DARK Learn
مسیر یادگیری

متخصص یادگیری ماشین (Machine Learning)

نقشه راه کامل، به‌روز و بهینه برای تسلط بر یادگیری ماشین از مبانی ریاضی تا استقرار و پژوهش

1

ریاضیات و آمار بنیادی (Math & Statistics Foundations)

جبر خطی (ماتریس‌ها، بردارها)، حسابان (مشتق، گرادیان)، احتمال و آمار (توزیع‌ها، قضیه بیز، آزمون فرضیه) – پایه‌های ضروری برای درک الگوریتم‌ها

2

برنامه‌نویسی پایتون و ابزارهای علمی (Python & Scientific Stack)

پایتون پیشرفته، NumPy برای محاسبات عددی، Pandas برای داده‌های جدولی، Matplotlib/Seaborn برای مصورسازی و Jupyter Notebook برای آزمایش‌های تعاملی

3

آماده‌سازی و تحلیل اکتشافی داده (Data Preprocessing & EDA)

پاک‌سازی داده (مقادیر گمشده)، رمزگذاری ویژگی‌ها، مقیاس‌بندی و نرمال‌سازی، تحلیل اکتشافی برای کشف الگوها و همبستگی‌ها

4

یادگیری نظارت‌شده – رگرسیون (Supervised Learning: Regression)

رگرسیون خطی، رگرسیون چندجمله‌ای، رگرسیون Ridge و Lasso، ElasticNet، معیارهای خطا (MSE, MAE, R²) و تکنیک‌های منظم‌سازی

5

یادگیری نظارت‌شده – طبقه‌بندی (Supervised Learning: Classification)

رگرسیون لجستیک، k-نزدیک‌ترین همسایه (k-NN)، ماشین بردار پشتیبان (SVM)، درخت تصمیم، معیارهای دقت، صحت، فراخوانی، F1-score و منحنی ROC

6

یادگیری بدون نظارت (Unsupervised Learning)

خوشه‌بندی k-Means، DBSCAN، خوشه‌بندی سلسله‌مراتبی، کاهش ابعاد (PCA, t-SNE, UMAP) و کاربرد آن‌ها در فشرده‌سازی و کشف ساختار

7

روش‌های گروهی و تقویتی (Ensemble Methods & Boosting)

Bagging (Random Forest)، Boosting (AdaBoost، Gradient Boosting، XGBoost، LightGBM، CatBoost)، Stacking و کاهش واریانس/بایاس

8

مهندسی و انتخاب ویژگی (Feature Engineering & Selection)

ساخت ویژگی‌های جدید، Feature Importance، حذف ویژگی‌های بازگشتی (RFE)، استفاده از Mutual Information و SHAP برای تفسیرپذیری اولیه

9

اعتبارسنجی مدل و تنظیم هایپرپارامتر (Model Validation & Tuning)

اعتبارسنجی متقابل (k-fold)، جستجوی شبکه‌ای (Grid Search)، جستجوی تصادفی و Bayesian Optimization (Optuna)، جلوگیری از نشت داده

10

مبانی یادگیری عمیق (Deep Learning Introduction)

شبکه‌های عصبی مصنوعی، تابع فعال‌سازی، بک‌پراپگیشن، ساخت مدل در TensorFlow/Keras یا PyTorch، Regularization (Dropout, BatchNorm) برای مسائل جدولی و تصاویر ساده

11

یادگیری ماشین در مقیاس بزرگ و مهندسی داده (ML at Scale & Data Engineering)

کار با داده‌های حجیم با PySpark، ذخیره‌سازی در Data Lake، خطوط لوله ETL، Feature Store و پردازش دسته‌ای و لحظه‌ای

12

یادگیری ماشین برای متن و بینایی (Applied ML: NLP & Vision)

پیش‌پردازش متن (TF-IDF، Word Embeddings)، مدل‌های کلاسیک برای طبقه‌بندی متن؛ مبانی بینایی کامپیوتر با CNNها و انتقال یادگیری، آشنایی با مدل‌های HuggingFace

13

تفسیرپذیری مدل و اخلاق در ML (Model Explainability & Ethics)

SHAP، LIME، Partial Dependence Plots، تشخیص سوگیری، انصاف در یادگیری ماشین و ملاحظات حریم خصوصی

14

MLOps و استقرار مدل (MLOps & Deployment)

مدیریت آزمایش‌ها (MLflow)، نسخه‌بندی داده و مدل، ساخت API با FastAPI، داکر و Kubernetes، CI/CD برای ML، مانیتورینگ مدل در تولید و تشخیص drift

15

یادگیری ماشین پیشرفته و تخصصی (Advanced & Specialized Topics)

سری‌های زمانی (ARIMA, Prophet, LSTM)، سیستم‌های توصیه‌گر (Collaborative Filtering, Matrix Factorization)، تشخیص ناهنجاری، یادگیری فدرال و AutoML

16

پروژه‌های عملی و نمونه‌کار (Projects & Portfolio)

ساخت پروژه‌های کامل (پیش‌بینی قیمت، دسته‌بندی مشتری، سیستم پیشنهاددهی)، انتشار کد و مستندات در GitHub، شرکت در رقابت‌های Kaggle و نوشتن مقالات فنی

17

مسیر شغلی و یادگیری مداوم (Career & Continuous Learning)

آمادگی برای نقش‌های ML Engineer, Data Scientist; گواهینامه‌ها (AWS MLS, GCP Professional ML), دنبال کردن پژوهش‌های روز، حضور در کنفرانس‌ها و شبکه‌سازی حرفه‌ای