+بخش اول: مقدمه‌ای بر هوش مصنوعی
*هوش مصنوعی چیست؟

تعریف و محدوده آن (هوش مصنوعی محدود در مقابل هوش مصنوعی عمومی)
نمونه‌هایی از هوش مصنوعی در زندگی روزمره (دستیارهای صوتی، سیستم‌های پیشنهادگر، تشخیص پزشکی)
تاریخچه‌ای مختصر از هوش مصنوعی
نقاط عطف کلیدی (آزمون تورینگ، سیستم‌های خبره اولیه، پیشرفت‌های یادگیری عمیق)

*حوزه‌های اصلی هوش مصنوعی

یادگیری ماشین (نظارت‌شده، نظارت‌نشده، یادگیری تقویتی)
یادگیری عمیق و شبکه‌های عصبی
پردازش زبان طبیعی (چت‌بات‌ها، ترجمه ماشینی)
بینایی کامپیوتر (طبقه‌بندی تصاویر، تشخیص اشیا)

*مروری بر فرآیند یادگیری ماشین

جمع‌آوری و پیش‌پردازش داده‌ها
آموزش، ارزیابی و استقرار مدل

*یادگیری انتقالی و آموزش وظایف کمکی

یادگیری انتقالی: استفاده از مدل‌های از پیش آموزش‌دیده برای وظایف جدید (مانند ResNet، BERT، GPT)
آموزش وظایف کمکی: چگونگی کمک یادگیری چندوظیفه‌ای به مقیاس‌پذیری مدل‌ها (مانند یادگیری خودنظارتی در مدل‌های زبانی بزرگ)
نمونه‌هایی از موفقیت این تکنیک‌ها در مدل‌های زبانی بزرگ (LLMs)
—————————————————————————————-
بخش دوم: آموزش عملی یک شبکه عصبی کاملاً متصل با Keras
*مروری بر شبکه‌های عصبی و Keras

شبکه عصبی کاملاً متصل (FCN) چیست؟
معرفی Keras و TensorFlow
اجزای کلیدی: لایه‌ها، توابع فعال‌سازی، توابع هزینه، بهینه‌سازها

*راه‌اندازی محیط برنامه‌نویسی

استفاده از Google Colab یا Jupyter Notebook
نصب کتابخانه‌های مورد نیاز (tensorflow، keras، numpy، matplotlib)

*آماده‌سازی داده‌ها

استفاده از یک مجموعه داده ساده ( Fashion MNIST)
پیش‌پردازش داده‌ها: بارگذاری داده ها، نرمال‌سازی

*ساخت و آموزش مدل

تعریف یک مدل FCN در Keras
انتخاب هایپرپارامترها (تعداد لایه‌ها، تعداد نورون‌ها، توابع فعال‌سازی)
آموزش و ارزیابی مدل

*آزمون و تجسم نتایج

پیش‌بینی با مدل آموزش‌دیده
رسم نمودارهای کاهش خطا و دقت مدل

*مرور نکات کلیدی
*منابعی برای یادگیری بیشتر