• 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