کارشناس هوش مصنوعی و یادگیری ماشین

مهارت های تخصصی 
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 و مزایا:

• از شنبه تا چهارشنبه از ساعت 8:00 تا 17:15 ( بصورت هیبرید می باشد)
• محدوده قیطریه