مسیر یادگیری

متخصص یادگیری عمیق (Deep Learning)

نقشه راه کامل، به‌روز و معتبر برای تسلط بر یادگیری عمیق از مبانی ریاضی تا معماری‌های پیشرفته، پژوهش و استقرار

جبر خطی (ماتریس‌ها، بردارها، SVD)، حسابان (مشتق جزئی، گرادیان)، احتمال (توزیع‌ها، زنجیره مارکوف)، آمار توصیفی

پایتون پیشرفته، NumPy، Pandas، Matplotlib، Jupyter، کار با داده‌های بزرگ‌مقیاس

رگرسیون، طبقه‌بندی، خوشه‌بندی، اعتبارسنجی متقاطع، تنظیم هایپرپارامترها و کتابخانه Scikit-learn

پرسپترون، شبکه چندلایه، توابع فعال‌سازی، بک‌پراپگیشن، نزول گرادیان، منظم‌سازی (L1/L2, Dropout)

PyTorch (nn.Module, DataLoader, autograd) و TensorFlow/Keras؛ دیباگ کردن و کار با GPU

SGD، Adam، AdamW، LR scheduling، Gradient Clipping، Batch Normalization، Layer Normalization، Early Stopping

معماری‌های کلاسیک (LeNet, AlexNet, VGG, ResNet, EfficientNet)، انتقال یادگیری، تشخیص شیء (YOLO, Faster R-CNN)، بخش‌بندی (U-Net, Mask R-CNN)

RNN، LSTM، GRU، معکوس‌سازی، توجه (Attention)، کاربرد در سری‌های زمانی و NLP پایه

توجه چندسر، Positional Encoding، BERT، GPT، معماری Encoder-Decoder (T5)، HuggingFace Transformers، تنظیم دقیق

GAN (DCGAN, StyleGAN)، VAE، مدل‌های انتشار (Diffusion Models, Stable Diffusion)، تولید تصویر، صدا و متن

SimCLR، MoCo، MAE، پیش‌آموزش عمومی، یادگیری Contrastive و کاربرد آن در حوزه‌های مختلف

CLIP، BLIP، مدل‌های Vision-Language، Scaling Laws، Mixture of Experts، پارامترهای بزرگ و بهینه‌سازی حافظه

Quantization، Pruning، Knowledge Distillation، TensorRT، ONNX و استنتاج روی موبایل/مرورگر

Q-Learning، DQN، Policy Gradient، Actor-Critic (A2C/A3C, PPO)، محیط‌های Gym و کاربرد در بازی و رباتیک

داکر، Kubernetes، API با FastAPI یا TorchServe، مدیریت آزمایش (W&B, MLflow)، مانیتورینگ در تولید

ساخت پروژه‌های پایان-به-پایان (بینایی، زبان، مولد)، شرکت در Kaggle، انتشار کد و مستندات، مشارکت در اوپن‌سورس

خواندن مقالات NeurIPS/ICML/CVPR، پیاده‌سازی ایده‌ها، آزمایش‌های تحقیقاتی، انتشار مقاله، دنبال کردن لیدرهای حوزه

انتخاب میان مهندسی یادگیری عمیق، پژوهشگر AI، بینایی، NLP، مولد؛ گواهینامه‌ها (TensorFlow Developer, AWS ML)، شبکه‌سازی و مصاحبه