Arash.M

منیب محمدی نیک خلاصه‌ای از پروفایل من برنامه‌نویس پرشور و متخصص در حوزه هوش مصنوعی و یادگیری ماشین با تسلط کامل بر زبان برنامه‌نویسی پایتون و کتابخانه‌های تخصصی آن. دارای مدارک معتبر از آکادمی‌های بین‌المللی و تجربه کار روی پروژه‌های عملی در حوزه‌های مختلف هوش مصنوعی. آماده همکاری در محیط‌های پویا و چالش‌برانگیز برای توسعه راه‌حل‌های نوآورانه. مهارت‌های فنی ✅ زبان‌های برنامه‌نویسی: پایتون (مسلط) ✅ کتابخانه‌ها و فریمورک‌های یادگیری ماشین: NumPy - Pandas - Scikit-Learn - SciPy - XGBoost OpenCV - Haar Cascade ✅ کتابخانه‌های یادگیری عمیق: TensorFlow - Keras - PyTorch ✅ پردازش زبان طبیعی (NLP): NLTK - librosa - Beautiful Soup - Scrapy Transformers - GPT - BERT ✅ شبکه‌های عصبی و معماری‌های پیشرفته: شبکه‌های عصبی پیش‌خور (Feedforward) CNN (شبکه‌های عصبی کانولوشنی) RNN (شبکه‌های عصبی بازگشتی) LSTM (حافظه بلندمدت کوتاه‌مدت) GAN (شبکه‌های مولد تخاصمی) ✅ یادگیری تقویتی (Reinforcement Learning): Q-Learning - SARSA ✅ خوشه‌بندی و کاهش ابعاد: K-Means Clustering - Dimensionality Reduction - Feature Extraction ✅ الگوریتم‌های کلاسیک یادگیری ماشین: رگرسیون خطی (Linear Regression) رگرسیون لجستیک (Logistic Regression) رگرسیون چندجمله‌ای (Polynomial Regression) SVM (ماشین بردار پشتیبان) Naive Bayes درخت تصمیم (Decision Tree) جنگل تصادفی (Random Forest) K-NN (K-Nearest Neighbors) ✅ ابزارهای توسعه و بصری‌سازی: Jupyter Notebook - Google Colab - Kaggle Seaborn - Plotly - PIL (Python Imaging Library) نمونه کارها و پروژه‌های انجام‌شده 🚀 پروژه ۱: ساخت مدل تشخیص اشیا با استفاده از CNN و OpenCV توضیحات: طراحی و پیاده‌سازی یک مدل تشخیص اشیا با دقت بالا با استفاده از شبکه‌های عصبی کانولوشنی و کتابخانه OpenCV. کتابخانه‌ها و فناوری‌ها: Python, TensorFlow, Keras, OpenCV, Haar Cascade. 🚀 پروژه ۲: پیاده‌سازی مدل پردازش زبان طبیعی (NLP) با Transformer و GPT توضیحات: توسعه یک مدل تولید متن هوشمند با استفاده از معماری Transformer و GPT برای تحلیل متون و تولید پاسخ‌های خودکار. کتابخانه‌ها و فناوری‌ها: Python, NLTK, Transformers, PyTorch. 🚀 پروژه ۳: سیستم پیش‌بینی قیمت مسکن با رگرسیون خطی و Random Forest توضیحات: ساخت یک مدل پیش‌بینی قیمت مسکن با استفاده از الگوریتم‌های رگرسیون خطی و Random Forest و مقایسه دقت آن‌ها. کتابخانه‌ها و فناوری‌ها: Python, Scikit-Learn, Pandas, NumPy. 🚀 پروژه ۴: طراحی مدل تشخیص چهره با استفاده از Haar Cascade توضیحات: ایجاد یک سیستم تشخیص چهره real-time با استفاده از الگوریتم Haar Cascade و کتابخانه OpenCV. کتابخانه‌ها و فناوری‌ها: Python, OpenCV, Haar Cascade. 🚀 پروژه ۵: پیاده‌سازی شبکه مولد تخاصمی (GAN) توضیحات: آموزش یک مدل GAN برای تولید تصاویر جدید با استفاده از TensorFlow و PyTorch. کتابخانه‌ها و فناوری‌ها: Python, TensorFlow, PyTorch. سوابق تحصیلی و مدارک 🎓 مدارک از آکادمی آیولرن: پایتون مقدماتی پایتون تخصصی هوش مصنوعی پایتون پیشرفته مدرک ماشین لرنینگ 🎓 مدارک از پرتقال: پایتون (سطح مقدماتی تا پیشرفته) دوره‌های تخصصی گذرانده‌شده 📚 سرفصل‌های کامل دوره‌های هوش مصنوعی و یادگیری ماشین: جلسه ۱: مقدمه‌ای بر الگوریتم‌های هوش مصنوعی جلسه ۲: رگرسیون خطی و کاربردهای آن جلسه ۳: رگرسیون لجستیک و کاربردهای آن جلسه ۴: Naive Bayes، رگرسیون چندجمله‌ای و SVM جلسه ۵: درخت تصمیم، جنگل تصادفی، XGBoost و KNN جلسه ۶: K-Means، کاهش ابعاد و استخراج ویژگی جلسه ۷: Q-Learning و SARSA جلسه ۸: شبکه‌های عصبی مصنوعی (Feedforward) جلسه ۹: شبکه‌های عصبی CNN، RNN و LSTM جلسه ۱۰: شبکه‌های عصبی GAN، NLP، GPT و Transformer علاقه‌مندی‌های تخصصی هوش مصنوعی و یادگیری ماشین پردازش زبان طبیعی (NLP) بینایی کامپیوتر (Computer Vision) یادگیری تقویتی (Reinforcement Learning) توسعه مدل‌های Generative (مانند GAN) هدف من تبدیل شدن به یک مهندس هوش مصنوعی خلاق و موثر است که بتواند با ترکیب دانش فنی عمیق و نوآوری، راه‌حل‌های هوشمندی برای چالش‌های واقعی جهان طراحی کند. آماده‌ام در محیط‌های پویا همکاری کنم، یادگیری مداوم داشته باشم و در پروژه‌های پیچیدهٔ داده‌محور نقش کلیدی ایفا کنم. ✉️ آمادهٔ همکاری در پروژه‌های صنعتی، تحقیقاتی و استارتاپی در حوزه‌های هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و پردازش زبان طبیعی.