از مدل آزمایشی تا یک سیستم یادگیری قابل تکرار و قابل دفاع
در این کورس فقط مدل آموزش نمی‌دهید. یاد می‌گیرید مسئله را به یک سیستم ML تبدیل کنید، داده و ارزیابی را درست طراحی کنید، کد را از Notebook به ساختار ماژولار ببرید، Pipeline و Test بسازید و همین منطق مهندسی را در یک مسیر فشرده Deep Learning نیز تجربه کنید.
فاصله میان Data Science و ML Engineering
یک مدل خوب، هنوز یک سیستم خوب نیست
در پروژه واقعی، Accuracy یا Loss تنها بخشی از ماجراست. داده باید درست Split شود، Leakage کنترل شود، آزمایش قابل بازتولید باشد، کد خارج از Notebook اجرا شود و آموزش و پیش‌بینی روی قرارداد مشخصی توافق داشته باشند.
وقتی پروژه در حد مدل می‌ماند
- معیار ارزیابی بدون ارتباط روشن با مسئله انتخاب می‌شود.
- تقسیم تصادفی داده روی داده زمانی نتیجه‌ای خوش‌بینانه می‌سازد.
- مهندسی ویژگی فقط داخل Notebook قابل اجراست.
- نسخه داده، Config و Experiment قابل ردیابی نیست.
- مدل کار می‌کند، اما مسیر پیش‌بینی و حالت‌های شکست روشن نیست.
رویکرد این کورس
- صورت‌بندی مسئله به‌عنوان یک ML System
- طراحی Data Contract، Split و Evaluation Plan
- ساخت خط پردازش ویژگی‌ها، آموزش و پیش‌بینی
- بازآرایی کد، تنظیمات، ثبت رخداد و آزمون‌نویسی
- تجربه آموزش و ارائه مدل‌های عمیق با معیارهای سیستم
معماری قطعی کورس
۹ هفته؛ از صورت‌بندی مسئله تا یک سیستم یادگیری ماشین ساختاریافته
هر هفته یک Artifact قابل بررسی به پروژه اضافه می‌شود. پروژه مرجع مدرس به‌صورت مرحله‌ای در ویدئو توسعه پیدا می‌کند و کلاس زنده روی منطق انتخاب‌ها، Lab، Clinic و انتقال الگو به پروژه دانشجو متمرکز است.
از مسئله تا طراحی سیستم
نقش ML Engineer، چرخه عمر سیستم، KPI در برابر Metric، Terminal و Git workflow؛ ساخت System Canvas، Repo Skeleton و Baseline اولیه.
داده و ارزیابی
تعریف قرارداد داده و کنترل کیفیت؛ جداسازی درست داده‌های آموزش، اعتبارسنجی و آزمون، جلوگیری از نشت اطلاعات، برخورد با عدم‌توازن کلاس‌ها و طراحی برنامه ارزیابی پروژه فردی.
ویژگی‌ها و خط مبنا
ساخت ویژگی‌های مناسب برای مدل، تبدیل داده‌های دسته‌ای، مقیاس‌بندی و مدیریت داده‌های گمشده؛ ایجاد خط پردازش ویژگی‌ها و آشنایی عملی با نسخه‌بندی داده با DVC.
مدل‌سازی و تحلیل خطا
انتخاب و مقایسه چند خانواده مدل، تشخیص بیش‌برازش و کم‌برازش، تنظیم محدود مدل، تعیین آستانه تصمیم و تحلیل نمونه‌های خطا؛ ثبت منظم آزمایش‌ها و نتایج با MLflow.
تبدیل کد به یک سیستم
خارج‌کردن پروژه از حالت Notebook و تبدیل آن به کد ساختاریافته؛ جداسازی مسئولیت اجزا، تنظیمات، ثبت رخدادها، وابستگی‌ها و دستور اجرای مشخص برای بازتولید پروژه.
آزمون‌نویسی و بازتولیدپذیری
نوشتن آزمون برای اجزای اصلی و اتصال آن‌ها، کنترل ساختار و کیفیت داده و بررسی اینکه تغییرات جدید عملکرد مدل را خراب نکرده‌اند؛ آماده‌سازی مخزن کد برای کنترل کیفیت خودکار.
آموزش مدل‌های عمیق با نگاه سیستمی
مرور عملی سازوکار آموزش شبکه عصبی، پردازش دسته‌ای، بهینه‌سازی و کنترل بیش‌برازش؛ اجرای آموزش روی GPU و تنظیم یک مدل زبانی Transformer با PyTorch.
استنتاج و ارائه مدل عمیق
مقایسه پیش‌بینی دسته‌ای و برخط؛ سنجش سرعت پاسخ، توان پردازش، اندازه مدل و هزینه اجرای CPU/GPU؛ شناسایی حالت‌های شکست و تهیه شناسنامه و گزارش مقایسه مدل.
یکپارچه‌سازی سیستم یادگیری ماشین
متصل‌کردن نسخه کد، نسخه داده، آزمایش‌ها و خط پردازش؛ اطمینان از یکسان‌بودن منطق آموزش و پیش‌بینی، بازبینی معماری و دفاع فنی از تصمیم‌های پروژه.
یادگیری پروژه‌محور، با نقش‌های روشن
دو پروژه مرجع، تمرین‌های موضوعی و یک پروژه فردی
قرار نیست Repository مدرس را کپی کنید. پروژه مرجع مسیر تمیز و کامل را نشان می‌دهد؛ Labها یک مهارت محدود را تمرین می‌کنند و پروژه فردی جایی است که باید همان اصول را روی مسئله‌ای متفاوت منتقل کنید.
دو خط داستانی ثابت برای ML و DL
پیاده‌سازی کامل و مرحله‌ای در ویدئوهای پروژه
سامانه هشدار زودهنگام خرابی آسانسور با داده‌های حسگر
طبقه‌بندی سری زمانی روی داده‌های دقیقه‌ای IoT؛ از Window/Lag و Temporal Split تا Feature Pipeline، مدل، Error Analysis، DVC/MLflow مقدماتی و یک سیستم یادگیری ماشین ساختاریافته.
سامانه دسته‌بندی خودکار پیام‌های پشتیبانی با مدل‌های زبانی
Tokenization، تنظیم دقیق مدل، Validation، مقایسه مدل‌ها، Inference و Benchmark کیفیت، اندازه و Latency برای دیدن مسئله DL از زاویه سیستم.
تمرین‌های محدود برای یک مفهوم مشخص
تمرین موضوعی، پروژه کامل محسوب نمی‌شود
تصمیم‌گیری مدل در داده‌های نامتوازن و پرهزینه
Logistic Regression از صفر برای Training Loop؛ Fraud Detection برای Sampling و PR-AUC؛ Credit Risk با LightGBM برای Threshold، SHAP و تصمیم هزینه‌محور.
آموزش مدل عمیق و بررسی حالت‌های شکست
شبکه عصبی از صفر، Tuning محدود در PyTorch و یک Case تصویری برای بررسی Inference، Architecture و انتشار خطا در سیستم.
یک مسئله را انتخاب کنید و تا پایان گام ادامه دهید
انتخاب در هفته دوم؛ توسعه مرحله‌ای در کورس اول و ادامه تا عملیات در MLOps
Portfolio Project
شش خانواده پروژه برای انتخاب
پروژه فردی می‌تواند در یکی از خانواده‌های Structured ML، پیش‌بینی فروش زمانی، سری زمانی مالی، تصویر، متن یا Applied DL باشد. در پایان این کورس یک سیستم یادگیری ماشین ساختاریافته را تحویل می‌دهید و همان پروژه در کورس MLOps تا استقرار، پایش و دفاع نهایی ادامه پیدا می‌کند.
- ۱Proposal و Evaluation Plan
- ۲Data، Baseline و Error Analysis
- ۳Pipeline، Package و Test
- ۴سیستم یادگیری ماشین و دفاع فنی
خروجی قابل بررسی
در پایان فقط یک Notebook تحویل نمی‌دهید
معیار پایان کورس، وجود شواهدی است که نشان دهد پروژه را می‌توان فهمید، دوباره اجرا کرد، آزمود و درباره تصمیم‌هایش گفت‌وگو کرد.
مخزن کد ساختاریافته
ساختار روشن برای data، features، train، evaluate و predict همراه با Dependency و دستور اجرای مشخص.
Config و CLI
پارامترها و تنظیمات از کد جدا می‌شوند و مسیرهای اصلی بدون وابستگی به اجرای دستی Notebook قابل فراخوانی‌اند.
شواهد ارزیابی
Split، Leakage Check، Metric، Baseline، Threshold و Error Analysis با منطق انتخاب مستند می‌شوند.
مجموعه آزمون‌های فنی
حداقل تست‌های حیاتی برای Transform، Schema، Training Smoke و Prediction Contract ساخته می‌شوند.
شناسنامه مدل
کاربرد، داده، معیارها، محدودیت‌ها و حالت شکستهای مدل به‌صورت قابل ارائه ثبت می‌شوند.
نمودار معماری سیستم
جریان داده، آموزش و پیش‌بینی و مرز اجزای سیستم در یک دیاگرام قابل دفاع نمایش داده می‌شود.
دستاورد کورس
در پایان، چه توانمندی‌هایی ساخته‌اید؟
صورت‌بندی ML System
مسئله، KPI، Metric، داده، محدودیت و جایگاه مدل را در یک سیستم مشخص می‌کنید.
ارزیابی معتبر
Split و Metric مناسب را انتخاب می‌کنید و Leakage، Imbalance و خطاهای مدل را بررسی می‌کنید.
Pipeline قابل تکرار
آماده‌سازی Feature، Training، Evaluation و Prediction را از اجرای دستی و پراکنده جدا می‌کنید.
کد ماژولار و تست‌پذیر
Notebook را به Package، Config و CLI تبدیل می‌کنید و برای اجزای حیاتی Test می‌نویسید.
DL با نگاه سیستمی
تنظیم دقیق مدل، Validation، Inference، Latency و حالت شکست یک مدل عمیق را در یک جریان مهندسی بررسی می‌کنید.
دفاع فنی از تصمیم‌ها
با شناسنامه مدل، نمودار معماری سیستم و خروجی‌های مستند پروژه، موازنه‌های فنی و محدودیت‌های سیستم را توضیح می‌دهید.
مرزبندی صادقانه
این کورس «مدل بیشتر» نیست؛ پل ورود به مهندسی ML است
تمرکز اصلی روی تبدیل دانش مدل‌سازی به یک جریان مهندسی قابل تکرار است. DVC و MLflow در این کورس برای ساخت ذهنیت Versioning و Experiment Tracking وارد می‌شوند، اما استقرار، CI/CD، پایش سیستم و مدل و عملیات Production در کورس بعدی یعنی MLOps تکمیل خواهند شد.
| حوزه | جایگاه در این کورس |
|---|---|
| Problem framing، Data/Evaluation و Baseline | پوشش محوری |
| خط پردازش ویژگی‌ها، آموزش و پیش‌بینی | پوشش محوری |
| بازآرایی کد، تنظیمات، ثبت رخداد و آزمون‌نویسی | پوشش محوری |
| Git، Linux و SSH | در متن Workflow و Labهای عملی |
| DVC و MLflow | ورود عملی و اتصال اولیه به System v1 |
| Deep Learning Systems | مسیر فشرده Training، تنظیم دقیق مدل، Inference و Benchmark |
| Docker، CI/CD، Deployment و پایش سیستم و مدل | در کورس بعدی MLOps تکمیل می‌شود |
| Kubernetes و زیرساخت پیچیده Cloud | خارج از Scope الزامی کورس |
جایگاه کورس
کورس اول گام مهندس یادگیری ماشین
این کورس ۹ هفته نخست گام ML Engineer است. خروجی آن یک سیستم یادگیری ماشین ساختاریافته است؛ در کورس دوم، MLOps، همین سیستم با Versioning تیمی، Registry، API، Docker، CI/CD، Deployment و پایش سیستم و مدل به یک سیستم قابل عملیات نزدیک می‌شود.
ML & DL Systems
از مسئله و داده تا Pipeline، کد، Test و ساختار یک سیستم یادگیری ماشین.
- ۹ هفته
- سیستم یادگیری ماشین ساخته‌شده در کورس اول
- Repository + Test + شناسنامه مدل + Diagram
MLOps
از نسخه اول سیستم تا تحویل، استقرار، پایش و عملیات.
- ۶ هفته
- DVC/MLflow تیمی و Registry
- API، Docker، CI/CD، پایش سیستم و مدل و راهنمای اقدام عملیاتی
مخاطب و پیش‌نیاز
دو نقطه شروع؛ Data Science یا Software Development
برای ورود لازم نیست از قبل متخصص ML باشید. چیزی که باید همراهتان باشد پایه فنی اجرای پروژه است؛ دانش قبلی ML/DL یک مزیت است و می‌تواند در جریان کورس جبران شود.
اگر از Data Science می‌آیید
- مدل‌سازی و Evaluation را می‌شناسید اما پروژه‌هایتان هنوز عمدتاً در Notebook می‌مانند.
- می‌خواهید Pipeline، Refactoring، Config، Logging، Testing و بازتولیدپذیری را وارد کار کنید.
- می‌خواهید برای ورود به MLOps یک سیستم یادگیری ماشین یکپارچه واقعی بسازید.
اگر از Software Development می‌آیید
- با Python، Git و خط فرمان راحت هستید اما تجربه ML شما محدود است.
- می‌خواهید Data Preparation، Feature، Modeling، Evaluation و Error Analysis را در یک پروژه واقعی یاد بگیرید.
- هدفتان ساخت سیستم ML است، نه صرفاً حفظ الگوریتم‌ها.
خودارزیابی پیش از ثبت‌نام
آیا برای ورود آماده‌اید؟ در چند دقیقه بررسی کنید
این فرم آزمون پذیرش نیست. هدف آن این است که قبل از شروع بدانید کدام پایه‌ها را دارید و کجا به Catch-up نیاز دارید. موارد «ضروری» پایه اجرای پروژه‌اند؛ موارد ML/DL مزیت‌اند و می‌توانند در جریان دوره جبران شوند.
کدنویسی و کار با داده
- می‌توانم Function بنویسم و با List، Dict، شرط و Loop کار کنم.
- کد موجود را می‌خوانم، تغییر می‌دهم و Traceback خطاهای معمول را دنبال می‌کنم.
- مفهوم Module/Package را می‌شناسم و می‌توانم کد را به اجزای منطقی تقسیم کنم.
- Virtual Environment می‌سازم و Dependencyهای پروژه را نصب می‌کنم.
- با Pandas داده را می‌خوانم، فیلتر می‌کنم، تغییر می‌دهم و GroupBy ساده انجام می‌دهم.
- با فایل‌های رایج مانند CSV و JSON کار کرده‌ام.
اجرای پروژه و کنترل نسخه
- clone، status، add، commit، pull و push را در Git انجام می‌دهم.
- مفهوم Branch را می‌شناسم و می‌توانم یک Repository را از روی README اجرا کنم.
- در Terminal بین پوشه‌ها حرکت می‌کنم و فایل‌ها و Commandهای پایه را مدیریت می‌کنم.
- با Path، Permission و Environment Variable در حد استفاده روزمره پروژه آشنا هستم.
- HTTP، Request/Response و JSON را در حد استفاده از یک REST API می‌شناسم.
- می‌توانم مستندات فنی انگلیسی را، در صورت نیاز با کمک ابزارهای AI، دنبال کنم.
آشنایی قبلی با ML/DL
- Classification و Regression و Train/Validation/Test را می‌شناسم.
- با Metricهایی مانند Precision، Recall و F1 آشنایی اجمالی دارم.
- Overfitting و نیاز به آماده‌سازی Featureها را در سطح شهودی می‌فهمم.
- حداقل یک مدل scikit-learn را Fit و Predict کرده‌ام یا تجربه مشابه دارم.
- Cross-validation/Hyperparameter و مفاهیم پایه آمار و جبر خطی برایم آشنا هستند.
- با Neural Network، Training، Epoch و Loss آشنایی اولیه دارم.
| نتیجه بخش ضروری | پیشنهاد |
|---|---|
| ۷۰٪ و بیشتر | آماده ورود مستقیم؛ ضعف‌های محدود را می‌توانید هدفمند جبران کنید. |
| ۶۰٪ تا کمتر از ۷۰٪ | ورود ممکن است، اما Catch-up فنی پیش از شروع یا همزمان با هفته‌های اول توصیه می‌شود. |
| کمتر از ۶۰٪ | بهتر است ابتدا Foundation فنی را تکمیل کنید و سپس وارد گام شوید. |
این کورس دقیقاً چه تغییری ایجاد می‌کند؟
اگر امروز مدل را در Notebook می‌سازید، هدف این کورس این است که بتوانید همان مسئله را به یک سیستم قابل تکرار، تست و توضیح تبدیل کنید. پروژه مرجع خرابی آسانسور نشان می‌دهد داده حسگر چگونه از قرارداد داده و خط پردازش ویژگی‌ها به ارزیابی و استنتاج قابل تکرار می‌رسد؛ پروژه متن نیز همین نگاه را برای مدل‌های عمیق تمرین می‌کند.
در کنار اجرای کامل مدرس، تمرین‌های کوتاه روی قرارداد داده، جلوگیری از نشت اطلاعات، نجات Notebook، آزمون‌نویسی و تصمیم‌های معماری انجام می‌شود. پروژه فردی شما هم از همان ابتدا با مسئله، داده، معیار پذیرش و برنامه ارزیابی شکل می‌گیرد تا در پایان فقط «یک مدل با Accuracy خوب» نداشته باشید، بلکه یک نمونه‌کار مهندسی‌شده و قابل دفاع داشته باشید.
پیش از ثبت‌نام
پرسش‌های پرتکرار
من برنامه‌نویس هستم ولی Machine Learning بلد نیستم؛ می‌توانم وارد کورس شوم؟
بله، اگر Python، Git، Terminal/Linux و کار پایه با داده برایتان روان است. مفاهیم لازم ML از آماده‌سازی داده و Featureها تا ساخت Baseline، Evaluation و Error Analysis در جریان پروژه آموزش داده می‌شوند. تجربه قبلی ML مزیت است، نه الزام قطعی.
پس Machine Learning هم در این کورس آموزش داده می‌شود؟
بله، اما با هدف سیستم‌سازی. مدل را به‌صورت Black Box دریافت نمی‌کنید و چرخه Data Preparation → Modeling → Evaluation → Error Analysis را عملاً طی می‌کنید. این کورس جایگزین آموزش جامع همه الگوریتم‌های ML نیست.
اگر بخواهم ML و DL را با جزئیات بیشتری یاد بگیرم چه کنم؟
برای عمق بیشتر در مدل‌سازی، مهندسی ویژگی، Tuning و الگوریتم‌های ML/DL به گام «مدل‌ساز داده‌محور» و کورس‌های «داده‌کاوی و یادگیری ماشین کاربردی» و «یادگیری عمیق کاربردی» رجوع کنید.
اگر Foundation فنی من ضعیف باشد چه کنم؟
گام «تکنسین دیتاساینس» برای تقویت Python، ساختار کد، Git، Database و API و محتوای تکمیلی «کاربری Linux و Docker» برای محیط اجرا، مسیر Catch-up پیشنهادی است.
آیا این کورس آموزش Machine Learning از صفر است؟
خیر. الگوریتم‌های منتخب در متن طراحی سیستم، Baseline، Evaluation و Error Analysis مرور و استفاده می‌شوند، اما هدف کورس تکرار یک دوره جامع الگوریتم‌های ML نیست.
چرا ML و Deep Learning در یک کورس آمده‌اند؟
چون هدف اصلی کورس «سیستم‌سازی» است. ابتدا این منطق را روی یک پروژه ML کلاسیک می‌سازید و سپس در یک مسیر فشرده DL می‌بینید Training، Inference، منابع محاسباتی، Latency و حالت شکست چگونه مسئله مهندسی را تغییر می‌دهند.
آیا DVC و MLflow همین‌جا کامل آموزش داده می‌شوند؟
در این کورس برای نسخه‌بندی اولیه داده و ردیابی Experiment وارد جریان پروژه می‌شوند. استفاده تیمی‌تر، Registry، Promotion و اتصال آن‌ها به Release و عملیات در کورس MLOps ادامه پیدا می‌کند.
آیا Docker و Deployment هم در این کورس هستند؟
نه به‌عنوان محور اصلی. خروجی این کورس یک سیستم یادگیری ماشین ساختاریافته و Repository آماده ادامه مسیر است. API، Docker، CI/CD، Deployment و پایش سیستم و مدل در کورس بعدی MLOps پوشش داده می‌شوند.
پروژه اصلی دانشجو چیست؟
هر دانشجو در هفته دوم یک پروژه فردی از خانواده‌های پیشنهادی انتخاب می‌کند و همان پروژه را تا پایان گام ادامه می‌دهد. پایان این کورس، تکمیل سیستم یادگیری ماشین و دفاع فنی از آن است و در MLOps همان پروژه تا استقرار و پایش توسعه پیدا می‌کند.
آیا برای بخش Deep Learning به GPU شخصی نیاز دارم؟
الزام طراحی دوره داشتن GPU قدرتمند شخصی نیست. Workflow کار با GPU و سرور از طریق SSH در کورس دیده می‌شود تا در صورت نیاز بتوانید از منابع محاسباتی بیرونی استفاده کنید.
قدم بعدی
مدل را از Notebook بیرون بیاورید
سرفصل ۹ هفته‌ای را بررسی کنید یا گزینه‌های ثبت‌نام کورس و گام مهندس یادگیری ماشین را در باکس رسمی محصول ببینید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.