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.
داستان‌سرایی با داده فاصله بین یک تحلیل درست و یک تصمیم درست را پر می‌کند. در این قسمت پنج دسته مخاطب، ارتباط یک‌طرفه و دوطرفه، پنج راهبرد روایت داده، یک مطالعه موردی از مدیر محصول و قالب یک‌صفحه‌ای گزارش نتیجه مدل هوش مصنوعی را یاد می‌گیرید.
نمودار پراکندگی ساده‌ترین ابزار دیدن رابطه دو متغیر است. در این قسمت با داده تولید و قیمت عسل در آمریکا، نمودار پراکندگی با رنگ و اندازه، نمودار خطی با بازه اطمینان، شبکه فاست و نمودار دومحوره را با seaborn یاد می‌گیرید و از آن برای بررسی پیش‌بینی‌های مدل استفاده می‌کنید.
هیستوگرام چیست و چرا دو داده با میانگین یکسان می‌توانند کاملاً متفاوت باشند؟ در این قسمت هیستوگرام و انتخاب تعداد بازه، فیلتر داده کشیده، هیستوگرام دوبعدی، مقایسه توزیع گروه‌ها و نمودار چگالی KDE را با داده پرندگان یاد می‌گیرید و آن را برای پایش توزیع ورودی مدل به کار می‌برید.
نمودار میله‌ای یا دایره‌ای؟ انتخاب نمودار درست تعیین می‌کند گزارش شما فهمیده شود یا گمراه کند. در این قسمت با داده پرندگان مینه‌سوتا، پیدا کردن داده پرت با نمودار نقطه‌ای، نمایش تعداد با نمودار میله‌ای و نمایش نسبت با نمودار دایره‌ای، دونات و وافل را با Matplotlib یاد می‌گیرید.
تحلیل اکتشافی داده یا EDA قدمی است که پیش از هر مدلی باید برداشت. در این قسمت با داده واقعی ۵۳۰ آهنگ نیجریه‌ای، ساختار داده، مقادیر عجیب، توزیع ستون‌ها، همبستگی ویژگی‌ها و نشانه‌های خوشه‌پذیری را با pandas و seaborn بررسی می‌کنید و یک گزارش EDA قابل ارائه می‌سازید.
NoSQL چیست و کی باید به جای پایگاه داده رابطه‌ای از آن استفاده کرد؟ در این قسمت چهار نوع پایگاه داده NoSQL یعنی کلید-مقدار، سندی، گراف و ستونی را می‌شناسید، ساختار سند JSON و پرس‌وجوی آن را می‌بینید و یک طرح عملی برای ذخیره گفت‌وگوهای دستیار هوش مصنوعی می‌سازید.
آموزش SQL از پایه برای کسی که داده پروژه هوش مصنوعی را از پایگاه داده می‌خواند. در این قسمت جدول و رابطه، کلید اصلی و خارجی، SELECT و WHERE، پیوند جدول‌ها با JOIN، خلاصه‌سازی با GROUP BY و خواندن نتیجه در pandas را با مثال بارش شهرها و یک دستیار آموزشی 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.
پاک‌سازی داده مهم‌ترین و وقت‌گیرترین بخش هر پروژه هوش مصنوعی است. در این قسمت با info و head داده را می‌شناسید، مقدار گمشده را با isnull، dropna و fillna مدیریت می‌کنید، رکورد تکراری را حذف می‌کنید و متن فارسی ناسازگار را یکدست می‌کنید؛ همه در یک تابع قابل تکرار.
آموزش pandas از پایه برای کسی که می‌خواهد با پایتون داده تحلیل کند. در این قسمت Series و DataFrame، انتخاب و فیلتر ردیف، ستون محاسباتی با apply، گروه‌بندی با groupby، سری زمانی و resample و خواندن فایل CSV را با مثال‌های کوتاه یاد می‌گیرید و یک تحلیل قابل تکرار می‌سازید.
اخلاق داده فقط موضوع حقوقی نیست؛ تصمیم‌های روزمره‌ی جمع‌آوری و استفاده از داده است. در این قسمت اصول اخلاق داده، ده چالش رایج از رضایت آگاهانه تا حق فراموش شدن، چند نمونه واقعی مثل جایزه نتفلیکس و یک چک‌لیست عملی برای دستیار هوش مصنوعی را می‌خوانید.
چرخه عمر علم داده چه مراحلی دارد و چرا پروژه‌های داده بدون آن از مسیر خارج می‌شوند؟ در این قسمت پنج مرحله جمع‌آوری، پردازش، تحلیل، ارتباط و نگه‌داری را با سؤال‌های کلیدی هر مرحله، مقایسه TDSP و CRISP-DM و یک مثال pandas برای پروفایل داده یاد می‌گیرید.
