محور موضوعی
آموزش هوش مصنوعی مولد به زبان فارسی، قدم‌به‌قدم و کاربردی؛ از پرامپت‌نویسی و ساخت چت‌بات تا RAG، ایجنت‌ها، ارزیابی و امنیت. یک مسیر ۵۰ قسمتی که از مفاهیم پایه شروع می‌شود و تا ساخت ایجنت‌های واقعی پیش می‌رود.
خوشه‌بندی K-Means ساده‌ترین و پرکاربردترین روش گروه‌بندی داده بدون برچسب است. در این قسمت چهار قدم الگوریتم، اهمیت مقیاس‌بندی، انتخاب تعداد خوشه با روش آرنج، سنجش کیفیت با امتیاز سیلوئت و محدودیت‌های K-Means را با داده آهنگ‌های نیجریه‌ای و مثال پایتون یاد می‌گیرید.
کدام الگوریتم طبقه‌بندی بهتر است؟ پاسخ فقط با آزمون منصفانه روی داده خودتان معلوم می‌شود. در این قسمت رگرسیون لجستیک، Linear SVC، KNN، SVM با کرنل، جنگل تصادفی و AdaBoost را می‌شناسید و با اعتبارسنجی متقابل، معیار یکسان و زمان اجرا، روی داده غذاهای آسیایی مقایسه می‌کنید.
طبقه‌بندی در یادگیری ماشین از تعریف دقیق برچسب شروع می‌شود، نه از انتخاب الگوریتم. در این قسمت با داده ۲۴۴۸ دستور غذای آسیایی، طبقه‌بندی دودویی و چندکلاسه، حذف ویژگی‌های بی‌اثر، داده نامتوازن و SMOTE، خط پایه و معیار F1 کلان را یاد می‌گیرید و مدل را برای استفاده در وب آماده می‌کنید.
رگرسیون لجستیک چیست و چطور از یک عدد، احتمال و بعد تصمیم دسته‌بندی می‌سازد؟ در این قسمت تابع سیگموید، انواع دودویی، چندگانه و ترتیبی، رمزگذاری ترتیبی و یک‌داغ، ماتریس درهم‌ریختگی، منحنی ROC و انتخاب آستانه تصمیم را با داده رنگ کدو تنبل یاد می‌گیرید.
رگرسیون خطی چیست و چرا تقریباً هر پروژه پیش‌بینی عددی باید با آن شروع شود؟ در این قسمت کمترین مربعات، شیب و عرض از مبدأ، همبستگی، ساخت مدل با scikit-learn، معیارهای RMSE و R2، رگرسیون چندجمله‌ای و افزودن ویژگی دسته‌ای را با داده قیمت کدو تنبل یاد می‌گیرید.
مهندسی ویژگی پلی است بین داده خام و مدل یادگیری ماشین. در این قسمت با داده واقعی قیمت کدو تنبل، انتخاب ستون، ساخت ویژگی از تاریخ، یکسان کردن واحد، رمزگذاری دسته‌ای، مقیاس‌بندی و ساخت Pipeline در scikit-learn را یاد می‌گیرید و از نشت داده دوری می‌کنید.
سوگیری در هوش مصنوعی از کجا می‌آید و چطور پیدایش کنیم؟ در این قسمت پنج نوع آسیب ناعادلانه، شش اصل هوش مصنوعی مسئولانه و ارزیابی تأثیر را می‌شناسید و یاد می‌گیرید دقت مدل را به تفکیک گروه‌های کاربران با پایتون بسنجید تا میانگین خوب، ضعف پنهان را نپوشاند.
شبکه عصبی چیست و چطور از اشتباهش یاد می‌گیرد؟ در این قسمت از پرسپترون روزنبلات شروع می‌کنیم، تابع خطا، نزول گرادیان و نرخ یادگیری را با مثال عددی می‌فهمیم، به شبکه چندلایه و پس‌انتشار خطا می‌رسیم و یک پرسپترون کوچک را با پایتون از صفر می‌سازیم.
ایجنت هوش مصنوعی محلی یعنی مدل، اسناد و ابزارها همه روی دستگاه خودتان اجرا شوند. در این آموزش مزایا و محدودیت مدل‌های کوچک، Foundry Local و Qwen، RAG محلی با Chroma، MCP محلی و مسیریابی ترکیبی میان محلی و ابری را یاد می‌گیرید.
وقتی سرویسی API ندارد، ایجنت مرورگر می‌تواند مثل یک کاربر صفحه را باز کند، بخواند و داده استخراج کند. در این آموزش Browser-Use و Playwright، انتخاب میان ایجنت و کنترل مستقیم و هفت محافظ ایمنی برای کار روی سایت‌های واقعی را یاد می‌گیرید.
Microsoft Agent Framework چارچوب یکپارچه‌ی مایکروسافت برای ساخت ایجنت است. در این آموزش ایجنت، ابزار، جلسه، میان‌افزار و جریان کار را با نمونه کد پایتون می‌شناسید و یاد می‌گیرید یک نمونه‌ی کوچک با مرز روشن میان اجزا بسازید.
حافظه وقتی مفید است که اطلاعات ذخیره‌شده هنوز درست و مرتبط باشد. در این آموزش حافظه ایجنت را می‌شناسید؛ هفت نوع حافظه، ابزارهایی مثل Mem0 و Cognee، ایجنت دانش برای یادگیری از گفت‌وگو و طراحی حافظه‌ای که منشأ، بازه‌ی اعتبار و امکان حذف داشته باشد.
