دیپکمپ
دوره مهارتآموزی هوش مصنوعی
- 5 ماه آموزش و پروژه عملی
- شروع از شهریور ۱۴۰۴
- به صورت حضوری در تهران
- پیش نیاز دارد

-
۵ ماه آموزش فشرده حضوری
حضور تماموقت در محیطی حرفهای همراه با آموزش تخصصی، کار تیمی و اجرای پروژههای واقعی
-
پذیرش رقابتی و ظرفیت محدود
انتخاب تنها ۴۵ نفر از میان صدها متقاضی با ارزیابی رزومه، آزمون و مصاحبه
-
مسیر آموزشی پروژهمحور با منتورینگ فردی
آموزش بر اساس نیاز بازار، همراه با انجام پروژههای واقعی و بازخورد منظم از منتورهای فنی و شغلی
-
شبکهسازی و فرصتهای شغلی
برگزاری Demo Day، معرفی به شرکتهای همکار و همراهی برای ورود به اولین موقعیت شغلی
-
مزایا و امکانات کامل
گواهی رسمی، توصیهنامه، زیرساخت فنی (GPU)، پرداخت اقساطی، تسهیلات مالی، حقوق ماهانه و بیمه
دیپکمپ چیست؟
دیپکمپ یک دوره مهارتآموزی فشرده و پروژهمحور هوش مصنوعی است که به ابتکار شرکت نوآوران داده سلامت پیشرو و با حمایت وزارت ارتباطات و فناوری اطلاعات برگزار میشود. این برنامه برای کسانی است که قصد دارند با یادگیری تازهترین مباحث هوش مصنوعی، انجام پروژههای واقعی و دریافت منتورشیپ فردی مسیر شغلی خود به عنوان مهندس هوش مصنوعی را شروع کرده یا سطح شغلی خود را ارتقا دهند.
دیپکمپ یک دوره مهارتآموزی فشرده و پروژهمحور هوش مصنوعی است که به ابتکار شرکت نوآوران داده سلامت پیشرو و با حمایت وزارت ارتباطات و فناوری اطلاعات برگزار میشود. این برنامه برای کسانی است که قصد دارند با یادگیری تازهترین مباحث هوش مصنوعی، انجام پروژههای واقعی و دریافت


دیپکمپ برای چه کسانی است؟
این دوره ویژه افرادی است که میخواهند با یادگیری عمیق، تجربه واقعی و منتورینگ تخصصی، جهشی جدی در مسیر حرفهای خود در حوزه هوش مصنوعی ایجاد کنند.
مخاطبین اصلی:
- علاقهمندان جدی به هوش مصنوعی با انگیزه و پشتکار بالا
- دانشجویان ترم آخر یا فارغالتحصیلان رشتههای فنی (کامپیوتر، برق، ریاضی، فیزیک، مهندسی پزشکی و...)
- افرادی که قصد ارتقا از سطح جونیور به موقعیتهای شغلی پایدار و پردرآمد دارند
- کسانی که به دنبال ساخت رزومه قوی، پروژههای واقعی و پورتفولیو حرفهای برای استخدام یا مهاجرت هستند
- علاقهمندان به کار تیمی، فضای چالشبرانگیز و تمرین مستمر
مهارتهای پایه مورد نیاز:
- آشنایی مقدماتی با پایتون و مبانی یادگیری ماشین
- درک مباحث ریاضی مرتبط
- توانایی کدنویسی و حل مسائل واقعی
ویژگیهای شخصیتی:
- اشتیاق، تعهد و پشتکار بالا
- تابآوری در برابر چالشها
- مهارت حل مسئله و ارتباط مؤثر
سر فصل ها

مبانی پایتون برای تحلیل داده
مفاهیم آموزشی:
- ساختارهای داده پیشرفته در پایتون (لیست، دیکشنری، مجموعهها، تاپلها)
- برنامهنویسی شیگرا (OOP)
- اشنایی با فرایند های Multiproceesing,multithreading and coroutines
- مدیریت خطا و نوشتن کد پاک (clean code)
- آشنایی با Jupyter Notebook و VS Code
ابزارها: Python 3.x Jupyter، VSCode
پروژه هفتگی:
تحلیل دادههای اقتصادی یا جمعیتی: شامل پیادهسازی کلاسها، فیلتر داده، محاسبه آماری و مدیریت خطا

آشنایی با علم داده و تحلیل با Pandas
مفاهیم آموزشی:
- NumPy و Pandas پیشرفته
- Indexing، groupby، merge، apply
- پاکسازی و preprocess داده، handling missing data، حذف دیتای duplicated و outlier ها (روشهای ابتدایی) انجام EDA (Exploratory Data Analysis) انواع نمودارها، درک نمودار با توجه به تسک، رسم انواع آنها با Matplotlib و Seaborn
ابزارها: NumPyPandas، Seaborn، Matplotlib
پروژه هفتگی:
تحلیل دادههای فروش آنلاین (Amazon) یا دیجیکالا: شامل پاکسازی، تحلیل گروهی و مصورسازی ترند فروش, EDA

آشنایی با Big Data و Apache Spark
مفاهیم آموزشی:
- مفاهیم معماری Big Data
- آشنایی با Spark ، DataFrame، Spark SQL
- آشنایی با پارادایم MapReduce
- اشنایی با برخی دیتا استراکچرهای مرسوم در بیگ دیتا (مانند parquet)
- پردازش دادههای حجیم و مقایسه با Pandas
ابزارها: Apache Spark (PySpark)
پروژه هفتگی:
تحلیل لاگهای سیستم یا هر داده حجیم دیگر با pyspark، انجام EDA و بررسی ویژگیهای مختلف داده حجیم با استفاده از pyspark

یادگیری ماشین پایه
4 و 5
مفاهیم آموزشی:
- Linear & Logistic Regression، SVM، Decision Tree، Random Forest، Gradient Boosting، KNN
- KMeans, DBSCAN، Hierarchical Clustering، PCA
- متریکهای ارزیابی مدل accuracy، precision، recall، F1،AUC ROC، cross-validation
ابزارها: Scikit-learn

تحلیل خطای مدل و آزمایشات علمی
مفاهیم آموزشی:
- تحلیل کیفی خطا، slicing داده، شناسایی بایاس و confounding variables
- A/B تست با در نظر گرفتن معنیداری آماری (statistical significance)
- فرضیهسازی و تست تجربی برای بهبود مدل
- کار با MLflow برای track کردن آزمایشات و مقایسه نتایج
ابزارها :Matplotlib، Seaborn، MLflow
پروژه هفتگی:
تحلیل مدل هفته قبل با slicing دادهها، بررسی دلایل بایاس و طراحی A/B تست با ارزیابی آماری برای انتخاب نسخهی بهتر مدل.

یادگیری عمیق پایه
7 و 8
مفاهیم آموزشی:
- ساختار شبکههای عصبی، MLP، CNN، RNN، LSTM
- مفاهیم backpropagation، activation functions، optimization (Adam، RMSprop)
- پیادهسازی regularization (Dropout، BatchNorm)
- آشنایی با AutoEncoder و مدلهای یادگیری عمیق معروف (EfficientNet, MobileNet, ResNet, Inception, U-Net)
- آشنایی با مدلهای Generative (VAE, GAN)آشنایی مختصر با معماری Transformer و Attention (جزییات دقیق پیادهسازی و ریاضیاتی نیاز نیست)
ابزارها TensorFlow: Keras، PyTorch
پروژه هفتگی:
دستهبندی تصاویر حیوانات با CNN: طراحی یک مدل CNN از پایه برای دیتاست تصاویر حیوانات - مقایسه با مدلهای از پیش آموزشدیده (استفاده از Transfer Learning با ResNet یا MobileNet یا EffNet) – استفاده از تکنیک های Augmentation، Regularization و visualizing activations

AutoML: و مقایسه با مدلهای دستی
مفاهیم آموزشی:
- اصول AutoML، baselineها، tradeoff بین هزینه و عملکرد
- اجزای pipeline خودکار (preprocessing، model selection، tuning)
- تحلیل خروجی و تفسیر مدلهای AutoML مانند SHAP
ابزارها H2O.ai: Auto-sklearn
پروژه هفتگی:
مدل پیشبینی churn با AutoML و مقایسه آن با مدل دستی طراحیشده در scikit-learn از نظر دقت، زمان آموزش، و تفسیرپذیری مدل

یادگیری خودنظارتی و Pretraining
مفاهیم آموزشی:
- Paradigm Pretraining/Fine-tuning
- Self-supervised learning: MLM، contrastive learning
ابزارها Hugging Face Transformers:، PyTorch، TensorFlow
پروژه هفتگی:
آموزش BERT کوچک روی دادههای متنی فارسی به صورت self-supervised و fine-tuning

11 NLP با مدلهای بزرگ
مفاهیم آموزشی:
- پیشپردازش متن، Word2Vec، GloVe، BERT، GPT
- آشنایی با EDA های مرتبط با متن و NLP
- Named Entity Recognition، sentiment analysis
ابزارها spaCy:، NLTK، Hugging Face، OpenAI API
پروژه هفتگی:
ساخت یک سرویس تحلیل احساسات روی کامنت کاربران با API مدلهای زبانی بزرگ

بینایی ماشین
مفاهیم آموزشی:
- پردازش تصویرو پیشپردازش های مرتبط، Tra Object Segmentation، Object Detection
- متریکهای IoU، Dice، mAP
- آشنایی با مدلهای VGG، YOLO، Faster R-CNN
ابزارهاOpenCV, PIL:، TensorFlow، PyTorch
پروژه هفتگی:
مدل تشخیص اشیاء در تصاویر ترافیکی با YOLO یا Faster R-CNN – ارزیابی مدل با متریک های مناسب

Fine-Tuning: مدلهای LLM
مفاهیم آموزشی:
- Transfer Learning، LoRA، QLoRA، PEFT
- ساخت دیتاست آموزشی و نوشتن promptها
- پالایش دادهها: فیلتراسیون، پاکسازی، حذف موارد تکراری یا نامناسب
- معیارهای طراحی دادههای آموزشی موثر برای alignment مدلها
ابزارها Hugging Face PEFT:، bitsandbytes
پروژه هفتگی:
فاینتیون مدل LLaMA با استفاده از یک دیتاست custom برای پاسخگویی به سوالات پشتیبانی مشتری، شامل طراحی dataset، پاکسازی، prompt engineering، و استفاده از QLoRA برای آموزش کمهزینه.

Quantization و بهینهسازی مدل
مفاهیم آموزشی:
- اصول کاهش حجم مدل و سرعت inference
- GPTQ، AWQ
- Evaluation and Benchmarking سرعت، دقت، حافظه و کیفیت قبل و بعد از Quantization
ابزارها AutoGPTQ:، ctransformers
پروژه هفتگی:
Quantization یک مدل GPT و مقایسه جامع آن با نسخه اصلی از نظر سرعت اجرا، حافظه مصرفی و کیفیت پاسخها در یک تسک مشخص (مثل پرسش و پاسخ)

Semantic Search و Vector Databases
مفاهیم آموزشی:
- Embedding، similarity search، ANN
ابزارها FAISS:، Pinecone، ChromaDB، Milvus
پروژه هفتگی:
ساخت موتور جستجوی مفهومی برای مقالات علمی

RAG: و Agentic AI
مفاهیم آموزشی:
- معماری RAG، LangChain، LlamaIndex، ReAct agents
ابزارها: LangChain، AutoGen، LangGraph
پروژه هفتگی:
ساخت چتبات جستجوگر با استفاده از RAG و vector search

پایگاه داده SQL و NoSQL
مفاهیم آموزشی:
- آشنایی با Entity Diagram، one-to-one, one-to-many, many-to-many Relationships
- NoSQL SQL: SELECT، JOIN، schema design، migration
- : مدل document، MongoDB
ابزارها: PostgreSQL، SQLAlchemy، MongoDB
پروژه هفتگی:
طراحی دیتابیس های مورد نیاز برای یک فروشگاه با استفاده از SQL و NoSQL

Data Pipelines و Streamingو AirFlow
مفاهیم آموزشی:
- ساخت ETL pipeline با Prefect/Dagster
- پردازش داده real-time با Kafka، Spark Streaming
ابزارها Airflow:، Dagster، Spark، Kafka
پروژه هفتگی:
تحلیل real-time از توییتها یا تراکنشها برای تشخیص تقلب یا trend

Backend تولیدی و MLOps پایه
مفاهیم آموزشی:
- ساخت REST API، Docker، CI/CD
- تست، dependency injection، Poetry
ابزارها: FastAPI، Docker، GitHub Actions، Pytest، SQLAlchemy
پروژه هفتگی:
ساخت API مدل پیشبینی و استقرار آن بهصورت production-ready

MLOps: پیشرفته، Explainability، مباحث پیشرفته هوش
مفاهیم آموزشی:
- نسخهبندی داده و مدل با DVC و MLflow
- SHAP، LIME، GradCAM، attention attribution
- امنیت مدل و robust بودن نسبت به حملات adversarial
ابزارها :MLflow، SHAP، LIME، ART (Adversarial Robustness Toolbox)
پروژه هفتگی:
تحلیل ویژگیهای مهم مدل و مقاومسازی در برابر حملات دستکاری ورودی
فعالیتهای مکمل

برنامهریزی و تقسیم وظایف تیمی
با رویکرد چابک (Sprint Planning) برای تجربه مدیریت پروژههای واقعی

جلسات روزانه هماهنگی
(Daily Standups) برای حفظ تمرکز و پیشبرد سریع کار تیمی

ارائه و بازبینی پروژهها
در پایان هر چرخه کاری (Sprint Reviews & Retrospectives) با بازخورد تخصصی

مستندسازی و کار با ابزارهای حرفهای
مدیریت پروژه، مانند Jira و Notion

کارگاههای مهارتهای نرم
(Soft Skills) برای بهبود ارتباط، مذاکره و رهبری تیم

وبینارهای تخصصی با بزرگان صنعت
آشنایی با تازهترین روندهای هوش مصنوعی

جلسات آمادگی مصاحبه شغلی
(Job Interview Hacks) برای درخشش در مصاحبههای فنی و رفتاری

هکاتونها و چالشهای حل مسئله
برای محک زدن مهارتها در شرایط رقابتی واقعی
فرآیند پذیرش

بررسی رزومه
ارزیابی سوابق تحصیلی، تجربیات کاری و پروژههای انجامشده برای اطمینان از حداقل شرایط ورود به دوره

آزمون آنلاین
سنجش مهارتهای پایتون کتابخانههای Pandas، NumPy و Matplotlib، یادگیری ماشین و دانش ریاضی مرتبط

مصاحبه فنی
ارزیابی توانایی حل مسئله، تحلیل الگوریتمی و کاربرد دانش فنی در سناریوهای واقعی

مصاحبه منابع انسانی
بررسی انگیزهها، اهداف شغلی، مهارتهای ارتباطی و تناسب فرهنگی با محیط و ارزشهای دیپکمپ
شرایط پرداخت

دریافت حقوق ماهانه + وام
- مبلغ وام: ۴۰۰ میلیون تومان
- سود: ۴ درصد
- مدت بازپرداخت: ۳۰ ماه
- مدت تنفس: ۶ ماه (در طول دوره + ۱ ماه پس از پایان)
- دریافت حقوق ماهانه: ۲۵ میلیون تومان × ۵ ماه = ۱۲۵ میلیون تومان
- ارائه چند فقره چک در وجه صندوق دانشگاه تهران بهعنوان ضمانت بازپرداخت

بدون دریافت حقوق ماهانه + وام
- مبلغ وام: ۲۴۵ میلیون تومان
- سود: ۴ درصد
- مدت بازپرداخت: ۳۰ ماه
- مدت تنفس: ۶ ماه (در طول دوره + ۱ ماه پس از پایان)
- دریافت حقوق ماهانه: ندارد
- ارائه چند فقره چک در وجه صندوق دانشگاه تهران بهعنوان ضمانت بازپرداخت

پرداخت اقساطی
- مبلغ بازپرداخت: ۲۵۰ میلیون تومان
- سود: ندارد
- تعداد اقساط: ۵
- مهلت بازپرداخت: ۵ ماه (تا پایان دوره)
- دریافت حقوق ماهانه: ندارد
- ارائه ۵ فقره چک در وجه شرکت نوآوران داده سلامت پیشرو
کسب اطلاعات بیشتر و ثبت نام
سوالات متداول
بله، DeepCamp با حمایت مرکز نوآوری فاوا و در همکاری رسمی با وزارت ارتباطات برگزار میشود. همچنین امکان استعلام رسمی از طریق دبیرخانه مرکز نوآوری فاوا یا سامانههای وزارت ارتباطات وجود دارد.
خیر، مبلغ وام بهنام شما برای پوشش هزینههای شما در DeepCamp تخصیص مییابد و پرداخت آن مستقیم به برگزارکننده است.
در صورت انتخاب شرایط پرداخت اول، ماهانه ۲۵ میلیون تومان به شرکتکنندگان واجد شرایط پرداخت میشود.
این مبلغ شامل آموزش، منتورینگ، زیرساخت فنی، فضای آموزشی، حقوق مهارتآموزی، بیمه، وعدههای غذایی و خدمات رفاهی است.
خیر، با توجه به هزینههای ذکر شده در موارد فوق این دوره مهارتآموزی شامل هزینه است.
در قرارداد، مواردی چون تضمین پرداخت حقوق، ارائه خدمات آموزشی کامل و حمایت برای ورود به بازار کار قید شده است.
برای ۲۰ نفر از برترین افراد دوره، فرآیند استخدام رسمی در شرکتهای همکار تضمین میشود.
حضور فعال، تکمیل پروژهها، مشارکت تیمی و ارزیابی مثبت از سوی منتورها معیارهای اصلی سنجش عملکرد هستند.
بسته به شرکت مقصد، ممکن است آزمون فنی برگزار شود. برخی جذبها مبتنی بر ارزیابی عملکرد در طول دوره خواهد بود.
منتورها تحت ارزیابی مداوم تیم کیفیت آموزشی هستند. در صورت قصور در پاسخگویی، هشدار رسمی، جایگزینی یا قطع همکاری صورت میگیرد.
در صورت گزارش، تیم DeepCamp بررسی فوری انجام داده و در صورت اثبات، برای جبران ضرر، خدمات آموزشی و منتور جایگزین ارائه خواهد شد.
پذیرش شامل: بررسی رزومه، آزمون آنلاین، مصاحبه فنی، مصاحبه منابع انسانی و امتیازدهی نهایی است.
بله، ولی باید در طول دوره امکان حضور تماموقت در دوره را داشته باشند (دریافت مرخصی ترم). برای امتحانات رسمی، امکان هماهنگی و مرخصی وجود دارد.
مصاحبه فنی شامل دانش پایه برنامهنویسی و حل مسئله است. مصاحبه HR روی انگیزه، تعهد، و توانمندیهای نرم تمرکز دارد.
خیر، امکان حمایت در قالب محل اسکان از سمت مجموعه برگزارکننده دوره وجود ندارد.
بله، تمامی پروژهها با دادههای واقعی از صنعت طراحی شدهاند.
بله، ولی وام و تضامین مطابق مفاد قرارداد ادامه خواهد داشت.