آریا آکادمی
ثبت‌نام ورود
دوره آنلاین و زنده آریا آکادمی

هوش مصنوعی کاربردی و یادگیری ماشین

این دوره با تمرکز بر درک درست مسئله و ساخت pipeline، یادگیری ماشین را از تئوری به محصول نزدیک می‌کند.

★★★★★5از 34 نظر دانشجویان
12 جلسه آموزشیمدیر ارشد آریا آکادمی مدرس دورهپروژه‌محور سبک یادگیری
تصویر دوره هوش مصنوعی کاربردی و یادگیری ماشین
01
قبل از شروع

این دوره چه مسیری را برایت می‌سازد؟

این دوره با تمرکز بر درک درست مسئله و ساخت pipeline، یادگیری ماشین را از تئوری به محصول نزدیک می‌کند.

مناسب برای

  • برنامه‌نویسان Python و تحلیل‌گران داده
  • افرادی که می‌خواهند پروژه AI قابل ارائه بسازند

دستاوردهای اصلی

  • آماده‌سازی داده و feature engineering
  • انتخاب و آموزش مدل
  • ارزیابی و جلوگیری از overfitting
  • ارائه مدل در یک سرویس ساده
پروژه نهایی

در پایان چه چیزی می‌سازی؟

ساخت مدل پیش‌بینی یا دسته‌بندی و ارائه آن از طریق API با گزارش کامل ارزیابی.

↗
02
مسیر آموزشی

سرفصل جلسات دوره

آموزش پروژه‌محور با notebook، تحلیل نتایج و بحث درباره محدودیت‌های مدل.

فصل 1

پایه‌گذاری و ساخت هسته پروژه

01جلسه 1: تعریف مسئله و ساخت دیتاست پروژه+
توضیحات جلسه

در این جلسه، «تعریف مسئله و ساخت دیتاست پروژه» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

راه‌اندازی ماژول تعریف مسئله و ساخت دیتاست پروژه برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

02جلسه 2: پاک‌سازی داده و تحلیل کیفیت+
توضیحات جلسه

در این جلسه، «پاک‌سازی داده و تحلیل کیفیت» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

ساخت ماژول پاک‌سازی داده و تحلیل کیفیت برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

03جلسه 3: Feature Engineering برای مدل+
توضیحات جلسه

در این جلسه، «Feature Engineering برای مدل» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

توسعه ماژول Feature Engineering برای مدل برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

فصل 2

پیاده‌سازی قابلیت‌های اصلی

04جلسه 4: ساخت baseline و تقسیم داده+
توضیحات جلسه

در این جلسه، «ساخت baseline و تقسیم داده» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

تکمیل ماژول ساخت baseline و تقسیم داده برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

05جلسه 5: آموزش مدل‌های supervised+
توضیحات جلسه

در این جلسه، «آموزش مدل‌های supervised» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

امن‌سازی ماژول آموزش مدل‌های supervised برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

06جلسه 6: مقایسه مدل‌ها و تنظیم پارامتر+
توضیحات جلسه

در این جلسه، «مقایسه مدل‌ها و تنظیم پارامتر» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

آزمایش ماژول مقایسه مدل‌ها و تنظیم پارامتر برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

فصل 3

یکپارچه‌سازی و تکمیل محصول

07جلسه 7: ارزیابی، cross-validation و overfitting+
توضیحات جلسه

در این جلسه، «ارزیابی، cross-validation و overfitting» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

بهینه‌سازی ماژول ارزیابی، cross-validation و overfitting برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

08جلسه 8: ساخت pipeline قابل تکرار+
توضیحات جلسه

در این جلسه، «ساخت pipeline قابل تکرار» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

انتشار ماژول ساخت pipeline قابل تکرار برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

09جلسه 9: ذخیره و بارگذاری مدل+
توضیحات جلسه

در این جلسه، «ذخیره و بارگذاری مدل» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

بازطراحی ماژول ذخیره و بارگذاری مدل برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

فصل 4

تست، انتشار و ارائه پروژه

10جلسه 10: ساخت API برای پیش‌بینی+
توضیحات جلسه

در این جلسه، «ساخت API برای پیش‌بینی» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

مستندسازی ماژول ساخت API برای پیش‌بینی برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

11جلسه 11: طراحی پروژه پیش‌بینی واقعی+
توضیحات جلسه

در این جلسه، «طراحی پروژه پیش‌بینی واقعی» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

اتصال ماژول طراحی پروژه پیش‌بینی واقعی برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

12جلسه 12: دمو، تحلیل خطا و ارائه مدل+
توضیحات جلسه

در این جلسه، «دمو، تحلیل خطا و ارائه مدل» را برای ساخت بخشی از مدل پیش‌بینی قابل استفاده یاد می‌گیرید. آموزش با نمایش خروجی نهایی شروع می‌شود، سپس مفاهیم ضروری کوتاه و کاربردی توضیح داده می‌شوند و بعد دانشجویان همراه مدرس قابلیت را از صفر پیاده‌سازی می‌کنند. جلسه با تست، رفع یک خطای واقعی و تحویل خروجی قابل اجرا تمام می‌شود.

مینی‌پروژه

ارائه ماژول دمو، تحلیل خطا و ارائه مدل برای مدل پیش‌بینی قابل استفاده. دانشجو باید یک خروجی قابل اجرا بسازد، حداقل یک سناریوی موفق و یک سناریوی خطا را امتحان کند و کد و نتیجه را تحویل دهد.

03
آمادگی شروع

پیش‌نیازها و مناسب چه کسانی است؟

✓

پیش‌نیازهای دوره

  • Python و تحلیل داده مقدماتی
  • آشنایی پایه با جبر و آمار مفید است
◎

این دوره برای شماست اگر...

  • برنامه‌نویسان Python و تحلیل‌گران داده
  • افرادی که می‌خواهند پروژه AI قابل ارائه بسازند
04
سبک برگزاری

کلاس آنلاین و زنده

آموزش پروژه‌محور با notebook، تحلیل نتایج و بحث درباره محدودیت‌های مدل. در طول کلاس می‌توانی سؤال بپرسی، صفحه‌ات را به اشتراک بگذاری، تمرین را همان لحظه انجام بدهی و بازخورد مستقیم بگیری.

بازخورد یادگیرندگان

نظر دانشجویان درباره این دوره

تجربه‌های واقعی دانشجویان بعد از شرکت در کلاس‌های آنلاین و انجام پروژه.

5★★★★★34 نظر تأییدشده
م
مهسا احمدی2026/07/06
★★★★★

مثال‌های عملی باعث شد موضوع را خیلی سریع‌تر از مطالعه تنها یاد بگیرم.

پ
پارسا کریمی2026/07/03
★★★★★

کلاس زنده و امکان پرسش‌وپاسخ مهم‌ترین نقطه قوت این دوره بود.

ا
الهام نادری2026/06/30
★★★★★

مطالب از پایه شروع شد و قدم‌به‌قدم به مباحث حرفه‌ای رسید.

م
محمدحسین موسوی2026/06/27
★★★★★

تمرین‌ها کاربردی بودند و الان یک نمونه‌کار قابل ارائه دارم.

ر
رها کاظمی2026/06/24
★★★★★

پشتیبانی و بازخورد مدرس کمک کرد اشتباهاتم را درست متوجه شوم.

آ
آرمان یوسفی2026/06/21
★★★★★

ساختار جلسات، فایل‌ها و مسیر پروژه بسیار مرتب و قابل دنبال‌کردن بود.

تجربه‌ات را بنویس

این دوره را گذرانده‌ای؟ نظر بده

نظر تو بعد از بررسی کوتاه تیم، در همین صفحه نمایش داده می‌شود.

ورود برای ثبت نظر
برای ادامه مسیر

دوره‌های مشابه یا موردنیاز

همه دوره‌ها ←
✦گواهیپایان دوره
دستاورد قابل ارائه

مدرک پایان دوره آریا آکادمی

پس از حضور در کلاس‌های زنده، تحویل پروژه و موفقیت در ارزیابی نهایی، گواهی پایان دوره برایت صادر می‌شود.

  • نام دوره و نام دانشجو روی گواهی درج می‌شود.
  • شماره گواهی برای پیگیری و ارائه در رزومه ثبت می‌شود.
  • پروژه نهایی و مهارت‌های کسب‌شده بخشی از مسیر ارزیابی هستند.
دوره‌های پروژه‌محوریاد بگیر، تمرین کن، بساز
کلاس آنلاین و ضبط‌شدهیادگیری با زمان‌بندی خودت
مسیر یادگیری روشناز شروع تا مهارت قابل ارائه
گواهی پایان مسیرنتیجه‌ی تلاش تو قابل ارائه است
پشتیبانی آموزشیدر مسیر یادگیری تنها نیستی