🧠 فصل ۱: مقدمه و مفاهیم پایه

• آشنایی با یادگیری ماشین و یادگیری عمیق

• انواع یادگیری: نظارت‌شده، بدون‌نظارت، تقویتی

• تفاوت یادگیری ماشین و یادگیری عمیق

• مروری بر الگوریتم‌های پایه یادگیری ماشین

• نصب محیط‌های کاری: Anaconda, Jupyter, Colab

• معرفی PyTorch و TensorFlow، مزایا و معایب

🔢 فصل ۲: مبانی ریاضی یادگیری ماشین

• جبر خطی (ماتریس، ضرب، ترانهاده و …)

• مشتق و گرادیان

• توابع زیان (Loss Functions)

• بهینه‌سازی و الگوریتم گرادیان کاهشی (SGD)

🧪 فصل ۳: کار با داده‌ها

• پیش‌پردازش داده‌ها با NumPy و Pandas

• نرمال‌سازی و استانداردسازی

• تقسیم داده‌ها به train/test/validation

• کار با دیتاست‌های معروف (MNIST، Iris، CIFAR-10)

🔧 فصل ۴: یادگیری ماشین کلاسیک با Scikit-learn

• رگرسیون خطی و لجستیک

• درخت تصمیم و جنگل تصادفی

• SVM و KNN

• ارزیابی مدل: Accuracy، Precision، Recall، F1

🔥 فصل ۵: ورود به یادگیری عمیق (Deep Learning)

• نورون، وزن، بایاس و تابع فعال‌سازی

• شبکه‌های عصبی چندلایه (MLP)

• مفهوم Backpropagation

• Batch و Epoch

• Overfitting و Underfitting

• تکنیک‌های جلوگیری از overfitting: Dropout، Early stopping

🤖 فصل ۶: پیاده‌سازی با TensorFlow

• آشنایی با ساختار کلی TensorFlow 2.x

• کار با tf.data و tf.keras

• تعریف مدل Sequential و Functional

• آموزش، تست و ارزیابی مدل

• ذخیره‌سازی و بارگذاری مدل

🔥 فصل ۷: پیاده‌سازی با PyTorch

• آشنایی با Tensor در PyTorch

• ساخت Dataset و DataLoader

• تعریف مدل با nn.Module

• حلقه آموزش دستی (Training Loop)

• استفاده از Optimizer و Criterion

• ذخیره‌سازی و بارگذاری مدل

🧠 فصل ۸: پروژه‌های عملی

• طبقه‌بندی تصاویر با CNN (مثلاً با MNIST)

• تشخیص احساسات از متن با RNN یا LSTM

• تشخیص اشیاء با Transfer Learning (ResNet، MobileNet)

• تحلیل سری زمانی با LSTM

• پروژه انتخابی دانشجو (پایانی)

🚀 فصل ۹: مفاهیم پیشرفته

• یادگیری انتقالی (Transfer Learning)

• تنظیمات هایپرامترها (Hyperparameter Tuning)

• استفاده از GPU برای آموزش سریع‌تر

• معرفی ابزارهایی مانند TensorBoard و Weights & Biases

• مقایسه PyTorch و TensorFlow از نظر کاربردهای صنعتی