• مبانی شبکه‌های عصبی را به طور کامل درک کنید: شامل مفاهیم نورون‌ها (پرسپترون)، لایه‌ها (ورودی، پنهان، خروجی)، وزن‌ها، بایاس‌ها و نحوه ارتباط آن‌ها با یکدیگر.
• انواع مختلف توابع فعال‌سازی (Activation Functions) مانند سیگموئید (Sigmoid)، ReLU (Rectified Linear Unit)، و tanh را بشناسید و نحوه تأثیر آن‌ها بر خروجی نورون‌ها را پیاده‌سازی کنید.
• الگوریتم انتشار رو به جلو (Forward Propagation) را قدم به قدم پیاده‌سازی کنید تا بتوانید خروجی یک شبکه عصبی را برای یک ورودی داده شده محاسبه کنید.
• مفاهیم تابع هزینه (Cost Function) و گرادیان کاهشی (Gradient Descent) را درک کرده و آن‌ها را برای بهینه‌سازی وزن‌ها و بایاس‌های شبکه پیاده‌سازی کنید.
• الگوریتم حیاتی پس‌انتشار (Backpropagation) را با جزئیات کامل و از صفر با پایتون پیاده‌سازی کنید. این بخش هسته اصلی یادگیری در شبکه‌های عصبی است و شما را قادر می‌سازد تا خطا را در شبکه به عقب انتشار داده و وزن‌ها را بهینه کنید.
• یک شبکه عصبی چندلایه (Multi-Layer Perceptron – MLP) را به طور کامل با استفاده از NumPy بسازید، آموزش دهید و ارزیابی کنید. این شامل پیش‌پردازش داده‌ها، تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی، و تنظیم ابرپارامترها (Hyperparameters) می‌شود.
• روش‌های اشکال‌زدایی (Debugging) و بهبود عملکرد مدل‌های شبکه عصبی خود را یاد بگیرید.
• توانایی حل مسائل عملی را با استفاده از شبکه‌های عصبی که خودتان ساخته‌اید، کسب کنید. این شامل پیاده‌سازی مدل‌های طبقه‌بندی (Classification) و رگرسیون (Regression) برای داده‌های ساده می‌شود.

• درک عمیق نظری و عملی: به جای استفاده صرف از فریم‌ورک‌ها، شما مکانیسم‌های زیربنایی را به طور کامل درک خواهید کرد. این درک عمیق به شما کمک می‌کند تا در صورت بروز مشکل، بتوانید آن را ریشه‌یابی و حل کنید، و همچنین مدل‌های پیچیده‌تر و سفارشی‌سازی‌شده بسازید.
• تقویت مهارت‌های برنامه‌نویسی پایتون: پیاده‌سازی از صفر، مهارت‌های برنامه‌نویسی پایتون شما، به خصوص در زمینه محاسبات علمی با NumPy، را به شدت تقویت می‌کند.
• آمادگی برای مباحث پیشرفته‌تر: درک کامل از Backpropagation و Gradient Descent که در این دوره آموزش داده می‌شود، شما را برای یادگیری مباحث پیشرفته‌تر مانند شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی بازگشتی (RNN) و فریم‌ورک‌هایی مانند TensorFlow و PyTorch به خوبی آماده می‌کند.
• افزایش اعتماد به نفس: توانایی ساخت یک شبکه عصبی از ابتدا، به شما اعتماد به نفس زیادی برای ورود به پروژه‌های هوش مصنوعی و یادگیری ماشین می‌دهد.
• مزیت رقابتی در بازار کار: کارفرمایان به دنبال متخصصانی هستند که نه تنها بلد باشند از ابزارها استفاده کنند، بلکه درکی عمیق از نحوه کارکرد آن‌ها داشته باشند. این دوره دقیقاً همین تخصص را به شما می‌دهد.

• آشنایی مقدماتی با برنامه‌نویسی پایتون: توانایی نوشتن کدهای ساده پایتون، درک مفاهیم متغیرها، حلقه‌ها، شرط‌ها و توابع.
• مقدمات جبر خطی: آشنایی با عملیات ماتریس‌ها و بردارها (مانند ضرب ماتریسی). نیازی به تسلط کامل نیست، اما درک این مفاهیم بسیار مفید خواهد بود.
• مقدمات حسابان (Calculus): آشنایی با مفهوم مشتق و قاعده زنجیره‌ای (Chain Rule). این مفاهیم برای درک Backpropagation ضروری هستند، اما در طول دوره به صورت عملی مرور خواهند شد.
• اشتیاق به یادگیری: مهم‌تر از هر چیز، علاقه و اشتیاق به درک عمیق هوش مصنوعی و آمادگی برای چالش‌های کدنویسی.

بخش ۱: مقدمه و آشنایی با مبانی شبکه‌های عصبی

• معرفی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق.
• تاریخچه مختصر شبکه‌های عصبی و کاربردهای امروزی آن‌ها.
• تشریح مفهوم نورون بیولوژیکی و الهام‌گیری از آن برای ایجاد پرسپترون.

بخش ۲: نورون‌ها و توابع فعال‌سازی از صفر

• پیاده‌سازی یک پرسپترون ساده با پایتون.
• بررسی و پیاده‌سازی توابع فعال‌سازی مختلف (Sigmoid, ReLU, Tanh) و درک نقش آن‌ها در افزودن غیرخطی بودن به مدل.

بخش ۳: ساختار شبکه‌های عصبی Feedforward

• درک لایه‌ها: لایه ورودی، لایه‌های پنهان، و لایه خروجی.
• مفهوم وزن‌ها و بایاس‌ها و نحوه مقداردهی اولیه آن‌ها.
• ساخت یک ساختار کلی برای شبکه عصبی چندلایه.

بخش ۴: انتشار رو به جلو (Forward Propagation)

• محاسبه خروجی هر لایه و انتقال آن به لایه بعدی.
• پیاده‌سازی مرحله به مرحله Forward Propagation با استفاده از عملیات ماتریسی NumPy.
• مثال عملی برای محاسبه خروجی یک شبکه ساده.

بخش ۵: مفهوم تابع هزینه و گرادیان کاهشی

• معرفی توابع هزینه (مانند Mean Squared Error و Cross-Entropy) برای اندازه‌گیری خطای مدل.
• توضیح کامل مفهوم گرادیان کاهشی (Gradient Descent) و نقش آن در یافتن بهینه وزن‌ها.
• پیاده‌سازی گرادیان کاهشی برای یک تابع ساده.

بخش ۶: انتشار رو به عقب (Backpropagation) با NumPy

• شرح دقیق الگوریتم Backpropagation با استفاده از قاعده زنجیره‌ای.
• پیاده‌سازی Backpropagation برای هر لایه به صورت جزء به جزء و ادغام آن در ساختار کلی شبکه.
• این بخش قلب دوره است و بر درک عمیق نحوه به‌روزرسانی وزن‌ها متمرکز خواهد بود.

بخش ۷: ساخت و آموزش یک شبکه عصبی کامل از صفر

• جمع‌بندی تمام مفاهیم و پیاده‌سازی یک شبکه عصبی چندلایه کامل با NumPy.
• پردازش داده‌ها، نرمال‌سازی و تقسیم مجموعه داده.
• پیاده‌سازی چرخه کامل آموزش: Forward Pass، محاسبه خطا، Backpropagation، و به‌روزرسانی وزن‌ها.
• معرفی مفاهیم Epochs و Batch Size.

بخش ۸: ارزیابی و بهبود مدل

• معیارهای ارزیابی عملکرد مدل (دقت، از دست دادن، …)
• مقدمه‌ای بر تکنیک‌های تنظیم ابرپارامترها (Hyperparameter Tuning).
• نکات و ترفندهایی برای اشکال‌زدایی و بهبود عملکرد شبکه عصبی.

بخش ۹: پروژه‌های عملی و کاربردها

• انجام یک یا چند پروژه عملی کوچک برای طبقه‌بندی داده‌های ساده (مانند دسته‌بندی ارقام MNIST یا Iris) یا رگرسیون.
• این بخش به شما امکان می‌دهد تا دانش کسب شده را در سناریوهای واقعی به کار بگیرید.