هوش مصنوعی (AI) به سرعت در حال تبدیل شدن به یکی از مهم‌ترین حوزه‌های فناوری است. اگر شما هم به این حوزه علاقه‌مندید و می‌خواهید یک مهندس هوش مصنوعی شوید، در جای درستی قرار دارید. در این پست، مجموعه‌ای از تجربیات و نکات مفید جمع‌آوری شده از کاربران نی نی سایت را با شما به اشتراک می‌گذاریم تا مسیرتان را روشن‌تر کنید.

این تجربیات شامل پیشنهادات کاربران مختلف نی نی سایت در مورد مسیر یادگیری، منابع آموزشی، مهارت‌های مورد نیاز، فرصت‌های شغلی و چالش‌های پیش روی علاقه‌مندان به هوش مصنوعی است.

• ✅1. شروع با ریاضیات پایه: جبر خطی، آمار و احتمالات.
• ✅2. یادگیری زبان‌های برنامه‌نویسی: پایتون (Python) ضروری است.
• ✅3. آشنایی با مفاهیم یادگیری ماشین (Machine Learning).
• ✅4. مطالعه الگوریتم‌های مختلف یادگیری ماشین.
• ✅5. کار با کتابخانه‌های پایتون مانند NumPy، Pandas، Scikit-learn.
• ✅6. بهره‌گیری از فریم‌ورک‌های یادگیری عمیق (Deep Learning) مانند TensorFlow یا PyTorch.
• ✅7. شرکت در دوره‌های آنلاین و حضوری معتبر.
• ✅8. مطالعه کتاب‌های تخصصی هوش مصنوعی.
• ✅9. انجام پروژه‌های عملی و تمرین‌های کدنویسی.
• ✅10. شرکت در مسابقات و چالش‌های هوش مصنوعی.
• ✅11. ساخت نمونه کار (Portfolio) قوی.
• ✅12. شبکه‌سازی با افراد فعال در حوزه هوش مصنوعی.
• ✅13. حضور در کنفرانس‌ها و سمینارهای مرتبط.
• ✅14. مطالعه مقالات علمی و به‌روز بودن با آخرین دستاوردها.
• ✅15. یادگیری مهارت‌های حل مسئله و تفکر انتقادی.
• ✅16. تمرکز بر یک حوزه تخصصی در هوش مصنوعی (مانند پردازش زبان طبیعی یا بینایی ماشین).
• ✅17. کسب تجربه کارآموزی در شرکت‌های فعال در حوزه هوش مصنوعی.
• ✅18. آشنایی با ابزارهای مدیریت داده و پایگاه‌های داده.
• ✅19. یادگیری مباحث مربوط به اخلاق در هوش مصنوعی.
• ✅20. درک اصول مهندسی نرم‌افزار.
• ✅21. تقویت مهارت‌های ارتباطی و کار تیمی.
• ✅22. صبر و پشتکار در مسیر یادگیری.
• ✅23. جستجوی فرصت‌های شغلی در شرکت‌های مختلف.
• ✅24. به‌روزرسانی مداوم دانش و مهارت‌ها.
• ✅25. شرکت در پروژه‌های متن باز و کمک به جامعه هوش مصنوعی.
• ✅26. دریافت گواهینامه‌های معتبر در حوزه هوش مصنوعی.
• ✅27. تمرین مصاحبه‌های شغلی و آماده‌سازی برای سوالات تخصصی.

چگونه یک مهندس هوش مصنوعی شویم؟ (خلاصه تجربیات نی نی سایت)

1. شروع با ریاضیات پایه:

تقریباً همه کاربران نی نی سایت بر اهمیت داشتن پایه ریاضی قوی تاکید داشتند. جبر خطی، آمار و احتمال، و حساب دیفرانسیل و انتگرال از ضروریات هستند. بدون درک عمیق از این مفاهیم، درک الگوریتم‌های یادگیری ماشین و بهینه‌سازی دشوار خواهد بود. منابع آنلاین زیادی برای یادگیری ریاضیات وجود دارد، از جمله کورسرا، خان آکادمی و یودمی. کتاب‌های درسی ریاضی دانشگاهی می‌توانند بسیار مفید باشند. تمرین حل مسائل ریاضی به طور منظم کلیدی است. برخی از کاربران نی نی سایت پیشنهاد کردند که قبل از شروع برنامه‌نویسی، ریاضیات پایه را تقویت کنید. نرم افزارهای محاسباتی مانند متلب و پایتون (با کتابخانه‌های numpy و scipy) می‌توانند در یادگیری ریاضیات کمک کنند.

2. یادگیری زبان برنامه نویسی پایتون:

اکثر متخصصان هوش مصنوعی پایتون را به عنوان زبان اصلی برای توسعه و تحقیق پیشنهاد می کنند. سادگی و خوانایی پایتون، همراه با کتابخانه‌های غنی آن، آن را به انتخابی کاملا مطلوب تبدیل کرده است. کتابخانه‌هایی مانند NumPy، Pandas، Scikit-learn، TensorFlow و PyTorch برای کار با داده‌ها، مدل‌سازی و یادگیری عمیق ضروری هستند. منابع آنلاین فراوانی برای یادگیری پایتون وجود دارد، از جمله آموزش‌های رسمی پایتون و دوره‌های آموزشی آنلاین. تمرین کدنویسی منظم و حل مسائل برنامه‌نویسی به تقویت مهارت‌های شما کمک می‌کند. شرکت در پروژه‌های کوچک و کار بر روی مجموعه داده‌های واقعی می‌تواند تجربه عملی ارزشمندی را فراهم کند. برخی کاربران توصیه می‌کنند با پروژه‌های ساده مانند ساخت یک ماشین حساب شروع کنید و به تدریج به پروژه‌های پیچیده‌تر بروید.

3. درک مفاهیم یادگیری ماشین:

یادگیری ماشین (Machine Learning) قلب هوش مصنوعی است. الگوریتم‌های یادگیری ماشین به کامپیوترها امکان می‌دهند تا از داده‌ها یاد بگیرند و بدون برنامه‌ریزی صریح، تصمیم‌گیری کنند. مفاهیم کلیدی مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، یادگیری تقویتی و شبکه‌های عصبی را بیاموزید. دوره‌های آموزشی آنلاین، کتاب‌های درسی و مقالات تحقیقاتی می‌توانند به شما در درک این مفاهیم کمک کنند. سعی کنید الگوریتم‌های مختلف را با بهره‌گیری از پایتون پیاده‌سازی کنید و با داده‌های مختلف آزمایش کنید. منابعی مانند کتاب “یادگیری ماشین با Scikit-learn، Keras و TensorFlow” توصیه می شود.

4. کار با داده‌ها:

هوش مصنوعی به مقدار زیادی داده نیاز دارد. توانایی جمع‌آوری، تمیز کردن، پیش‌پردازش و تحلیل داده‌ها یک مهارت ضروری است. با ابزارهای مختلف کار با داده‌ها مانند Pandas، NumPy و SQL آشنا شوید. یاد بگیرید که چگونه داده‌های از دست رفته را مدیریت کنید، داده‌های پرت را شناسایی کنید و داده‌ها را برای استفاده در مدل‌های یادگیری ماشین آماده کنید. تمرین با مجموعه داده‌های واقعی و پروژه‌های داده محور می‌تواند به شما در کسب تجربه عملی کمک کند. منابعی مانند Kaggle برای پیدا کردن دیتاست های متنوع و تمرین مناسب هستند. استخراج داده از منابع مختلف مانند وب سایت ها (Web Scraping) نیز می‌تواند یک مهارت مفید باشد.

5. یادگیری عمیق (Deep Learning):

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که از شبکه‌های عصبی عمیق برای یادگیری الگوها از داده‌ها استفاده می‌کند. یادگیری عمیق در زمینه‌هایی مانند بینایی کامپیوتر، پردازش زبان طبیعی و تشخیص گفتار بسیار موفق بوده است. با مفاهیم اساسی شبکه‌های عصبی، مانند نورون‌ها، لایه‌ها، توابع فعال‌سازی و backpropagation آشنا شوید. با چارچوب‌های یادگیری عمیق مانند TensorFlow و PyTorch کار کنید. پروژه‌های عملی در زمینه بینایی کامپیوتر و پردازش زبان طبیعی انجام دهید. درک مفهوم convolutional neural networks (CNNs) و recurrent neural networks (RNNs) ضروری است. منابعی مانند کتاب “Deep Learning” نوشته Ian Goodfellow توصیه می شود.

6. تمرین و پروژه‌های عملی:

بهترین راه برای یادگیری هوش مصنوعی انجام پروژه‌های عملی است. پروژه‌های کوچک را انتخاب کنید و به تدریج به پروژه‌های پیچیده‌تر بروید. در پروژه‌های متن باز مشارکت کنید و از تجربیات دیگران یاد بگیرید. در چالش‌های داده‌کاوی مانند Kaggle شرکت کنید. ساخت یک سیستم تشخیص چهره ساده، یک چت‌بات یا یک سیستم توصیه گر فیلم می‌تواند پروژه‌های خوبی برای شروع باشند. پروژه های خود را در GitHub به اشتراک بگذارید تا رزومه قوی تری داشته باشید. از شکست نترسید. هر پروژه ای که انجام می دهید، فرصتی برای یادگیری است.

7. شبکه سازی و ارتباط با متخصصان:

با سایر متخصصان هوش مصنوعی ارتباط برقرار کنید. در کنفرانس‌ها و سمینارهای مرتبط شرکت کنید. در انجمن‌های آنلاین و گروه‌های بحث هوش مصنوعی عضو شوید. با افراد با تجربه تر مشورت کنید و از تجربیات آنها استفاده کنید. در لینکدین (LinkedIn) پروفایل خود را ایجاد کنید و با افراد مرتبط ارتباط برقرار کنید. حضور در رویدادهای حضوری و آنلاین فرصتی برای یادگیری و تبادل نظر است. به دنبال منتور باشید تا در مسیر یادگیری به شما کمک کند.

8. یادگیری مداوم:

هوش مصنوعی یک حوزه به سرعت در حال تحول است. برای موفقیت در این حوزه، باید همیشه در حال یادگیری باشید. مقالات تحقیقاتی جدید را بخوانید، در دوره‌های آموزشی آنلاین شرکت کنید و از آخرین پیشرفت‌ها در هوش مصنوعی مطلع باشید. به عضویت در خبرنامه‌های مرتبط درآیید و از وبلاگ‌های تخصصی بازدید کنید. به روز بودن با آخرین ترندها و تکنولوژی ها بسیار مهم است. در زمینه های جدید هوش مصنوعی مانند AI اخلاقی (Ethical AI) و AI قابل توضیح (Explainable AI) مطالعه کنید. یادگیری مادام العمر کلید موفقیت در این حوزه است. مطالعه مجلات و کنفرانس های معتبر مانند NeurIPS, ICML, ICLR توصیه می شود.

9. تمرکز بر یک حوزه تخصصی:

هوش مصنوعی یک حوزه گسترده است. سعی کنید در یک حوزه خاص تخصص پیدا کنید. برخی از حوزه‌های تخصصی عبارتند از بینایی کامپیوتر، پردازش زبان طبیعی، رباتیک، یادگیری تقویتی و تحلیل داده. انتخاب یک حوزه تخصصی به شما کمک می‌کند تا دانش عمیق‌تری کسب کنید و در آن حوزه به یک متخصص تبدیل شوید. زمینه ای را انتخاب کنید که به آن علاقه دارید و در آن استعداد دارید. با مطالعه مقالات و انجام پروژه های عملی، تخصص خود را توسعه دهید. به دنبال فرصت های شغلی در زمینه تخصصی خود باشید. انتخاب زمینه تخصصی به شما کمک می کند تا رزومه قوی تری داشته باشید.

10. آشنایی با ابزارهای توسعه نرم افزار:

علاوه بر پایتون و کتابخانه‌های مرتبط، آشنایی با ابزارهای توسعه نرم‌افزار مانند Git، Docker و ابزارهای CI/CD می‌تواند مفید باشد. این ابزارها به شما کمک می‌کنند تا کد خود را مدیریت کنید، محیط‌های توسعه را به طور یکنواخت تنظیم کنید و فرآیند توسعه نرم‌افزار را خودکار کنید. یادگیری Git برای مدیریت ورژن های کد بسیار ضروری است. Docker به شما کمک می کند تا برنامه خود را در یک کانتینر ایزوله اجرا کنید. ابزارهای CI/CD به شما کمک می کنند تا فرآیند build، test و deploy برنامه خود را خودکار کنید. آشنایی با سیستم عامل لینوکس نیز می‌تواند مفید باشد. از این ابزارها در پروژه های خود استفاده کنید تا مهارت های خود را بهبود ببخشید.

11. داشتن صبر و پشتکار:

یادگیری هوش مصنوعی زمان و تلاش زیادی می‌طلبد. صبور باشید و از شکست‌ها ناامید نشوید. با پشتکار و تمرین مداوم، می‌توانید به یک مهندس هوش مصنوعی موفق تبدیل شوید. اهداف خود را تعیین کنید و برای رسیدن به آنها تلاش کنید. از کمک گرفتن از دیگران خجالت نکشید. مهم این است که از اشتباهات خود درس بگیرید و به تلاش خود ادامه دهید. به خودتان ایمان داشته باشید و مطمئن باشید که می‌توانید به اهداف خود برسید.

12. درک ethical considerations:

هوش مصنوعی تاثیرات عمیقی بر جامعه دارد. درک مسائل اخلاقی مرتبط با هوش مصنوعی، مانند تبعیض الگوریتمی، حفظ حریم خصوصی و مسئولیت‌پذیری، بسیار مهم است. به عنوان یک مهندس هوش مصنوعی، شما مسئولیت دارید که از هوش مصنوعی به طور اخلاقی و مسئولانه استفاده کنید. در مورد سوگیری های احتمالی در داده ها و الگوریتم ها آگاه باشید. مطمئن شوید که سیستم های هوش مصنوعی شما منصفانه و شفاف هستند. به حفظ حریم خصوصی کاربران احترام بگذارید. در مورد تاثیرات اجتماعی و اقتصادی هوش مصنوعی فکر کنید. در توسعه و بهره‌گیری از هوش مصنوعی مسئولیت پذیر باشید.

13. آشنایی با معماری کامپیوتر و سیستم عامل:

در مورد مفاهیم مانند CPU، GPU، حافظه و ذخیره سازی اطلاعات مطالعه کنید. با سیستم عامل های مختلف مانند ویندوز، لینوکس و macOS آشنا شوید. درک چگونگی بهره‌گیری از GPU برای تسریع محاسبات یادگیری عمیق بسیار مهم است.

14. تسلط بر آمار و احتمالات پیشرفته:

آمار و احتمالات نقش حیاتی در یادگیری ماشین ایفا می‌کنند. فراتر از مفاهیم پایه، تسلط بر مفاهیم پیشرفته‌تر مانند استنباط بیزی، مدل‌های گرافیکی احتمالی و فرآیندهای تصادفی ضروری است. این مفاهیم به شما کمک می‌کنند تا مدل‌های پیچیده‌تر را درک کنید و تصمیمات آگاهانه‌تری در مورد انتخاب و تنظیم مدل‌ها بگیرید. مفاهیم مانند توزیع نرمال، توزیع پواسون و توزیع برنولی را به خوبی یاد بگیرید. با روش های مختلف تست فرضیه آشنا شوید. درک مفهوم covariance و correlation مهم است. مطالعه در زمینه آمار بیزی (Bayesian Statistics) به شما در درک بهتر مدل های احتمالی کمک می کند. این دانش به شما کمک می کند تا نتایج مدل های یادگیری ماشین را به درستی تفسیر کنید.

15. آشنایی با پایگاه داده ها (SQL و NoSQL):

اکثر پروژه‌های هوش مصنوعی با داده‌ها سروکار دارند که معمولاً در پایگاه داده‌ها ذخیره می‌شوند. آشنایی با SQL و NoSQL به شما امکان می‌دهد تا به طور موثر داده‌ها را از پایگاه داده‌ها استخراج و مدیریت کنید. SQL برای پایگاه داده‌های رابطه‌ای و NoSQL برای پایگاه داده‌های غیر رابطه‌ای استفاده می‌شود. این دانش به شما کمک می کند تا داده ها را به طور موثر برای مدل های یادگیری ماشین آماده کنید.

16. درک مفاهیم بهینه سازی (Optimization):

الگوریتم‌های یادگیری ماشین اغلب شامل بهینه‌سازی توابع پیچیده هستند. درک مفاهیم بهینه‌سازی، مانند گرادیان کاهشی، روش‌های شبه نیوتن و الگوریتم‌های تکاملی، به شما کمک می‌کند تا الگوریتم‌ها را به طور موثر آموزش دهید و عملکرد آنها را بهبود بخشید. این دانش به شما کمک می کند تا مدل های یادگیری ماشین را به طور موثر آموزش دهید و عملکرد آنها را بهبود بخشید. مطالعه در مورد بهینه سازی محدب (Convex Optimization) می‌تواند بسیار مفید باشد.

17. مهارت های حل مسئله قوی:

هوش مصنوعی یک زمینه پیچیده و چندوجهی است. برای موفقیت در این زمینه، باید مهارت‌های حل مسئله قوی داشته باشید. این شامل توانایی تجزیه و تحلیل مسائل پیچیده، شناسایی راه حل های بالقوه، ارزیابی این راه حل ها و پیاده سازی راه حل های موثر است. تمرین حل مسائل مختلف در زمینه های مختلف به شما کمک می کند تا مهارت های حل مسئله خود را تقویت کنید. در حل مسائل تیمی شرکت کنید و از تجربیات دیگران یاد بگیرید. از ابزارهای مختلف برای حل مسائل پیچیده استفاده کنید. همیشه به دنبال راه حل های خلاقانه برای مسائل باشید. این مهارت ها به شما کمک می کند تا در هر پروژه هوش مصنوعی موفق شوید.

18. درک پردازش زبان طبیعی (NLP):

پردازش زبان طبیعی (NLP) شاخه‌ای از هوش مصنوعی است که به کامپیوترها امکان می‌دهد تا زبان انسان را درک و تولید کنند. NLP کاربردهای گسترده‌ای در زمینه‌هایی مانند ترجمه ماشینی، تحلیل احساسات، خلاصه‌سازی متن و چت‌بات‌ها دارد. با مفاهیم اساسی NLP مانند توکن‌سازی، ریشه‌کنی، برچسب‌گذاری اجزای گفتار و تحلیل نحوی آشنا شوید. با مدل‌های زبانی مانند LSTM و Transformer کار کنید. پروژه‌های عملی در زمینه NLP انجام دهید. درک مفهوم embedding های کلمه (Word Embeddings) مانند Word2Vec و GloVe ضروری است. با تکنیک های مختلف برای preprocessing متن آشنا شوید. مطالعه در مورد مدل های Transformer مانند BERT و GPT بسیار مهم است.

19. درک بینایی کامپیوتر (Computer Vision):

بینایی کامپیوتر (Computer Vision) شاخه‌ای از هوش مصنوعی است که به کامپیوترها امکان می‌دهد تا تصاویر و ویدیوها را درک و تحلیل کنند. بینایی کامپیوتر کاربردهای گسترده‌ای در زمینه‌هایی مانند تشخیص چهره، تشخیص اشیا، خودروهای خودران و تصویربرداری پزشکی دارد. با مفاهیم اساسی بینایی کامپیوتر مانند پردازش تصویر، ویژگی‌یابی، تشخیص اشیا و segmentation آشنا شوید. با شبکه‌های عصبی کانولوشن (CNNs) کار کنید. پروژه‌های عملی در زمینه بینایی کامپیوتر انجام دهید. درک مفهوم convolutional layers، pooling layers و activation functions ضروری است. با تکنیک های مختلف برای image augmentation آشنا شوید. مطالعه در مورد مدل های CNN مانند ResNet و Inception بسیار مهم است.

20. آشنایی با معماری های Cloud:

با مفاهیم مانند scalability، reliability و security در محیط Cloud آشنا شوید. این دانش به شما کمک می کند تا پروژه های هوش مصنوعی خود را به طور موثر در محیط Cloud پیاده سازی کنید. رباتیک (Robotics) شاخه‌ای از مهندسی است که به طراحی، ساخت، بهره‌برداری و کاربرد ربات‌ها می‌پردازد. هوش مصنوعی نقش مهمی در رباتیک ایفا می‌کند، به طوری که به ربات‌ها امکان می‌دهد تا محیط خود را درک کنند، برنامه‌ریزی کنند و تصمیم‌گیری کنند. با مفاهیم اساسی رباتیک مانند kinematics، dynamics، کنترل و برنامه‌ریزی آشنا شوید. با سیستم عامل رباتیک (ROS) کار کنید. پروژه‌های عملی در زمینه رباتیک انجام دهید. مطالعه در مورد ربات های autonomous و collaborative بسیار مهم است.

22. مهارت های ارائه و ارتباط:

به عنوان یک مهندس هوش مصنوعی، باید بتوانید نتایج کار خود را به طور موثر به دیگران ارائه دهید.این شامل توانایی توضیح مفاهیم پیچیده به زبان ساده، ارائه نتایج به صورت بصری و متقاعد کردن دیگران به ارزش کار شما است.تمرین ارائه در جمع و نوشتن گزارش های واضح و مختصر به شما کمک می کند تا مهارت های ارائه و ارتباط خود را تقویت کنید.از ابزارهای مختلف برای ایجاد ارائه های جذاب و موثر استفاده کنید.به بازخورد دیگران گوش دهید و از آن برای بهبود مهارت های خود استفاده کنید.

شرکت در کارگاه های آموزشی در زمینه ارائه و ارتباط می‌تواند مفید باشد.این مهارت ها به شما کمک می کند تا در محیط کار و در ارتباط با مشتریان موفق شوید.هوش مصنوعی اغلب در conjunction با حوزه‌های دیگر استفاده می‌شود.داشتن دانش در مورد یک یا چند حوزه مرتبط می‌تواند به شما در توسعه راه‌حل‌های هوش مصنوعی موثرتر کمک کند.این حوزه‌ها می‌توانند شامل پزشکی، امور مالی، تولید، بازاریابی و غیره باشند.انتخاب حوزه‌ای که به آن علاقه دارید و در آن تخصص دارید، به شما کمک می‌کند تا در آن حوزه به یک متخصص هوش مصنوعی تبدیل شوید.

با مطالعه و تحقیق در مورد حوزه مورد نظر خود، دانش خود را افزایش دهید.

در کنفرانس ها و سمینارهای مرتبط با حوزه مورد نظر خود شرکت کنید.با افراد متخصص در حوزه مورد نظر خود ارتباط برقرار کنید.این دانش به شما کمک می کند تا نیازهای خاص هر حوزه را درک کنید و راه حل های هوش مصنوعی مناسب را توسعه دهید.همکاری با متخصصان حوزه مورد نظر می‌تواند به شما در توسعه راه حل های موثرتر کمک کند.

24. درک الگوریتم های توصیه گر (Recommender Systems):

الگوریتم‌های توصیه گر (Recommender Systems) از الگوریتم‌های یادگیری ماشین برای پیش‌بینی ترجیحات کاربر و ارائه پیشنهادات شخصی‌سازی‌شده استفاده می‌کنند. این الگوریتم‌ها در زمینه‌هایی مانند تجارت الکترونیک، شبکه‌های اجتماعی و پخش محتوا کاربرد دارند. با تکنیک های مختلف برای مقابله با cold start problem در الگوریتم های توصیه گر آشنا شوید. مطالعه در مورد matrix factorization و deep learning-based recommender systems بسیار مهم است. این دانش به شما کمک می کند تا الگوریتم های توصیه گر موثر و شخصی سازی شده را توسعه دهید. پیاده سازی یک سیستم توصیه گر ساده می‌تواند یک پروژه عملی خوب باشد.

25. آشنایی با پردازش سیگنال (Signal Processing):

پردازش سیگنال (Signal Processing) شاخه‌ای از مهندسی است که به تحلیل، اصلاح و سنتز سیگنال‌ها می‌پردازد. پردازش سیگنال در زمینه‌هایی مانند تشخیص گفتار، پردازش تصویر، مخابرات و مهندسی پزشکی کاربرد دارد. در برخی کاربردهای هوش مصنوعی نیاز به پردازش سیگنال نیز وجود دارد. با مفاهیم اساسی پردازش سیگنال مانند تبدیل فوریه، فیلتر کردن و نمونه برداری آشنا شوید. این دانش به شما کمک می کند تا با داده های سیگنالی کار کنید و الگوریتم های هوش مصنوعی مناسب را توسعه دهید. پیاده سازی یک فیلتر ساده می‌تواند یک پروژه عملی خوب باشد.

26. درک یادگیری تقویتی (Reinforcement Learning):

یادگیری تقویتی (Reinforcement Learning) شاخه‌ای از یادگیری ماشین است که به عامل (Agent) امکان می‌دهد تا از طریق تعامل با محیط، یاد بگیرد که چگونه یک هدف خاص را به حداکثر برساند. یادگیری تقویتی در زمینه‌هایی مانند بازی‌ها، رباتیک و کنترل کاربرد دارد. با مفاهیم اساسی یادگیری تقویتی مانند agent، environment، reward و policy آشنا شوید. با الگوریتم های مختلف یادگیری تقویتی مانند Q-learning، SARSA و Policy Gradients کار کنید. پروژه‌های عملی در زمینه یادگیری تقویتی انجام دهید. درک مفهوم Markov Decision Processes (MDPs) ضروری است. با تکنیک های مختلف برای exploration و exploitation در یادگیری تقویتی آشنا شوید. مطالعه در مورد deep reinforcement learning بسیار مهم است.

27. ایجاد یک پورتفولیو قوی:

برای نشان دادن مهارت‌های خود به کارفرمایان، ایجاد یک پورتفولیو قوی ضروری است. پورتفولیو شما باید شامل پروژه‌هایی باشد که روی آنها کار کرده‌اید، مقالاتی که نوشته‌اید و مشارکت‌هایی که در پروژه‌های متن‌باز داشته‌اید. پروژه‌های خود را در GitHub به اشتراک بگذارید. یک وب سایت شخصی ایجاد کنید و در آن پورتفولیو خود را به نمایش بگذارید. در مسابقات و چالش‌های هوش مصنوعی شرکت کنید. در پروژه‌های متن‌باز مشارکت کنید. این کارها به شما کمک می‌کنند تا رزومه قوی‌تری داشته باشید و نظر کارفرمایان را جلب کنید. مطمئن شوید که پورتفولیو شما به روز و نشان دهنده آخرین مهارت های شما است.