چرا این دوره؟

با گسترش حجم داده‌ها و پیچیدگی رفتار کاربران، روش‌های سنتی پیشنهاددهی دیگر پاسخگوی نیازهای امروزی نیستند. یادگیری عمیق (Deep Learning) با قابلیت‌های بی‌نظیر خود در استخراج الگوهای پیچیده و یادگیری نمایش‌های (Representations) معنایی از داده‌ها، انقلابی در حوزه سیستم‌های توصیه‌گر ایجاد کرده است. این دوره به شما کمک می‌کند تا:

• مهارت‌های لازم برای ساخت سیستم‌های توصیه‌گر هوشمند و کارآمد را کسب کنید.
• با جدیدترین الگوریتم‌ها و معماری‌های یادگیری عمیق در این زمینه آشنا شوید.
• توانایی پیاده‌سازی پروژه‌های واقعی و کاربردی را بدست آورید.
• درک عمیقی از نحوه عملکرد پلتفرم‌های بزرگ مانند نتفلیکس، اسپاتیفای و آمازون پیدا کنید.
• با در اختیار داشتن محتوای آموزشی بر روی یک فلش مموری 32 گیگابایتی، به صورت آفلاین و بدون نیاز به دانلودهای حجیم، یادگیری خود را ادامه دهید.

مخاطبان دوره

این دوره برای افراد زیر بسیار مناسب است:

• توسعه‌دهندگان نرم‌افزار و مهندسان داده که به دنبال افزودن قابلیت‌های توصیه‌گر به محصولات خود هستند.
• دانشمندان داده و متخصصان هوش مصنوعی که می‌خواهند دانش خود را در زمینه یادگیری عمیق برای سیستم‌های توصیه‌گر ارتقا دهند.
• دانشجویان رشته‌های علوم کامپیوتر، مهندسی نرم‌افزار و رشته‌های مرتبط که به دنبال یادگیری عملی و کاربردی در حوزه هوش مصنوعی هستند.
• کارآفرینان و صاحبان کسب‌وکار که می‌خواهند از قدرت سیستم‌های توصیه‌گر برای بهبود تجربه مشتری و افزایش فروش خود استفاده کنند.

پیش‌نیازها

برای بهره‌مندی کامل از این دوره، داشتن دانش اولیه در زمینه‌های زیر توصیه می‌شود:

• آشنایی با اصول زبان برنامه‌نویسی پایتون.
• دانش پایه‌ای در زمینه یادگیری ماشین (مانند مفاهیم رگرسیون، طبقه‌بندی، ارزیابی مدل).
• آشنایی مقدماتی با کتابخانه‌های علمی پایتون مانند NumPy و Pandas.
• (اختیاری اما مفید) آشنایی اولیه با مفاهیم شبکه‌های عصبی.

سرفصل‌های کلیدی دوره

این دوره آموزشی به طور منظم ساختار یافته و بخش‌های مختلفی را پوشش می‌دهد:

بخش اول: مبانی سیستم‌های توصیه‌گر

• مقدمه‌ای بر سیستم‌های توصیه‌گر: تاریخچه، اهمیت و کاربردها.
• انواع رویکردهای سیستم‌های توصیه‌گر:
• فیلترینگ مبتنی بر محتوا (Content-Based Filtering): نحوه تحلیل ویژگی‌های آیتم‌ها و تطابق با ترجیحات کاربر.
• فیلترینگ مشارکتی (Collaborative Filtering):
• رویکرد مبتنی بر کاربر (User-Based CF).
• رویکرد مبتنی بر آیتم (Item-Based CF).
• روش‌های ماتریس فاکتورization (Matrix Factorization) مانند SVD و NMF.
• رویکردهای ترکیبی (Hybrid Approaches): ادغام روش‌های مختلف برای بهبود دقت.
• متریک‌های ارزیابی سیستم‌های توصیه‌گر: Precision, Recall, F1-Score, NDCG, MAP و...

بخش دوم: یادگیری عمیق در سیستم‌های توصیه‌گر

• مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی.
• شبکه‌های عصبی پیشخور (Feedforward Neural Networks) برای توصیه‌گرها.
• مدل‌های مبتنی بر Embeddings:
• یادگیری بازنمایی‌های جاسازی شده (Embeddings) برای کاربران و آیتم‌ها.
• معرفی مدل‌های مانند Word2Vec و GloVe و کاربرد آن‌ها در توصیه‌گرها.
• Autoencoders: استفاده از Autoencoders برای یادگیری نمایش‌های فشرده از داده‌های تعاملی کاربر-آیتم.
• شبکه‌های عصبی کانولوشنی (CNNs):
• کاربرد CNN در پردازش محتوای متنی (توضیحات محصول، نقدها) برای سیستم‌های توصیه‌گر مبتنی بر محتوا.
• استفاده از CNN برای مدل‌سازی تعاملات کاربر-آیتم.
• شبکه‌های عصبی بازگشتی (RNNs) و LSTM:
• مدل‌سازی توالی اقدامات کاربر (Sequence-Aware Recommendation).
• پیش‌بینی رفتار آینده کاربر بر اساس تاریخچه تعاملات.
• معماری‌های پیشرفته:
• Deep Factorization Machines (DeepFM): ترکیب قدرت Factorization Machines با شبکه‌های عصبی عمیق.
• Graph Neural Networks (GNNs): استفاده از ساختارهای گراف برای مدل‌سازی روابط پیچیده بین کاربران و آیتم‌ها.
• Transformer-based Recommenders: بهره‌گیری از قابلیت‌های موازی‌سازی و توجه (Attention) در مدل‌های ترنسفورمر.

بخش سوم: پیاده‌سازی عملی با پایتون

• معرفی کتابخانه‌ها و فریم‌ورک‌های کلیدی: TensorFlow، PyTorch، Scikit-learn، Surprise، LightFM.
• مثال‌های عملی و پروژه‌های گام به گام:
• ساخت یک سیستم توصیه‌گر مبتنی بر فیلترینگ مشارکتی با استفاده از SVD.
• پیاده‌سازی یک سیستم توصیه‌گر مبتنی بر محتوا با استفاده از TF-IDF و Cosine Similarity.
• ساخت یک مدل یادگیری عمیق با استفاده از Keras/TensorFlow برای سیستم توصیه‌گر (مانند Neural Collaborative Filtering).
• آموزش و پیاده‌سازی یک مدل Sequence-Aware با استفاده از LSTM.
• کار با مجموعه داده‌های واقعی (مانند MovieLens، Amazon Reviews).
• نحوه آماده‌سازی داده‌ها، پیش‌پردازش و مهندسی ویژگی.
• تنظیم هایپرپارامترها و بهینه‌سازی مدل‌ها.
• ارزیابی عملکرد مدل‌های یادگیری عمیق.

بخش چهارم: مباحث پیشرفته و کاربردی

• سیستم‌های توصیه‌گر برای داده‌های پراکنده (Sparse Data).
• سیستم‌های توصیه‌گر Real-time.
• Cold-Start Problem: راهکارها برای کاربران و آیتم‌های جدید.
• Context-Aware Recommendation Systems: در نظر گرفتن عوامل محیطی و زمانی.
• Fairness و Explainability در سیستم‌های توصیه‌گر.
• Deploy کردن سیستم‌های توصیه‌گر.

مزایای یادگیری این دوره

• محتوای جامع و به‌روز: پوشش دادن تکنیک‌های کلاسیک و پیشرفته یادگیری عمیق.
• یادگیری عملی: تمرکز بر پیاده‌سازی با کد و پروژه‌های واقعی.
• فایل فیزیکی: ارائه بر روی فلش مموری 32 گیگابایتی، امکان دسترسی آسان و بدون نیاز به اینترنت پایدار.
• مهارت‌افزایی: کسب مهارت‌هایی که در بازار کار امروز بسیار پرتقاضا هستند.
• درک عمیق: فراتر رفتن از صرفاً استفاده از کتابخانه‌ها و درک منطق پشت الگوریتم‌ها.
• پتانسیل شغلی: آمادگی برای موقعیت‌های شغلی مرتبط با علم داده، یادگیری ماشین و هوش مصنوعی.