معرفی دوره جامع هوش مصنوعی iAAA
اولین گام شما برای ورود به دنیای مهندسی هوش مصنوعی
دوره هوش مصنوعی iAAA تنها یک دوره آموزشی نیست؛ بلکه سکوی پرتابی است برای تمامی علاقه‌مندان به هوش مصنوعی که می‌خواهند این فناوری را به شکلی جامع و کاربردی یاد بگیرند.
این دوره با همکاری اساتید و متخصصان این حوزه طراحی شده و به‌طور خاص برای دانشجویان، علاقه‌مندان تازه‌کار، و حتی افراد حرفه‌ای آماده شده است تا مهارت‌های کاربردی و پروژه‌محور هوش مصنوعی را در قالبی ساده و ساختارمند فرا بگیرند.
مهم‌تر از همه، این دوره مقدمه‌ای است برای ورود به یکی از بزرگترین رقابت‌های هوش مصنوعی کشور — جایزه سالانه هوش مصنوعی ایران (iAAA).
چرا در این دوره شرکت کنید؟
- یادگیری پروژه‌محور هوش مصنوعی از پایه تا پیشرفته
- امکان یادگیری مباحث از چند استاد
- کار با داده‌های واقعی و حل مسائل عملی
- آموزش نحوه ساخت، ارائه و مستندسازی مدل‌ها
- برگزاری جلسات حل تمرین و رفع اشکال
- پشتیبانی فعال به‌صورت آنلاین
- محتوای آموزشی شخصی‌سازی‌شده
- برگزاری کارگاه و وبینارهای تکمیلی
- توسعه مهارت‌های نرم و کار تیمی
- آماده‌سازی برای ورود به رقابت iAAA
- اعطای مدرک معتبر دو زبانه iAAA
- امکان گذراندن واحد کارآموزی دانشگاه
- فرصت کارآموزی و استخدام
- عضویت در جامعه فعال هوش مصنوعی ایران
اطلاعات دوره
تاریخ شروع:
تیرماه ۱۴۰۴
تعداد هفته:
۱۲
مدت زمان:
۲۴۰ ساعت
تعداد اساتید:
۱۶
سرفصل‌ها
Foundations
مبحث
- Introduction to AI and Competitions
شرح
- Install Python, Jupyter Notebook, Overview of AI tools and platforms
Python for AI
مبحث
- Introduction to Programming
- Basic Syntaxes
- Conditional Blocks
- Loops
- Data Structures & Strings
- Functions
- Files
- Object-Oriented Programming
- Lambda Functions
- Use of Frameworks and Packages
- Practical Project
شرح
- Basics of Python, IDEs, and basic programming exercises
- Variables, operators, and basic Python syntax
- if-elif-else conditions and logical operators
- For and While loops, control statements
- Lists, tuples, dictionaries, and string operations
- Defining functions, arguments, and recursion
- File handling, reading, writing, and appending
- Classes, objects, inheritance, and encapsulation
- Anonymous functions, map, filter, and reduce
- Installing and using NumPy, Pandas, and Matplotlib
- Build an attendance tracker application
Mathematics for Machine Learning
مبحث
- Linear Algebra
- Probability and Statistics
- Calculus
- Optimization Techniques
شرح
- Vectors, matrices, PCA, and practical exercises with NumPy
- Distributions, Bayes’ theorem, and practical exercises with NumPy
- Derivatives, gradients, and gradient descent
- Convex optimization and advanced techniques
Data Science for AI
مبحث
- Data Preprocessing
- Exploratory Data Analysis (EDA)
- Feature Engineering
- Data Visualization
شرح
- Handle missing data, scaling, normalization, encoding categorical variables
- Visualize data distributions and compute descriptive statistics
- Feature selection, creation, and scaling
- Advanced visualizations using Matplotlib, Seaborn, and Plotly
Digital Image Processing
مبحث
- Introduction to Images
- Basic Image Operations
- Histograms in Image Processing
- Convolution and Fourier Transform
- Noise Reduction
- Edge Detection
- Binary Image Processing
- Segmentation
- Image Registration
شرح
- Basic concepts, formats, and Python setup
- Cropping, resizing, color spaces, and practical exercises
- Understanding and plotting histograms
- Filters and frequency domain transformations
- Noise types and denoising techniques
- Sobel and Canny edge detection
- Thresholding, morphology, and contours
- Watershed algorithm for image segmentation
- Align images using keypoints and transformations
Machine Learning
مبحث
- Introduction to Machine Learning
- Supervised Learning (Regression)
- Supervised Learning (Classification)
- Unsupervised Learning (Clustering)
- Unsupervised Learning (Dimensionality Reduction)
- Model Evaluation and Tuning
- Ensemble Learning
- Real-World Applications and Project
شرح
- Overview of ML types and pipelines
- Linear and polynomial regression with Scikit-learn
- Logistic regression, KNN, decision trees
- K-Means and hierarchical clustering
- PCA and feature selection
- Cross-validation and hyperparameter optimization
- Random Forest, Gradient Boosting, and XGBoost
- End-to-end ML pipeline for a dataset
Deep Learning
مبحث
- Introduction to Deep Learning
- Fundamentals of Neural Networks
- Convolutional Neural Networks (CNNs)
- Recurrent Neural Networks (RNNs) and LSTMs
- Transformers and Attention Mechanisms
- Generative Models (GANs and VAEs)
- Model Evaluation and Tuning
- Real-World Project
شرح
- Concepts, applications, and PyTorch setup
- Building and training basic neural networks
- Implement CNNs and fine-tune pretrained models
- Sequence modeling and time series forecasting
- Transformers and fine-tuning BERT
- Implementing GANs and VAEs
- Evaluation metrics and regularization
- Build an end-to-end Deep Learning project in PyTorch
پایان
اساتید
محمد اکبری
سخنران
- محقق و پژوهشگر حوزه هوش مصنوعی
- استاد مدعو دانشگاه لندن
- محقق دانشگاه نیویورک
- استاد مدعو دانشگاه علم و صنعت ایران
- دکتری دانشگاه امیرکبیر
رشاد حسینی
یادگیری عمیق
- هیات علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران
- رئیس اسبق ستاد هوش مصنوعی معاونت علمی فناوری ریاست جمهوری
- دکتری هوش مصنوعی دانشکده صنعتی برلین
- رئیس هیات مدیره شرکت هوش افزار راهبر آریامن
علی زارع زاده
سخنران
- تیم لیدرماشین لرنینگ شرکت یکتانت
- تیم لیدر شرکت کارگزاری مفید
پسادکتری دانشگاه آلمان - فعال و پژوهشگر حوزه هوش مصنوعی
- مدرس حوزه ماشین لرنینگ
سپهر اکبرزاده
یادگیری عمیق / پردازش تصویر
- مهندس ارشد هوش مصنوعی ایرانسل
- مهندس نرم‌افزار بیمارستان ایرانیان قطر
- دانشجوی نخبه هوش مصنوعی
- مدرس دانشگاه صنعتی شریف
زینب برزگر
سخنران
- رئیس کمیته علمی سومین دوره iAAA
- عضو هیات علمی علوم پزشکی تهران
- دکتری هوش مصنوعی دانشگاه صنعتی شریف
- مشاور هوش مصنوعی همراه فاند همراه اول
امین بابادی
سخنران
- برنامه‌نویس هوش مصنوعی و انیمیشن بازی
- متخصص هوش مصنوعی شرکت Bugbear فنلاند
محمدرضا بیک زاده
سخنران
- مدرس هوش مصنوعی در انگلیس
- مشاور ارشد شرکت AIENAI لندن
هادی عاشری
مبانی ریاضیات یادگیری ماشین
- مدیرعامل شرکت هوش افزار راهبر آریامن
- عضو کمیسیون هوش مصنوعی نظام صنفی
- مدرس و فعال حوزه هوش مصنوعی
مسعود مظلوم
سخنران
- مدیرعامل مرکز نوآوری علم داده
- دکتری و پسادکتری دانشگاه آمستردام هلند
- استاد مدعو دانشگاه آمستردام
- مدرس و پژوهشگر علم داده
علی‌اکبر کیائی
یادگیری ماشین
- هیات علمی دانشگاه مالک اشتر
- پسادکتری حوزه هوش مصنوعی
- مدرس و فعال حوزه هوش مصنوعی
سهیل تهرانی‌پور
پردازش تصویر
- مدیرعامل شرکت ساعیان ارتباط
- سرپرست تیم هوش مصنوعی هلدینگ فاخر
- مدرس اسبق دانشگاه صنعتی شریف
- پژوهشگر حوزه هوش مصنوعی
مسعود کاویانی
علم داده
- مهندس یادگیری ماشین کمپانی زبراکت برلین
- دانشمند ارشد داده صبا ایده (آپارات، فیلیمو و صباویژن)
- استاد مدعو گروه کامپیوتر دانشگاه شهید رجایی
- استاد مدعو جهاد دانشگاهی صنعتی شریف
- عضو هیات علمی گروه حکمرانی داده مرکز نوآوری علم داده
- دارنده مدال کارآفرینی از شرکت گوگل
- رتبه برتر استارت‌آپ ویکند ایران
الناز امان زاده
سخنران
- مدیر دپارتمان هوش مصنوعی مرکز تحقیقات مغز
- پژوهشگر هوش مصنوعی علوم پزشکی دانشگاه شهید بهشتی
- مدرس و فعال هوش مصنوعی دانشگاه علوم پزشکی
فاطمه رضوی
مبانی پایتون
- دکتری هوش مصنوعی دانشگاه تهران
- مدرس و فعال حوزه هوش مصنوعی
محمد فتوحی
پایتون
- مهندس LLM پژوهشکده شریف
- پژوهشگر و مدرس هوش مصنوعی
مبین نثاری
علم داده
- کارشناس ارشد کامپیوتر و هوش مصنوعی
- مشاور علمی و مدرس دومین دوره iAAA
- مدرس دانشگاه شهید بهشتی
سیامک فرشیدی
سخنران
- استاد مدعو دانشگاه آمستردام هلند
- استاد مدعو دانشگاه اوترخت هلند
پرهام سازدار
منتور
- کارشناس ارشد رباتیک و هوش مصنوعی
- فعال و پژوهشگر هوش مصنوعی
- مدرس هوش مصنوعی دانشگاه تهران
سوالات متداول
آیا دوره آموزشی iAAA برای آمادگی جهت مسابقه کافی است؟
بله، حتی افرادی که هیچ‌گونه پیش‌زمینه‌ای در زمینه هوش مصنوعی ندارند، می‌توانند با گذراندن دوره جامع و صفر تا صد iAAA، به سطحی از مهارت برسند که توانایی حل چالش‌های مسابقه را داشته باشند.
آیا شرکت در دوره و مسابقه نیاز به حضور فیزیکی دارد؟
خیر، کلیه فرآیندهای آموزشی و رقابتی به صورت کاملاً آنلاین برگزار می‌شوند و نیازی به حضور فیزیکی وجود ندارد.
آیا امکان ثبت‌نام گروهی وجود دارد؟
بله، ثبت‌نام گروهی امکان‌پذیر است و مزایای ویژه‌ای برای تیم‌های ثبت‌نامی در نظر گرفته شده است.
آیا شرکت در دوره نیاز به پیش‌نیاز خاصی دارد؟
خیر، این دوره بدون نیاز به دانش قبلی طراحی شده است و تمامی علاقه‌مندان می‌توانند در آن شرکت نمایند.
محتوای آموزشی دوره شامل چه موضوعاتی است؟
آموزش‌ها شامل مباحث تخصصی هوش مصنوعی، مهارت‌های نرم، تیم‌سازی، حل مسئله و آمادگی ورود به بازار کار می‌باشد.
دوره آموزشی در چه بازه‌ای برگزار می‌شود؟
دوره آموزشی از اوایل تیرماه آغاز شده و تا پایان شهریور ادامه خواهد داشت.
کلاس‌ها در چه روزهایی برگزار می‌شوند؟
کلاس‌ها در روزهای زوج، از ساعت ۱۸ الی ۲۱ برگزار می‌شوند و شامل دو جلسه تدریس و یک جلسه تمرین در هفته هستند.
آیا پس از پایان دوره گواهی‌نامه دریافت می‌شود؟
در صورتی که مشارکت‌کننده حداقل ۶۰ درصد از محتوای دوره را مشاهده کرده و تمرین‌های مربوطه را انجام داده باشد، گواهی‌نامه الکترونیکی برای وی صادر خواهد شد.
آیا امکان دریافت نسخه فیزیکی گواهی‌نامه وجود دارد؟
خیر، در حال حاضر گواهی‌نامه فقط به صورت الکترونیکی صادر می‌شود.
آیا امکان پرداخت هزینه دوره به صورت اقساط وجود دارد؟
بله، امکان پرداخت شهریه دوره به‌صورت اقساطی فراهم شده است.