آموزش مبانی یادگیری عمیق (Deep Learning Fundamentals) در کرج

🧾 معرفی دوره (Course Overview)

یادگیری عمیق (Deep Learning) پیشرفته‌ترین شاخه یادگیری ماشین است که پایه اصلی فناوری‌هایی مانند تشخیص تصویر، پردازش زبان طبیعی، خودروهای خودران و مدل‌های مولد (Generative AI) محسوب می‌شود.

در این دوره، فراگیران با ساختار شبکه‌های عصبی مصنوعی و نحوه پیاده‌سازی آن‌ها با کتابخانه‌های مطرح مانند TensorFlow / PyTorch آشنا می‌شوند و مدل‌های واقعی Deep Learning را آموزش می‌دهند.

🎯 هدف دوره (Course Objectives)

• درک عمیق ساختار و عملکرد شبکه‌های عصبی
• آشنایی با الگوریتم‌های اصلی Deep Learning
• توانایی پیاده‌سازی مدل‌های عصبی پایه
• آماده‌سازی برای ورود به حوزه‌های تخصصی مانند NLP و Computer Vision

⭐ مزایای دوره (Course Benefits)

• آموزش یکی از پردرآمدترین مهارت‌های AI
• تمرکز بر کاربردهای واقعی بازار
• ترکیب مفاهیم تئوری و پیاده‌سازی عملی
• آمادگی برای کار با مدل‌های پیشرفته
• مسیر مستقیم به Generative AI و LLMs

💼 بازار کار (Career & Job Market)

موقعیت‌های شغلی:

• Junior Deep Learning Engineer
• AI Developer
• Machine Learning Engineer
• Data Scientist (Junior–Mid)

حوزه‌های استخدام:

• استارتاپ‌های هوش مصنوعی
• پردازش تصویر و ویدئو
• سلامت دیجیتال
• فین‌تک و بانکداری
• شرکت‌های فناوری و تحقیقاتی

✅ پیش‌نیاز دوره (Prerequisites)

• تسلط بر Python
• آشنایی با NumPy و Pandas
• گذراندن دوره Machine Learning Fundamentals
• درک مفاهیم پایه ریاضی (در حد مفهومی)

📚 سرفصل‌های ریز دوره (Curriculum)

1. مقدمه‌ای بر یادگیری عمیق

Introduction to Deep Learning

• Deep Learning چیست؟
• تفاوت ML و DL
• موارد استفاده واقعی

2. شبکه‌های عصبی مصنوعی

Artificial Neural Networks (ANN)

• Perceptron
• لایه‌ها (Input, Hidden, Output)
• وزن‌ها و Bias

3. توابع فعال‌سازی

Activation Functions

• Sigmoid
• ReLU
• Tanh
• Softmax

4. فرآیند آموزش شبکه عصبی

Training Neural Networks

• Loss Functions
• Backpropagation
• Gradient Descent
• Learning Rate

5. بهینه‌سازی و بهبود مدل

Model Optimization

• Overfitting & Underfitting
• Regularization
• Dropout
• Batch Normalization

6. فریمورک‌های Deep Learning

Deep Learning Frameworks

• TensorFlow
• Keras
• PyTorch
• مقایسه فریمورک‌ها

7. مقدمه‌ای بر شبکه‌های کانولوشنی

Introduction to Convolutional Neural Networks (CNN)

• Convolution
• Pooling
• Image Classification

8. پیاده‌سازی عملی پروژه

Practical Deep Learning Project

• ساخت مدل عصبی
• آموزش و ارزیابی
• تحلیل نتایج
• بهبود عملکرد مدل

🎓 خروجی نهایی دوره (Learning Outcome)

پس از پایان این دوره، فراگیر:

• ساختار شبکه‌های عصبی را به‌طور کامل درک می‌کند
• قادر به پیاده‌سازی مدل‌های Deep Learning است
• آماده ورود به دوره‌های تخصصی‌تر مانند NLP، Computer Vision و Generative AI خواهد بود