DARK Learn
مسیر یادگیری

مهندس هوش مصنوعی (AI Engineer)

نقشه راه کامل، به‌روز و معتبر برای تبدیل شدن به یک مهندس هوش مصنوعی حرفه‌ای از صفر تا پیشرفته

1

ریاضیات و آمار بنیادی (Mathematics & Statistics)

جبر خطی (ماتریس‌ها، بردارها، تجزیه)، حساب دیفرانسیل و انتگرال (گرادیان، مشتقات جزئی)، احتمال و آمار (توزیع‌ها، آزمون فرضیه، بیز)

2

برنامه‌نویسی و ابزارهای داده (Programming & Data Tools)

پایتون پیشرفته، NumPy، Pandas، Matplotlib/Seaborn، Jupyter Notebook، کار با داده‌های جدولی و سری‌های زمانی

3

یادگیری ماشین کلاسیک (Classic Machine Learning)

رگرسیون و طبقه‌بندی (Linear/Logistic)، درخت تصمیم، SVM، k-NN، خوشه‌بندی (K-Means)، مهندسی ویژگی، اعتبارسنجی متقاطع و Scikit-learn

4

یادگیری عمیق مقدماتی (Deep Learning Basics)

شبکه‌های عصبی، انتشار رو به عقب، توابع فعال‌سازی، بهینه‌سازها، منظم‌سازی، پیاده‌سازی با PyTorch یا TensorFlow/Keras

5

بینایی کامپیوتر (Computer Vision)

CNNها (ResNet, EfficientNet)، انتقال یادگیری، تشخیص شیء (YOLO)، بخش‌بندی تصویر، پردازش ویدئو و کتابخانه‌های OpenCV، Torchvision

6

پردازش زبان طبیعی (Natural Language Processing)

پیش‌پردازش متن، word embeddings (Word2Vec, GloVe)، RNN و LSTM، مدل‌های توالی، معماری Transformer و کتابخانه‌های Hugging Face، spaCy

7

هوش مصنوعی مولد و مدل‌های زبانی بزرگ (Generative AI & LLMs)

GAN، VAE، مدل‌های Diffusion (Stable Diffusion)، مهندسی پرامپت، تنظیم دقیق (Fine-tuning)، RAG، عامل‌های هوشمند و LangChain/LlamaIndex

8

مهندسی داده و خطوط لوله (Data Engineering for AI)

SQL پیشرفته، Apache Spark، ساخت خطوط لوله ETL، دریاچه‌های داده، ذخیره‌سازی ویژگی‌ها (Feature Store) و نسخه‌بندی داده

9

MLOps و استقرار مدل (MLOps & Deployment)

داکر، Kubernetes، CI/CD برای ML، ردیابی آزمایش (MLflow)، سرو مدل (FastAPI، Triton)، مانیتورینگ (Evidently)، پلتفرم‌های ابری (AWS SageMaker, Vertex AI)

10

مقیاس‌پذیری و بهینه‌سازی (Scalability & Optimization)

آموزش توزیع‌شده (DeepSpeed)، فشرده‌سازی مدل (کوانتیزاسیون، هرس)، استنتاج سریع با ONNX/TensorRT و مدیریت GPU

11

یادگیری تقویتی (Reinforcement Learning)

فرایندهای تصمیم‌گیری مارکوف، Q-Learning، الگوریتم‌های Policy Gradient، Actor-Critic، کتابخانه‌های Gymnasium و RLlib

12

مباحث تخصصی و مرزهای دانش (Advanced & Specialized)

مدل‌های چندوجهی (تصویر-متن)، گراف نورال نتورک (GNN)، AI در لبه (TinyML)، هوش مصنوعی قابل توضیح (XAI) و امنیت مدل‌های یادگیری

13

پروژه‌های عملی و نمونه‌کار (Projects & Portfolio)

ساخت پروژه‌های end-to-end (پیش‌بینی، سیستم توصیه‌گر، چت‌بات RAG)، شرکت در Kaggle، حضور در گیت‌هاب و مستندسازی فنی

14

مسیر شغلی و یادگیری مداوم (Career & Lifelong Learning)

گواهینامه‌ها (AWS ML, GCP Professional ML)، دنبال کردن مقالات NeurIPS/ICML، حضور در کنفرانس‌ها، ساختن شبکه حرفه‌ای و آمادگی مصاحبه‌های مهندسی AI/ML