DARK Learn
مسیر یادگیری

متخصص یادگیری عمیق (Deep Learning)

نقشه راه کامل، به‌روز و معتبر برای تسلط بر یادگیری عمیق از مبانی ریاضی تا معماری‌های پیشرفته، پژوهش و استقرار

1

پیش‌نیازهای ریاضی و آمار (Math & Statistics Essentials)

جبر خطی (ماتریس‌ها، بردارها، SVD)، حسابان (مشتق جزئی، گرادیان)، احتمال (توزیع‌ها، زنجیره مارکوف)، آمار توصیفی

2

برنامه‌نویسی پایتون و کتابخانه‌های علمی (Python & Scientific Stack)

پایتون پیشرفته، NumPy، Pandas، Matplotlib، Jupyter، کار با داده‌های بزرگ‌مقیاس

3

مبانی یادگیری ماشین (Machine Learning Basics)

رگرسیون، طبقه‌بندی، خوشه‌بندی، اعتبارسنجی متقاطع، تنظیم هایپرپارامترها و کتابخانه Scikit-learn

4

مبانی شبکه‌های عصبی (Neural Networks Foundations)

پرسپترون، شبکه چندلایه، توابع فعال‌سازی، بک‌پراپگیشن، نزول گرادیان، منظم‌سازی (L1/L2, Dropout)

5

فریم‌ورک‌های یادگیری عمیق (Deep Learning Frameworks)

PyTorch (nn.Module, DataLoader, autograd) و TensorFlow/Keras؛ دیباگ کردن و کار با GPU

6

بهینه‌سازی و ترفندهای آموزش (Optimization & Training Tricks)

SGD، Adam، AdamW، LR scheduling، Gradient Clipping، Batch Normalization، Layer Normalization، Early Stopping

7

شبکه‌های کانوولوشنی و بینایی کامپیوتر (CNNs & Computer Vision)

معماری‌های کلاسیک (LeNet, AlexNet, VGG, ResNet, EfficientNet)، انتقال یادگیری، تشخیص شیء (YOLO, Faster R-CNN)، بخش‌بندی (U-Net, Mask R-CNN)

8

شبکه‌های بازگشتی و تحلیل توالی (RNNs & Sequence Modeling)

RNN، LSTM، GRU، معکوس‌سازی، توجه (Attention)، کاربرد در سری‌های زمانی و NLP پایه

9

مدل‌های ترنسفورمر و پردازش زبان طبیعی (Transformers & NLP)

توجه چندسر، Positional Encoding، BERT، GPT، معماری Encoder-Decoder (T5)، HuggingFace Transformers، تنظیم دقیق

10

مدل‌های مولد (Generative Models)

GAN (DCGAN, StyleGAN)، VAE، مدل‌های انتشار (Diffusion Models, Stable Diffusion)، تولید تصویر، صدا و متن

11

یادگیری خودنظارتی و نمایش‌ها (Self-Supervised & Representation Learning)

SimCLR، MoCo، MAE، پیش‌آموزش عمومی، یادگیری Contrastive و کاربرد آن در حوزه‌های مختلف

12

مدل‌های مولتی‌مودال و مقیاس بزرگ (Multimodal & Large-Scale Models)

CLIP، BLIP، مدل‌های Vision-Language، Scaling Laws، Mixture of Experts، پارامترهای بزرگ و بهینه‌سازی حافظه

13

بهینه‌سازی برای استنتاج و فشرده‌سازی (Inference Optimization & Model Compression)

Quantization، Pruning، Knowledge Distillation، TensorRT، ONNX و استنتاج روی موبایل/مرورگر

14

یادگیری تقویتی عمیق (Deep Reinforcement Learning)

Q-Learning، DQN، Policy Gradient، Actor-Critic (A2C/A3C, PPO)، محیط‌های Gym و کاربرد در بازی و رباتیک

15

MLOps و استقرار مدل‌های عمیق (MLOps & Deployment)

داکر، Kubernetes، API با FastAPI یا TorchServe، مدیریت آزمایش (W&B, MLflow)، مانیتورینگ در تولید

16

پروژه‌های عملی و نمونه‌کار (Projects & Portfolio)

ساخت پروژه‌های پایان-به-پایان (بینایی، زبان، مولد)، شرکت در Kaggle، انتشار کد و مستندات، مشارکت در اوپن‌سورس

17

پژوهش و پیشرفت‌های مرزی (Research & Cutting-Edge)

خواندن مقالات NeurIPS/ICML/CVPR، پیاده‌سازی ایده‌ها، آزمایش‌های تحقیقاتی، انتشار مقاله، دنبال کردن لیدرهای حوزه

18

مسیر شغلی و تخصص (Career Path & Specializations)

انتخاب میان مهندسی یادگیری عمیق، پژوهشگر AI، بینایی، NLP، مولد؛ گواهینامه‌ها (TensorFlow Developer, AWS ML)، شبکه‌سازی و مصاحبه