عنوان دوره:
برنامه‌نویسی با پایتون بر مبنای هوش مصنوعی با کاربرد در علوم زیست‌پزشکی
این دوره ۱۰ جلسه‌ای، هر جلسه به مدت دو ساعت، طراحی شده است تا مفاهیم پایه و پیشرفته برنامه‌نویسی با پایتون را با تأکید ویژه بر هوش مصنوعی و کاربردهای آن در زیست‌پزشکی و داده‌های پزشکی پوشش دهد. هر جلسه شامل مباحث تئوری و عملی خواهد بود و تمرین‌های کاربردی در زمینه هوش مصنوعی و زیست‌پزشکی ارائه می‌گردد.
جلسه ۱: مقدمه‌ای بر پایتون و کاربردهای آن در زیست‌پزشکی و هوش مصنوعی
• معرفی پایتون و نقش آن در زیست‌شناسی، هوش مصنوعی، و کاربردهای سلامت.
• نصب محیط‌های توسعه (IDE) و کار با Jupyter Notebook و Streamlit.
• آشنایی با مفاهیم برنامه‌نویسی تعاملی و استفاده از Streamlit برای ایجاد داشبوردهای هوش مصنوعی.
جلسه ۲: اصول اولیه برنامه‌نویسی در پایتون
• ورودی و خروجی: خواندن و نوشتن داده‌ها و کاربرد آن‌ها در تحلیل داده‌های علمی.
• تعریف متغیرها و انواع داده‌ها:
o تبدیل انواع داده و اهمیت تایپ دینامیک در پایتون برای مدل‌های هوش مصنوعی.
جلسه ۳: عملیات و ساختارهای کنترلی
• آشنایی با عملگرها (ریاضی، منطقی، بیتی) و کاربرد آن‌ها در داده‌های زیستی.
س ساختارهای کنترلی (if، if-else، و حلقه‌های تکرار) برای مدیریت خطوط پردازش داده‌های زیستی.
جلسه ۴: کار با داده‌ها و عملیات روی رشته‌ها
• پردازش رشته‌ها: روش‌های برش رشته و استفاده از عبارات منظم (Regex) برای تجزیه توالی‌های زیستی.
س معرفی مجموعه‌ها، لیست‌ها، تاپل‌ها و دیکشنری‌ها و کاربرد عملی در تحلیل داده‌های زیستی.
جلسه ۵: توابع و مدیریت استثناها
• تعریف توابع و استفاده از آن‌ها برای برنامه‌نویسی ماژولار.
• کار با توابع لامبدا و ژنراتورها برای پیش‌پردازش داده‌ها.
• استفاده از بلوک‌های Try-Except برای مدیریت خطاها در کدهای هوش مصنوعی.
جلسه ۶: ماژول‌ها، کتابخانه‌ها و مدیریت فایل‌ها
• معرفی ماژول‌های داخلی (os، math، statistics) و کتابخانه‌های خارجی در زیست‌پزشکی و هوش مصنوعی.
ش خواندن و نوشتن فایل‌های داده پزشکی (CSV، Excel) و آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین.
جلسه ۷: کتابخانه‌های محبوب پایتون در هوش مصنوعی و زیست‌پزشکی
• نصب و مدیریت بسته‌ها با PIP.
• معرفی کتابخانه‌های مهم:
 BioPython
برای پردازش توالی‌های زیستی
 NumPy، Pandas
برای تحلیل داده‌ها
 Matplotlib، Seaborn
برای تجسم داده‌ها
Scikit-learn
برای یادگیری ماشین.
Streamlit
برای ایجاد داشبوردهای تعاملی.
جلسه ۸: مفاهیم پیشرفته و برنامه‌نویسی شیءگرا (OOP)
• مفاهیم کلاس و شیء در زیست‌پزشکی.
• ارث‌بری، پلی‌مورفیسم، و کپسوله‌سازی برای پروژه‌های تخصصی زیستی.
• تحلیل داده‌های سری زمانی و استفاده از Timestamp در داده‌های آزمایشگاهی.
جلسه ۹: پیش‌پردازش داده‌ها و کاربردهای هوش مصنوعی در بیوانفورماتیک
• پیش‌پردازش داده‌های پزشکی برای مدل‌های یادگیری ماشین:
o مدیریت داده‌های گمشده، مقیاس‌بندی و رمزگذاری.
o مهندسی ویژگی برای داده‌های سلامت.
• تحلیل داده‌های زیستی با Pandas و ابزارهای تجسم.
جلسه ۱۰: ساخت و استقرار مدل‌های یادگیری ماشین در زیست‌پزشکی
• پروژه عملی:
o تحلیل داده‌های مرتبط با حملات قلبی.
o ساخت مدل پیش‌بینی با Scikit-learn.
o استقرار مدل به صورت اپلیکیشن تعاملی با استفاده از Streamlit.
• صادرات مدل‌ها برای کاربردهای دنیای واقعی و نمایش نتایج در داشبوردهای تعاملی
مدرس
مهندس علی احمدی
 فعال و مدرس حوزه هوش مصنوعی و یادگیری ماشین
محقق شبکه جهانی تحقیق، آموزش و رویدادها (گرین)
مشاور سابق بانک جهانی در حوزه فناوری اطلاعات
  برنده بهترین مقاله در کنفرانسهای بین المللی ICMM24 و ICCMM23
ظرفیت دوره
پنج نفر
شروع دوره
هفته آخر دی ماه  1403
جهت هماهنگی بیشتر و کسب اطلاعات بیشتر لطفا با شماره زیر، خانم دکتر رستمی پیام دهید
09335829066