/Eigenvalues)
  به صورت شهودی.

• احتمال و آمار: توزیع ها، قضیه بیز، امید ریاضی و واریانس، مبانی آزمون فرضیه.

• حسابان برای یادگیری ماشین: مشتق، مشتقات جزئی، قاعده زنجیره ای (Rule Chain)، گرادیان ها
  — همان چیزی که پس انتشار خطا (Backpropagation) بر پایه آن است.

• مبانی بهینه سازی: گرادیان کاهشی (Descent Gradient)، نرخ یادگیری (Rate Learning)، شهود
  تحدب (Convexity).
  نقطه بازرسی :(Checkpoint) پیاده سازی رگرسیون خطی و گرادیان کاهشی از صفر، تنها با
  NumPy) بدون استفاده از learn-scikit).

• الگوریتم های اصلی: رگرسیون خطی/لجستیک، درخت تصمیم، جنگل تصادفی، گرادیان بوستینگ .k-means ،SVM ،k-NN ،(XGBoost / LightGBM)
• گردش کار یادگیری ماشین: تقسیم Test / Val / Train، اعتبارسنجی متقابل (validation-Cross)، بیش برازش/کم برازش (Underfitting / Overfitting).
• مهندسی ویژگی (Engineering Feature): کدگذاری متغیرهای دسته ای، مقیاس بندی، مدیریت داده های گمشده.
• معیارهای ارزیابی: .RMSE / MAE ،ROC-AUC ،Precision / Recall / F1 ،Accuracy
• ابزارها: .matplotlib / seaborn ،pandas ،scikit-learn :

• تحلیل اکتشافی داده (EDA): شناسایی الگوها، پرت ها (Outliers )و روابط بین متغیرها.
• تمیزسازی داده: مدیریت داده های گمشده، تکراری و ناسازگار در مقیاس بزرگ.
• تجسم داده: matplotlib، seaborn، Plotly برای نمودارهای تعاملی.
• داستان گویی با داده (Storytelling Data): تبدیل یافته ها به بینش های قابل ارائه برای ذی نفعان غیرفنی.
• ابزارهای BI (اختیاری): آشنایی مقدماتی با BI Power یا Tableau.

• مبانی شبکه های عصبی: پیشرو (Pass Forward) و پس انتشار (Pass Backward)، توابع فعال سازی، توابع خطا.
• تسلط بر فریمورک: PyTorch — به عنوان فریمورک اصلی صنعت.
• معماری ها:
  – CNN — طبقه بندی تصویر، یادگیری انتقالی (Learning Transfer)
  – LSTM / RNN — مبانی توالی
  – ترنسفورمرها (Transformers) مهم ترین بخش این فاز

• معماری ترنسفورمر: .Positional Encoding ،Embeddings ،سازی توکن ،Self-Attention
• کار با LLMها:

– مهندسی پرامپت — shot-Few، Thought-of-Chain، خروجی های ساختاریافته
– فاین تیون در برابر پرامپت نویسی در برابر RAG
– مبانی فاین تیون کارآمد (QLoRA / LoRA)

• تولید تقویت شده با بازیابی (RAG): پایگاه داده های برداری (Pinecone / Chroma / FAISS)،
  استراتژی های تکه بندی (Chunking).
• سیستم های عامل محور (Systems Agentic): فراخوانی ابزار/تابع، عامل های چندمرحله ای

• سرویس دهی مدل: FastAPI برای بسته بندی مدل ها به صورت API.
• کانتینرسازی: مبانی .Build, Run, Compose — Docker
• مبانی ابری: یکی از ارائه دهندگان اصلی (Azure / GCP / AWS).
• ردیابی آزمایش و نسخه بندی: MLflow یا B&W، نسخه بندی داده (DVC).
• پایش: Drift Data، افت عملکرد مدل.

• نمونه کار : ۳ تا ۴ پروژه قوی در گیت هاب با README حرفه ای.
• ساختمان داده و الگوریتم: تمرین مبانی برای مصاحبه های فنی.
• طراحی سیستم یادگیری ماشین (Design System ML): تمرین پاسخ به سوالات معماری کلان.
• قاب بندی رزومه: تبدیل دستاوردها به متریک های قابل اندازه گیری.