دوره‌ها
کار با PyTorch
دورهٔ سوم یادگیری عمیق در مدرسهٔ هوش مصنوعی مایان: پای‌تورچ و مقایسه با تنسورفلو، تنسورها، مشتق‌گیری خودکار، ساخت مدل با ماژول، دیتاست و دیتالودر، حلقهٔ آموزش، آموزش روی کارت گرافیک، ذخیره و بارگذاری مدل، یادگیری انتقالی، لایتنینگ و یک تمرین طبقه‌بندی لباس؛ با انیمیشن و کد واقعی.
آموزش شبکه‌های عصبی
دورهٔ دوم یادگیری عمیق در مدرسهٔ هوش مصنوعی مایان: چرا شبکهٔ عمیق گاهی یاد نمی‌گیرد، مقداردهی اولیهٔ وزن‌ها، محوشدگی و انفجار گرادیان، نرمال‌سازی دسته‌ای و لایه‌ای، دراپ‌اوت، منظم‌سازی وزن‌ها، زمان‌بندی نرخ یادگیری، توقف زودهنگام، افزایش داده، پایش آموزش و عیب‌یابی؛ با انیمیشن و کد واقعی.
مبانی شبکه‌های عصبی
دورهٔ اول یادگیری عمیق در مدرسهٔ هوش مصنوعی مایان: از نورون زیستی تا نورون مصنوعی، پرسپترون و محدودیت‌هایش، شبکهٔ چندلایه، توابع فعال‌سازی، انتشار رو به جلو، تابع خطا، پس‌انتشار خطا، یک شبکهٔ کامل با NumPy، عمق و عرض، قضیهٔ تقریب‌گر جهانی و ارقام دست‌نویس؛ با انیمیشن و کد واقعی.
سری زمانی، سیستم توصیه‌گر و پروژه‌های جامع
دورهٔ هشتم و آخر یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: انتخاب و تعریف پروژه، پیش‌بینی سری زمانی، آریما و پرافت، سیستم توصیه‌گر محتوامحور و پالایش مشارکتی، سه پروژهٔ کامل، رابط کاربری با Streamlit و مستندسازی؛ با انیمیشن و کد واقعی.
مهندسی ویژگی و آماده‌سازی داده
دورهٔ هفتم یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: مقیاس‌بندی و نرمال‌سازی، کدگذاری متغیرهای دسته‌ای، جایگزینی داده‌های گمشده، ساخت ویژگی‌های جدید، ویژگی‌های زمانی و متنی، انتخاب ویژگی، پایپ‌لاین و ColumnTransformer در سایکیت‌لرن؛ با انیمیشن و کد واقعی.
یادگیری بدون نظارت
دورهٔ ششم یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: خوشه‌بندی با کی‌مینز، انتخاب تعداد خوشه‌ها، خوشه‌بندی سلسله‌مراتبی، DBSCAN، مدل آمیختهٔ گاوسی، کاهش ابعاد با PCA، t-SNE و UMAP، تشخیص ناهنجاری، قواعد انجمنی و بخش‌بندی مشتریان؛ با انیمیشن و کد واقعی.
ارزیابی و بهبود مدل
دورهٔ پنجم یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: اعتبارسنجی متقابل، نشت داده، داده‌های نامتوازن و SMOTE، ابرپارامترها، جستجوی شبکه‌ای، تصادفی و بیزی، منحنی یادگیری، تفسیر مدل با SHAP، و بهتر کردن قدم‌به‌قدم یک مدل ضعیف؛ با انیمیشن و کد واقعی.
درخت تصمیم و روش‌های جمعی
دورهٔ چهارم یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: از درخت تصمیم و معیار تقسیم تا هرس، یادگیری جمعی، بگینگ و جنگل تصادفی، اهمیت ویژگی‌ها، آدابوست، گرادیان بوستینگ، XGBoost و LightGBM و CatBoost، استکینگ، و یک پروژهٔ کامل تشخیص تقلب؛ با انیمیشن و کد واقعی.
طبقه‌بندی
دورهٔ سوم یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: از مرز تصمیم تا رگرسیون لجستیک، نزدیک‌ترین همسایه‌ها، بیز ساده، ماشین بردار پشتیبان و ترفند کرنل، طبقه‌بندی چندکلاسه، ماتریس درهم‌ریختگی، صحت و بازیابی، منحنی ROC، و یک پروژهٔ کامل پیش‌بینی ریزش مشتری؛ با انیمیشن و کد واقعی.
رگرسیون
دورهٔ دوم یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: از بازگشت به میانگین گالتون تا رگرسیون خطی ساده و چندگانه، فرض‌ها، رگرسیون چندجمله‌ای، ریج، لاسو و الاستیک نت، معیارهای سنجش، خواندن ضریب‌ها، درخت و جنگل تصادفی، و یک پروژهٔ کامل قیمت مسکن؛ با انیمیشن و کد واقعی.
مقدمه و گردش کار پروژه یادگیری ماشین
دورهٔ اول یادگیری ماشین در مدرسهٔ هوش مصنوعی مایان: از جور مسئله و چرخهٔ پروژه، تا سایکیت‌لرن، تقسیم داده، مدل پایه، اولین مدل، سنجش، سوگیری و واریانس، و ذخیرهٔ مدل؛ با انیمیشن و کد واقعی.
نظریه اطلاعات و ریاضیات در عمل
دورهٔ هشتم و آخر ریاضیات در مدرسهٔ هوش مصنوعی مایان: از آنتروپی، آنتروپی متقاطع و واگرایی KL، تا ریشهٔ ریاضی توابع خطا، رگرسیون خطی و لجستیک، یک نورون و پس‌انتشار خطا؛ با انیمیشن، نام‌پای و سای‌پای، بدون اثبات.
آمار توصیفی و استنباطی
دورهٔ هفتم ریاضیات در مدرسهٔ هوش مصنوعی مایان: از خلاصه کردن داده با میانگین، میانه و نمودار جعبه‌ای، تا نتیجه گرفتن از نمونه با فاصلهٔ اطمینان، آزمون فرض و آزمون A/B؛ با انیمیشن، نام‌پای، پانداس و سای‌پای، بدون اثبات.
توزیع‌های احتمال
دورهٔ ششم ریاضیات در مدرسهٔ هوش مصنوعی مایان: شکل‌های آشنای شانس و کاری که مدل‌ها با آن‌ها می‌کنند؛ از یکنواخت و دوجمله‌ای تا نرمال، قضیهٔ حد مرکزی، درست‌نمایی بیشینه و مونت‌کارلو، با انیمیشن و نام‌پای، بدون اثبات.
احتمال مقدماتی
دورهٔ پنجم ریاضیات در مدرسهٔ هوش مصنوعی مایان: احتمال چیست و مدل‌ها چطور با آن کار می‌کنند؛ از تاس و سکه تا قضیهٔ بیز و یک فیلتر هرزنامهٔ کوچک، با انیمیشن و نام‌پای، بدون اثبات.
بهینه‌سازی
دورهٔ چهارم ریاضیات در مدرسهٔ هوش مصنوعی مایان: مدل‌ها چطور با قدم‌های کوچیک روی زمین خطا یاد می‌گیرن؛ از تابع خطا تا گرادیان کاهشی، آدام و قید، با انیمیشن و نام‌پای، بدون اثبات.
حسابان برای یادگیری ماشین
دورهٔ سوم ریاضیات در مدرسهٔ هوش مصنوعی مایان: تابع، حد، مشتق، گرادیان و انتگرال، همان‌قدر که برای یادگیری ماشین لازم است؛ با نمودارهای متحرک و نام‌پای، بدون اثبات.
جبر خطی ۲: تبدیلات و تجزیه ماتریس
دورهٔ دوم ریاضیات در مدرسهٔ هوش مصنوعی مایان: ماتریس به‌عنوان تبدیلی که صفحه را جابه‌جا می‌کند، و تجزیه‌هایی که پشت PCA و فشرده‌سازی و جاسازی‌ها هستند؛ با انیمیشن و نام‌پای، بدون اثبات.
جبر خطی ۱: بردارها و ماتریس‌ها
دورهٔ اول ریاضیات در مدرسهٔ هوش مصنوعی مایان: بردارها و ماتریس‌ها با فلش‌هایی روی صفحه، و بعد با نام‌پای؛ بدون اثبات.
پروژه تحلیل اکتشافی داده (EDA)
دورهٔ هشتم و آخر پایتون در مدرسهٔ هوش مصنوعی مایان: یک پروژهٔ کامل تحلیل اکتشافی، از سؤال تا گزارش، روی فروش یک سال یک فروشگاه آنلاین.
مصورسازی داده
دورهٔ هفتم پایتون در مدرسهٔ هوش مصنوعی مایان: با Matplotlib، Seaborn و Plotly نمودارهایی می‌کشی که با عددهای درست، حرف درست بزنن.
تحلیل داده با Pandas
دورهٔ ششم پایتون در مدرسهٔ هوش مصنوعی مایان: جدول‌های واقعی رو با Pandas می‌خونی، تمیز می‌کنی، گروه‌بندی می‌کنی و ازشون جواب درمیاری.
محاسبات عددی با NumPy
دورهٔ پنجم پایتون در مدرسهٔ هوش مصنوعی مایان: با آرایه‌های NumPy، حساب‌وکتاب هزاران عدد رو توی چند خط و خیلی سریع انجام می‌دی.
فایل‌ها، خطاها و کتابخانه‌ها
دورهٔ چهارم پایتون در مدرسهٔ هوش مصنوعی مایان: فایل و CSV و JSON، مدیریت خطا، کتابخانه‌ها، پایگاه داده، API و گیت؛ ابزارهای یه برنامهٔ واقعی.
توابع و برنامه‌نویسی شیءگرا
دورهٔ سوم پایتون در مدرسهٔ هوش مصنوعی مایان: با تابع از تکرار خلاص می‌شی و با کلاس، داده و رفتار رو یه جا می‌ذاری.
ساختارهای داده و کنترل جریان
دورهٔ دوم پایتون در مدرسهٔ هوش مصنوعی مایان: لیست، دیکشنری، شرط و حلقه؛ و در آخر، یه برنامهٔ واقعی برای مدیریت فهرست دانشجوها.
شروع کار با پایتون
دورهٔ اول پایتون در مدرسهٔ هوش مصنوعی مایان: پایتون رو نصب می‌کنی، اولین برنامه‌هات رو می‌نویسی، و یاد می‌گیری از خطاها نترسی.
اخلاق، ریسک‌ها و آینده هوش مصنوعی
دورهٔ هشتم مدرسهٔ هوش مصنوعی مایان: پرونده‌های واقعی از سوگیری تا دیپ‌فیک، قانون‌ها، آیندهٔ کار، و اینکه تو از اینجا کدوم راه رو می‌ری.
پرامپت‌نویسی مقدماتی
دورهٔ هفتم مدرسهٔ هوش مصنوعی مایان: یاد می‌گیری با مدل‌ها روشن حرف بزنی، جواب بهتر بگیری و جواب‌ها رو راستی‌آزمایی کنی.
ابزارهای هوش مصنوعی در کار روزمره
دورهٔ ششم مدرسهٔ هوش مصنوعی مایان: از میان این همه ابزار، کدوم به کار تو میاد و چطور درست و امن ازش استفاده کنی.
ماشین چگونه یاد می‌گیرد؟ (بدون کد)
دورهٔ پنجم مدرسهٔ هوش مصنوعی مایان: ماشین چطور از مثال‌ها یاد می‌گیره، مدل چیه، و چطور می‌فهمیم خوب یاد گرفته؛ بدون یک خط کد.
داده؛ سوخت هوش مصنوعی
دورهٔ چهارم مدرسهٔ هوش مصنوعی مایان: داده از کجا میاد، چطور خوب یا بد می‌شه، و چرا همه‌چیز به اون بستگی داره.
شاخه‌های هوش مصنوعی
دورهٔ سوم مدرسهٔ هوش مصنوعی مایان: نقشهٔ دنیای هوش مصنوعی، از یادگیری ماشین تا هوش مصنوعی مولد.
تاریخچه و تحول هوش مصنوعی
دورهٔ دوم مدرسهٔ هوش مصنوعی مایان: از رؤیای ماشین فکرکننده تا چت‌بات‌های امروز.
هوش مصنوعی چیست؟
دورهٔ اول مدرسهٔ هوش مصنوعی مایان: هوش مصنوعی را بدون کدنویسی و به زبان ساده بشناس.