کارشناس بینایی کامپیوتر

کلیات حل مساله

ساختار الگوریتم ها

دستورات شرطی

حلقه و تکرار

حل چند مساله

فلوچارت

توضیحات محیط و نصب

عملگرهای ریاضی

عملگرهای شرطی، منطقی و بیتی

ساخت رشته

کنترل نحوه نمایش

لیست ها

توابع کار با لیست

تاپل ها

دیکشنری و مجموعه

ساختار شرطی

حلقه ها

حلقه در ساختارهای داده

رسم اشکال هندسی(حل تمرین)

مثلث خیام پاسکال(حل تمرین)

تابع نویسی

متغیرهای محلی

شی گرایی 1

شی گرایی 2

آرایه های چند بعدی در Numpy

اعمال توابع در Numpy

آمار و احتمالات در Numpy

فکر بکر 1(حل تمرین)

فکر بکر 2(حل تمرین)

دیتافریم در Pandas

گروه بندی داده ها در Pandas

رسم نمودار گرافیکی

رسم نمودارهای آماری

توابع لامبدا و رسم سری ریمان(حل تمرین)

کار با فایل

ویروس و آنتی ویروس

آشنایی با انواع خطا

مدیریت استثنا1

مدیریت استثنا2

استثنا(حل تمرین)

فریم‌ورک‌های هوش مصنوعی

بصری‌سازی داده‌ها

پردازش صوت و گفتار در پایتون

پردازش متن و معرفی Parser‌ها در پایتون

پردازش تصویر در پایتون

شی‌گرایی مقدماتی

شی‌گرایی پیشرفته

آموزش مقدماتی decorator

آموزش decorator پیشرفته قسمت اول

آموزش decorator پیشرفته قسمت دوم

Type Annotations مقدماتی

کتابخانه‌ی Typing

آشنایی کتابخانه Pydantic

شروع برنامه‌نویسی تابعی قسمت اول

شروع برنامه‌نویسی تابعی قسمت دوم

Generator ها در پایتون

مفهوم کد تمیز

Design Pattern و Singleton Pattern

معرفی کتابخانه Logging و نحوه‌ی ماژول‌بندی

ادامه‌ی نحوه‌ی Log زدن صحیح در Production

نحوه‌ی نوشتن CLI در پایتون (typer , argparse)

آشنایی با Enum کلاس‌ها

معرفی پروژه‌ی کلاس Silero-VAD-Python

معرفی ساختار تمیز و استفاده از Cookiecutter

Linterها در پایتون

آموزش نحوه Test نویسی

بازنویسی پروژه Silero-VAD-Python

نحوه انتشار پکیج در pypi.org

نحوه نوشتن اپلیکیشن با استفاده از fastapi

نحوه نوشتن اپلیکیشن تحت وب با استفاده از gradio

سرفصل‌ها

تحلیل الگوریتم مرتب‌سازی درجی

نمادهای توابع رشد الگوریتم‌ها

چگونه یک الگوریتم را تحلیل کنیم؟

نحوه عملکرد الگوریتم‌های بازگشتی

مثال(مرتب‌سازی ادغامی)

برج هانوی و درخت بازگشتی فیبوناتچی

آرایه (Array)

ماتریس خلوت و لیست پیوندی

عملیات رایج روی لیست پیوندی و پشته

تبدیل infix به postfix

صف (Queue)

مفاهیم ساختمان‌ داده درخت‌

پیمایش درخت دودویی

درخت هافمن و Heap

درخت دودویی جستجو

مفاهیم ساختمان‌ داده Hash

روش‌های Hashing

انتخاب تابع مناسب برای پراكندگی

دسته‌بندی الگوریتم‌های مرتب‌سازی

Count Sort & Radix Sort

Insertion Sort & Selection Sort

Bubble Sort & Merge Sort

Quick Sort

Heap Sort

مفاهیم ساختمان‌ داده گراف

روش‌های نمایش گراف

پیمایش گراف

پیمایش عمقی

کاربرد‌های پیمایش عمقی

درخت پوشای کمینه (الگوریتم Kruskal, Prim)

مسئله کوتاهترین مسیر از یک راس (الگوریتم Dijkstra)

كوتاهترین مسیر بین هر دو رأس (الگوریتم Floyd-Warshall)

طبقه بندی مسائل و چند نمونه مسئله

جستجوی کل حالت‌ها (Brute-force-search)

روش تقسیم و غلبه (Divide and Conquer)

مسئله خط آسمان (Skylines)

شمارش تعداد وارونگی‌ها

برنامه‌سازی پویا (Dynamic Programming)

روش حریصانه (Greedy)

مثال از روش حریصانه

Introduction to Machine Learning

?What is Machine Learning

Learning Types

Introduction to Linear Regression

Gradient Descent

Nonlinear Regression

Bias & Variance

Regularization

Introduction to Sklearn(Programing)

Pre-process 01(Programing)

Pre-process 02(Programing)

Pre-process 03(Programing)

Pre-process 04(Programing)

Pre-process 05(Programing)

Pre-process 06(Programing)

Regression 01(Programing)

Regression 02(Programing)

Regression 03(Programing)

Regression 04(Programing)

KNN

KNN decision boundary

KNN 01(Programing)

KNN 02(Programing)

Evaluation Metrics

Decision Tree

Entropy

ID3 algorithm

C4.5 algorithm

پیاده سازی درخت تصمیم

بررسی معیارهای ارزیابی در درخت تصمیم

بررسی ماتریس درهم ریختگی و نمودار ROC در درخت تصمیم

Multiclass

Bayesian Networks

Inference in Bayesian Networks

Naive Bayes Classifier

Naive Bayes classifier Example

Hidden Markov Model

Gaussian Naive Bayes

Gaussian Naive Bayes Parametric

Naive Bayesian 01(Programing)

Naive Bayesian 02(Programing)

Logistic Regression

Formalism

Roc Curve

Logistic Regression(Programing)

SVM

Svm Example

Kernel Functions

Soft Margin in Svm

SVM(Programing)

Ensemble of Classifiers

Stacking & Bagging

Boosting & Adaboost

Ensemble(Programing)

مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین

تقسیم‌بندی مسائل یادگیری ماشین: یادگیری با‌نظارت و بدون نظارت

مسائل و کاربرد‌های یادگیری بدون نظارت

معیار‌های فاصله و شباهت

انواع روش‌های خوشه‌بندی

خوش‌بندی سلسله مراتبی

الگوریتم K-means

الگوریتم Kernel K-means

الگوریتم DBSCAN

معیار‌های ارزیایی خوشه‌بندی

مقایسه Linkage‌ های مختلف در خوشه‌بندی سلسله مراتبی (Programming)

نحوه استفاده از الگوریتم DBSCAN و ارزیابی آن (Programming)

پیاده‌سازی الگوریتم k-means روی مجموعه داده digits (Programming)

استفاده از الگوریتم k-means برای color quantization (Programming)

مقدمه‌ای بر روش‌های کاهش بعد

روش‌های انتخاب ویژگی

Sequential Forward Selection

Bias-Variance Tradeoff

PCA (part1)

PCA (part2)

PCA using SVD (Matrix Factorizations)

LDA (part1)

LDA (part2)

مقایسه‌ی PCA , LDA (Programming)

تخمین توزیع و تخمین‌گر MLE

توزیع نرمال و تخمین‌گر MLE

توزیع نرمال چند متغیره

الگوریتم EM و توزیع GMM

الگوریتم EM

کاربرد GMM در خوشه‌بندی و تخمین توزیع (Programming)

Autoencoder

برخی از کاربرد‌های Autoencoder (Denoising)

Variational Autoencoder

VAE: Regularized Latent Space

Normalizing Flows

رابطه‌ی تغییر متغیر (Change of Variable Formula)

مدل NICE

مدل RealNVP

مدل Glow

Semi-Supervised و الگوریتم Self-Training

الگوریتم Co-training و Label Propagation

Semi-Supervised Learning and Bias-Variance Tradeoff

Data Augmentation

Transfer Learning

Self-Supervised Learning

BERT and GPT Models

تحلیل احساسات با استفاده از مدل (Programming) BERT

تشخیص ناهنجاری و الگوریتم Isolation Forest

تشخیص ناهنجاری با استفاده از AE و تخمین توزیع

تشخیص ناهنجاری با استفاده از Isolation Forest بر روی کارت‌های اعتباری (Programming)

مبانی ریاضیاتی

سیستم‌های خطی

معادله برداری

معادله ماتریسی

جبر ماتریسی

فضاهای برداری

بعد برداری

رتبه ماتریس

نرم‌های برداری و ماتریسی

مقادیر ویژه و بردارهای ویژه

تجزیه‌های ماتریسی

تجزیه مقدار منفرد

تعریف بهینه سازی

توابع بهینه سازی

مشتق مرتبه دوم

الگوریتم‌های بهینه سازی

مبانی آمار و احتمال

متغیرهای تصادفی

توزیع‌های آماری

توزیع‌های گسسته

گشتاورها

دو متغیر تصادفی

ضریب همبستگی

بردارهای تصادفی

تئوری اطلاعات

نئوری اطلاعات 2

مقدمه

دستاوردهای هوش مصنوعی 01

دستاوردهای هوش مصنوعی 02

هوش مصنوعی در بازار کار

آینده هوش مصنوعی 01

آینده هوش مصنوعی 02

یادگیری عمیق چیست؟

تاریخچه شبکه‌های عصبی

تفاوت یادگیری عمیق و کلاسیک

فرایند کلی یادگیری عمیق

مقدمه

یادگیری ماشین

انواع روش ‌های یادگیری ماشین

یادگیری تقویتی

چالش‌های یادگیری ماشین 01

چالش‌های یادگیری ماشین 02

چالش‌های یادگیری ماشین 03

شبکه‌های عصبی 01

شبکه‌های عصبی 02

الگوریتم گرادیان کاهشی

الگوریتم گرادیان کاهشی 02

پیاده سازی الگوریتم گرادیان کاهشی بر روی شبکه عصبی پرسپترون

الگوریتم پس انتشار خطا

batch & mini-batch & stochastic gradient descent

مثال ساده طبقه بندی

شبکه‌های عصبی MLP

مفهوم کانولوشن

کانولوشن در پردازش تصویر

شبکه‌های عصبی کانولوشنال 01(CNN)

شبکه‌های عصبی کانولوشنال 02(CNN)

لایه Transposed Conv

شبکه AlexNet

شبکه VGG & GoogleNet & ResNet

بهینه‌سازی شبکه‌های عصبی

Dropout

Data Augmentation & Batch Normalization

طراحی شبکه‌های عمیق 01

طراحی شبکه‌های عمیق 02

طراحی شبکه‌های عمیق 03

یادگیری انتقالی(Transfer Learning)

مثال

پیاده سازی Transfer Learning

معرفی اتوانکدر‌ها

کاربرد اتوانکدر‌ها

مدل‌های مولد

مدل‌های مولد تخاصمی

انواع مدل‌های GAN

StyleGAN

چالش‌های مدل‌های GAN & مدل‌های مولد متن به تصویر

مدل‌های مولد متن به تصویر

آموزش Google Colab

Deep learning frameworks

Tensorflow

شبکه‌های بازگشتی

شبکه‌های بازگشتی و مکانیزم توجه

مکانیزم توجه

ترانسفورمرها 01

ترانسفورمرها 02

Deep Feed-Forward Coding

Deep Forward Implementation

CNN 01

CNN 02

Training and overfitting

مقدمه

چارچوب‌های اصلی

توابع هزینه

بهینه سازی و تعمیم پذیری

فرآیند تصمیم مارکوف

روش‌های برنامه نویسی پویا

روش مونت کارلو۱

روش مونت کارلو۲

روش یادگیری temporal difference1

روش یادگیری temporal difference2

Q-learning

N-step return

SARSA

تخمین تابع ارزش

شواهد زیستی

بخش۱: توزیع توام دنباله‌ها

بخش۲: گرادیان سیاست

بخش۳:الگوریتم reinforce و تفسیر آن

بخش۴: بایاس و واریانس

مفاهیم اصلی بخش اول

مفاهیم اصلی بخش دوم

روش های پیشرفته بخش اول

روش های پیشرفته بخش دوم

کنترل کلاسیک و برنامه ریزی

روش‌های برنامه ریزی و جستجو

یادگیری مدل محیط

عدم قطعیت

یادگیری سیاست در یادگیری تقویتی مبتنی بر مدل

یادگیری تقلیدی

روش های random shooting, CEM, MCTS

مقدمه و تعریف

انگیزه‌ها و چالش‌ها

مشکل شیفت توزیع و بیش تخمین تابع ارزش

روش‌های مبتنی بر سیاست

روش‌های مبتنی بر تابع ارزش

روش‌های مبتنی بر مدل

یادگیری تقویتی با بازخورد انسانی

مفاهیم اولیه

الگوریتم‌های UCB و نمونه برداری تامپسون

contextual

معرفی OpenAI Gym

پیاده سازی محیط

پیاده سازی جدولی روش Q-learning

پیاده سازی Q-learning

پیاده سازی SARSA و Double Q-learning

پیاده سازی Q-learning با شبکه‌های عصبی1

پیاده سازی Q-learning با شبکه‌های عصبی2

روش گرادیان سیاست - الگوریتم REINFORCE

روش Actor-Critic

روش مبتنی بر مدل1

روش گرادیان سیاست - الگوریتم REINFORCE

روش Actor-Critic

روش مبتنی بر مدل2

روش مبتنی بر مدل3

روش Multi-Armed Bandit

روش Epsilon-Greedy و Softmax

روش‌های UCB و Thompson Sampling

Syllabus

?What is Image Processing

Image Formation

Basic Filtering

Image Processing Applications 01

Image Processing Applications 02

Advanced Image Formation 01

Advanced Image Formation 02

3D to 2D Projection

Advanced Image Formation 03

Capturing Color

CMYK vs RGB

Color Gamut

Color Representation

Color Visualization

Textures

Texture Representation & Synthesis

Pointwise Operations

Gamma Correction

?What's a Histogram

Histogram Applications

Histogram Equalization

Spatial Filter

1D Convolution

2D Convolution

Image Smoothing

Image Sharpening

Filtering in the Fourier Domain

Sampling and Fourier Transform

Unique Reconstruction

Nyquist Rate

Anti Aliasing

Image Up-Sampling

Dilation & Erosion

Opening and Closing

Hit-miss Filter

Morphological Operators on Grayscale Images

Generalize Morphological Operators

Edge Detection via Gradient

Edge Orientation

Canny Edge Detector

Hough Transform

Introduction to Segmentation

K-Means Clustering

Mean-Shift Algorithm

Min-Cut Segmentation

Normalized-Cut Segmentation

Interactive Segmentation

?What are the Keypoints

Harris Keypoints

Sift Keypoints

SIFT Descriptor

Matching Two Scenes

RANSAC

Image Warping and Blending

Gaussian Pyramid

Laplacian Pyramid

Wavelet Pyramid

Steerable Pyramid

Unitary Transform

KLT & Transform Coding

JPEG

JPEG 2000

Uni & Bi-Directional Prediction

Spatial Prediction & Transform Coding

RDO & Rate-Control

GOP & Deep Learning for Compression

Syllabus

Basic Definitions

Motivations

Conducted Research at IPL

Brief Review on Signals & Systems

Some Simple Image Processing Tasks & Convolution

Fourier Transform 01

Fourier Transform 02

Fourier Transform 03

Fourier Transform 04

Image Filtering 01

Image Filtering 02

Review on Linear Algebra

Parameterizing the Rotation Matrix

Homogeneous Coordinates 01

Homogeneous Coordinates 02

Pinhole Camera Model 01

Pinhole Camera Model 02

Parallel projection 01

Parallel projection 02

Perspective projection

Building simple image mosaics 01

Building simple image mosaics 02

External & internal camera parameters

Homography map 01

Homography map 02

General camera translation

Two calibrated cameras 01

Two calibrated cameras 02

Two calibrated cameras & Calibration using known 3D object

Computing camera parameters from the projection matrix

Computing the projection matrix from E 01

Computing the projection matrix from E 02

Uncalibrated cameras - The fundamental matrix (F) & Projective reconstruction

Computing the projection matrices from F

Rectification using metric information

Surface reconstruction & rendering

Voronoi cells & Delaunay triangulations

Surface mappings, image-based rendering & Planar surfaces, linear mappings

Multiple Cameras 01

Multiple Cameras 02

Some Basic Properties

Derivatives 01

Derivatives 02

Keypoints 01

Keypoints 02

Keypoints 03

Scale Selection

SIFT

HoG

GIST

Keypoint Matching

Template Matching & Chamfer Matching

KD- Tree Search

Model Fitting

M - estimator

Robust Estimation

Data grouping

Learning Types

K-Means clustering

K-nearest neighbor classifier

Expectation-Maximization

Mean shift

Introduction to Deep Learning

Basic Machine Learning Concepts

Deep Learning in Computer Vision

Neural Network Models

Neural Networks

Convolutional Neural Networks

Recurrent Neural Networks

Transformer models

Popular Networks in Computer Vision

Opencv

Edge

Open3d

Homography

Surface Reconstruction

Template Matching 01

Template Matching 02

Sift

Feature Matching 01

Feature Matching 02

Comparison

Scikit Image

HoG

Scikit-learn

Clustering

Pytorch-Introduction

Pytorch-Torchvision

Pytorch-Dataset

Pytorch-Model

Pytorch-Train Loop

Pytorch-Inference

Introduction

ML Project Life Cycle

ML life Cycle: Case Study

Deployment

Common Deployment Patterns

Monitoring

Pipeline Monitoring

Modeling

Low Average Test Error isn't Good Enough

Establish a Baseline

Performance Auditing

Data-centric AI

Data Definition

Label Consistency

HLP

Data Pipeline

Scoping

Data Lifecycle

Data

Responsible Data

Labelling

Data Issues

Feature Engineering

Preprocessing in Production

TF Transform

Feature Selection Example

ML Metadata

Evolving Data

Advanced Labeling

Neural Architecture Search

Auto ML

Resource Management

Quantization and Pruning

High Performance Modeling

Model analysis

Robustness

Remediation and Monitoring

Interpretability

Model Serving

Serving Systems

Serving Patterns

Online and Batch Inference

Experiment Tracking

Mlops level 0, 1 and 2

CI/CD

Monitoring and Privacy

FastAPI and a Simple Deep Model

TensorFlow Data Validation

Preprocess Data with TensorFlow Transform

Simple TFX Pipeline

Recursive Feature Elimination

Active Learning

Keras Tuner

Post-Training Quantization

Quantization Aware Training

Pruning

Distributed Training: One Device Strategy

Knowledge Distillation

مقدمه‌ای بر Edge Ai

سخت‌افزار و دستگاه‌های Edge Ai

نصب فایل ISO سیستم عامل برد Jetson

مبانی یادگیری ماشین و شبکه‌های عصبی

انتخاب مدل Edge Ai

تکنیک Quantization برای انطباق مدل

مدل Pruning

آموزش مدل Edge Ai

حریم خصوصی و امنیت در Edge Ai

ابزار‌ها و چارچوب‌های توسعه Edge Ai

تبدیل یک مدل در PyTorch به TensorFlow

برنامه‌های کاربردی Edge Ai در دنیای واقعی

تکنیک‌های بهینه‌سازی Edge Ai

چالش‌ها و روند‌های آینده در Edge Ai

مقدمه، مشاهده یک پرامپت، مبانی

مبانی و مفاهیم پرامپت‌نویسی

اصول و قواعد پرامپت‌نویسی

مدل‌ها و ابزارهای پرامپت‌نویسی

بررسی تغییر متغیرهای پرامپت‌نویسی و اثر آن‌ها

تمرین نکات اموزشی فصل اول و اجزای پرامپت

پیاده‌سازی یک ایجنت هوش مصنوعی ساده و مرور پرامپت‌های پیشرفته

یادگیری مدل‌های مختلف، ابزارها و بهینه‌سازی پرامپت

روش‌های پیشرفته پرامپت‌نویسی بخش اول

روش‌های پیشرفته پرامپت‌نویسی بخش دوم

پیاده‌سازی دستیار آموزشی

تست دستیار اموزشی و بهبود کیفیت آن

ساخت دستیار آموزشی مالتی ایجنت

روش‌های کاربردی پرامپت‌نویسی بخش اول

روش‌های کاربردی پرامپت‌نویسی بخش دوم

روش‌های کاربردی پرامپت‌نویسی بخش سوم

روش‌های کاربردی پرامپت‌نویسی بخش چهارم

مرور کدهای روش DSP

مرور کد active prompt بخش اول

مرور کد active prompt بخش دوم

مرور کد Tree of Thoughts

مرور کد Automatic reasoning and Tool-use بخش اول

مرور کد Automatic reasoning and Tool-use بخش دوم

مرور کد Program-aided language

مرور کد React

مرور کد Chain of Table

مرور کد Automatic Prompt Engineering

مرور کد Least-to-Most

مرور کد RAG بخش اول

پیاده سازی RAG ساده و بررسی ساختار آن 1

پیاده سازی RAG ساده و بررسی ساختار آن 2

مرور کد RAG بخش دوم

مرور مشکلات prompt نویسی

بررسی کد Text2SQL

آموزش Chainlit و پیاده سازی یک چت بات کامل

مقدمه‌ای بر VLM و مدل‌های چندوجهی (MultiModal)

معرفی CLIP

مفهوم Embedding متن و تصویر

تابع هزینه (Loss Function) و نحوه‌ی آموزش CLIP

استفاده از Hugging Face برای درک Embedding متن در CLIP

بررسی Embedding تصویر و مقایسه‌ی Embedding تصویر و متن

آموزش Zero-Shot با CLIP

آموزش مدل Dual Encoder (مشابه CLIP) با فریم‌ورک Keras

معرفی SigLIP

Image Captioning با Qwen

توصیف تصویر فارسی (Persian Image Captioning)

شناسایی اشیاء (Object Detection)

استفاده از مدل چندوجهی Gemma 3 – بخش اول

استفاده از مدل چندوجهی Gemma 3 – بخش دوم

درک ویدئو با Qwen VL – بخش اول

درک ویدئو با Qwen VL – بخش دوم

دلایل Fine-tuning کردن VLM و مفهوم PEFT

روش‌های LoRA و QLoRA

مثال Fine-tuning روی سؤال و جواب تصویری

مثال Fine-tuning روی OCR فرمول‌های ریاضی

مثال Fine-tuning روی عکس‌های رادیولوژی

آشنایی با تکنیک Diffusion

آشنایی با معماری UNet

استفاده از کتابخانه‌ی Diffusers و آموزش تولید تصویر – بخش ۱

استفاده از کتابخانه‌ی Diffusers و آموزش تولید تصویر – بخش ۲

بارگذاری یک مدل از پیش آموزش‌داده‌شده و خروجی گرفتن با DDIM

Fine-tuning مدل

مفهوم Control و Guidance

ویدیوی ضبط شده پروژه مسیر بینایی کامپیوتر