استخدام کارشناس هوش مصنوعی و یادگیری ماشین

1.       زبان برنامه‌نویسی پایتون: 

•  تسلط کامل بر Python 


•   آشنایی با نسخه‌های مختلف Python و تفاوت‌های آن‌ها 


•   آشنایی با Package Management (مثل Poetry/Conda) 


•   آشنایی با سیستم عامل Linux


•   آشنایی با Rest API / Micro Services

 2.       کتابخانه‌ها و فریم‌ورک‌های یادگیری ماشین و هوش مصنوعی : 

•  تجربه کار با مدل های Hugging Face


•    آشنایی با الگوریتم کلاس بندی ) Classifications Algorithms (


•  آشنایی با الگوریتم های خوشه بندی ( Clustering Algorithms )


•   آشنایی با الگوریتم های پردازش زبان طبیعی ) NLP Algorithms (


•    آشنایی با چت بات ها ( Chat Bots ) 

3.       مدل‌سازی و آموزش مدل‌ها

• طراحی و پیاده‌سازی مدل‌های یادگیری ماشین 


•   آموزش مدل‌ها با استفاده از داده‌های واقعی 


•  ارزیابی و بهینه‌سازی مدل‌ها 


•  تنظیم هایپرپارامترها Hyperparameter Tuning 

4.       پیش‌پردازش داده‌ها و کار با دیتاست‌ها:

• پاک‌سازی و آماده‌سازی داده‌ها 


•   ویژگی‌سازی Feature Engineering 


•     استفاده از ابزارهایی مانند Pandas و NumPy برای کار با داده‌ها 


•    مدیریت و پردازش داده‌های بزرگ با استفاده از Dask یا Apache Spark 

 5.       مدیریت و استفاده از دیتابیس‌ها:

• کار با پایگاه‌های داده SQL و NoSQL 


•   توانایی استفاده از ابزارهایی مانند SQLite، PostgreSQL، MongoDB ( مزیت )

 6.       آزمون و ارزیابی مدل‌ها:

• استفاده از متریک‌های ارزیابی مانند صحت Accuracy  ، بازیایی  ( Recall )، دقت پیش‌بینی  ( Precision )، و امتیاز F1 


• استفاده از تکنیک‌های اعتبارسنجی متقابل ( Cross-Validation ) 


• آشنایی با مانیتورینگ و داشبورد ارزیابی مدل های هوش مصنوعی

7.       مدیریت مدل‌ها و سیستم‌های تولید: 

•   پیاده‌سازی مدل‌ها در محیط‌های تولید 


•  آشنایی با سیستم‌های مدیریت مدل مانند MLflow 

8.       آشنایی با مفاهیم پیشرفته: 

•  یادگیری عمیق ( Deep Learning )  ( مزیت )


• شبکه‌های عصبی کانولوشن ( CNNs ) ( مزیت )


•  شبکه‌های عصبی بازگشتی ( RNNs ) ( مزیت )


•   یادگیری تقویتی ( Reinforcement Learning ) ( مزیت )


• کوانتیزه کردن مدلها ( Quantization ) 


•   AI Agent


•   RAG (Retrieval Augmented Generation)

 9.       ابزارهای توسعه و تست: 

•  Git برای کنترل نسخه 


• Jupyter Notebook و JupyterLab برای تحلیل داده‌ها و توسعه مدل‌ها 


• استفاده از ابزارهای تست مانند PyTest 

 10.   تسلط بر استفاده از انواع API های مدل های LLM 
 11.   مهارت‌های نرم‌ و ارتباطی: 

•  توانایی کار در تیم‌های چند تخصصی 


•  ارتباط مؤثر با تیم‌های داده، تحقیق و مدیریت محصول 


•  مهارت‌های ارائه و دفاع از مدل‌ها 


• مسئولیت پذیر و نتیجه محور

 ابزارها و سرویس‌های مورد نیاز: 
1.       کتابخانه‌ها و فریم‌ورک‌ها: 

•  Scikit-learn


•  XGBoost 


• LightGBM


•  word2vec


• tfidf


• embeddings


• TensorFlow (مزیت)


•  Keras (مزیت)


•   PyTorch (مزیت)

2.       ابزارهای پیش‌پردازش داده‌ها: 

•  Pandas 


• NumPy 


•  Dask 


• Apache Spark 

 3.       پایگاه‌های داده: 

•  MS SQL Server 


• No SQL 

 4.       ابزارهای تست و ارزیابی: 

•  PyTest 


• Jupyter Notebook 


• JupyterLab 

 5.       ابزارهای مدیریت مدل‌ها: 

·         MLflow 

6.       ابزارهای توسعه و Deploy : 

•    Docker 


•   Kubernetes 

ساعت کاری: از شنبه تا چهارشنبه از ساعت 8:00 تا 17:15 

مزایا: وام- بیمه تکمیلی- بیمه تامین اجتماعی از روز اول- ناهار و صبحانه- بسته و هدایای مناسبلتی