- طراحی GUI با استفاده از کتابخانه PYQT
- پردازش تصویر در هوش مصنوعی با استفاده از کتابخانه opencv
- آشنایی با یادگیری ماشین
- آشنایی با محیط google colab و jupyternotebook
- نحوه پردارش و آماده سازی داده ها
- آشنایی با انواع نمودارها و رسم آنها با استفاده از matplotlib
- کار با کتابخانه pandas , numpy
- کار با کتابخانه scikit learn
- آشنایی با الگوریتمهای هوش مصنوعی مانند:
- linear regression
- logistic regression
- svm
- decision tree و رسم آن
- pca
- kfold cross validation, train-test
- knn
- آشنایی با شبکه های عصبی و mlp و آشنایی با backpropagation
- کار با کتابخانه pytorch
- kmeans clustering
- کار با داده های تصویری و نحوه آماده سازی و دخیره سازی و لود آنها در برنامه
- آشنایی با آنواع متریک های ارزیابی مدل
- انجام پروژه نهایی
- Deep learning:
- آشنایی با مقدمات
- آشنایی با شیکه های کانولوشنی
- آشنایی با نحوه transformation داده ها
- نحوه آموزش و تست شبکه
- توضیحاتی در رابطه با شبکه های autoencoder,vgg16,inception,vgg16 pretrained,resnet