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.