FANOS • ROADMAP • 2026

Deep Learning Engineer
نقشه راه از صفر تا بازار کار

یک مسیر مرحله‌به‌مرحله برای یادگیری Deep Learning؛ از Python و ریاضیات تا Neural Network، PyTorch، انتخاب تخصص، Deployment و ساخت پروژه‌های واقعی.

01

شناسنامه رودمپ

تعریف سریع مسیر و خروجی مورد انتظار

عنوان مسیر

Deep Learning Engineer — از پایه تا ساخت، استقرار و مهندسی سیستم‌های Deep Learning.

سطح شروع

از صفر؛ پیش‌نیاز اجباری برای شروع این مسیر وجود ندارد.

هدف نهایی

رسیدن به توانایی ساخت مدل، انتخاب تخصص، Deploy کردن و ساخت Portfolio قابل ارائه.

هسته مسیر

Python → Math → ML → DL → PyTorch → Architectures → Specialization → Deployment.

مخاطب

دانشجویان و علاقه‌مندان AI، برنامه‌نویسان، مهندسان نرم‌افزار و افراد حوزه‌های فنی نزدیک.

خروجی رودمپ

دانش مفهومی + توانایی پیاده‌سازی + پروژه‌های واقعی + نمونه‌کار + آمادگی برای ورود به بازار کار.

02

Deep Learning Engineer چیست؟

آشنایی با نقش و مسئله‌ای که این حوزه حل می‌کند

این حوزه چیست؟
Deep Learning شاخه‌ای از Machine Learning است که از شبکه‌های عصبی چندلایه برای یادگیری الگوهای پیچیده از داده استفاده می‌کند. مهندس Deep Learning این مدل‌ها را طراحی، آموزش، ارزیابی و در صورت نیاز در یک سیستم واقعی مستقر می‌کند.
چه مسئله‌ای را حل می‌کند؟
وقتی استخراج دستی الگوها دشوار است، مدل‌های عمیق می‌توانند از داده‌هایی مثل تصویر، متن، صدا و ویدئو الگو یاد بگیرند و برای کارهایی مانند طبقه‌بندی، تشخیص، پیش‌بینی، درک زبان و تولید محتوا استفاده شوند.
چه کسانی معمولاً وارد این حوزه می‌شوند؟
افراد با پیش‌زمینه‌های Computer Science، Computer Engineering، Software Engineering، Data Science، Mathematics، Statistics و رشته‌های فنی نزدیک؛ البته ورود به این حوزه به یک مدرک یا رشته خاص محدود نیست و مهارت عملی اهمیت زیادی دارد.
زیرشاخه‌های اصلی حوزه چیست؟
Computer Vision، NLP، Generative AI و LLMها، Speech / Audio و همچنین حوزه‌های تخصصی دیگری که بر اساس نوع داده و مسئله شکل می‌گیرند.
پیش‌نیازها: برای شروع این مسیر پیش نیاز اجباری وجود ندارد. آشنایی مقدماتی با منطق برنامه‌نویسی و ریاضیات پایه روند یادگیری را سریع‌تر می‌کند.

Deep Learning Engineer به‌طور کلی مهندسی است که با استفاده از شبکه‌های عصبی عمیق (Deep Neural Networks) سیستم‌هایی می‌سازد که بتوانند از داده‌ها الگو یاد بگیرند و بر اساس آن پیش‌بینی، تشخیص یا تولید انجام دهند.

🎨 تولید

تولید تصویر، متن، صدا و محتوای جدید.

🎙️ درک گفتار

تشخیص گفتار و تبدیل Speech به Text.

🚗 سیستم‌های هوشمند

کاربرد در خودروهای خودران و سامانه‌های ادراکی.

👁️ بینایی ماشین

تشخیص چهره، اشیا و تحلیل تصویر.

📊 داده‌های پیچیده

پیش‌بینی و تحلیل الگوهای پیچیده در داده.

🤖 هوش مصنوعی

ساخت بخش‌هایی از سیستم‌های AI مدرن.

03

AI × Domain

وقتی هوش مصنوعی با یک حوزه تخصصی ترکیب می‌شود

در مسیر حرفه‌ای، یادگیری خودِ AI فقط یک بخش ماجراست. ارزش اصلی زمانی بیشتر می‌شود که مهارت‌های AI با دانش یک حوزه تخصصی (Domain) ترکیب شوند؛ مثل پزشکی، مالی، حقوق، آموزش، بازاریابی، صنعت و نرم‌افزار.

۳.۱ تأثیر AI بر حوزه

چه کارهایی در حال خودکارشدن هستند؟

بخش‌هایی از کارهای تکراری، قابل‌تعریف و قابل‌اندازه‌گیری مثل پردازش اسناد، استخراج اطلاعات، خلاصه‌سازی، پشتیبانی، تولید محتوا و بعضی وظایف نرم‌افزاری بیش از گذشته با AI انجام یا تقویت می‌شوند.

چه وظایفی با AI سریع‌تر شده‌اند؟

در کارهایی که خروجی آن‌ها قابل بررسی و بازخورد است، AI می‌تواند سرعت و بهره‌وری را افزایش دهد؛ اما میزان اثر به نوع کار، کیفیت ابزار و نحوه استفاده وابسته است.

چه مهارت‌هایی ارزش بیشتری پیدا کرده‌اند؟

حل مسئله، تفکر تحلیلی، خلاقیت، ارتباط مؤثر، کار با داده، سواد AI و توانایی ترکیب ابزارهای AI با دانش تخصصی اهمیت بیشتری پیدا می‌کنند.

چه مهارت‌هایی بیشتر در معرض تغییرند؟

وظایف تکراری و استانداردشده بیشتر در معرض اتوماسیون یا بازطراحی قرار دارند. بنابراین تمرکز صرف بر انجام دستی یک کار تکراری، مزیت پایداری کمتری نسبت به توانایی طراحی و نظارت بر فرایند دارد.

نکته مهم: گزارش‌های WEF و Stanford نشان می‌دهند اثر AI فقط «جایگزینی انسان» نیست؛ بخش مهمی از تغییر، همکاری انسان و ماشین و افزایش بهره‌وری است. در گزارش WEF، کارفرمایان انتظار دارند تا ۲۰۳۰ سهم کارهایی که عمدتاً توسط انسان، فناوری یا ترکیبی از هر دو انجام می‌شوند، به هم نزدیک‌تر شود.

۳.۲ کاربردهای AI در حوزه Deep Learning

در Deep Learning، تمرکز فقط روی «اتوماسیون یک کار» نیست؛ نقطه قوت اصلی، یادگیری نمایش (Representation Learning) و استخراج الگوهای پیچیده از داده‌های غیرساختاریافته مثل تصویر، ویدئو، متن، صدا و داده‌های چندرسانه‌ای است. همین ویژگی باعث می‌شود Deep Learning در بخش‌هایی از AI که با داده‌های پیچیده و حجم بالا سروکار دارند، نقش محوری داشته باشد.

👁️ ادراک و Perception

تبدیل داده خام به اطلاعات قابل استفاده برای سیستم: تشخیص و مکان‌یابی اشیا، Segmentation، OCR، تحلیل ویدئو و درک صحنه. این بخش پایه بسیاری از سیستم‌های بینایی ماشین و سامانه‌های هوشمند است.

DetectionSegmentationOCRVideo Understanding

🧠 Representation Learning

مدل بدون تعریف دستی تمام ویژگی‌ها، نمایش‌های مفید را از داده یاد می‌گیرد. این ویژگی یکی از تفاوت‌های مهم Deep Learning با بسیاری از روش‌های سنتی مبتنی بر Feature Engineering دستی است.

EmbeddingsFeature LearningSelf-Supervised Learning

✨ تولید محتوای جدید

مدل‌های مولد می‌توانند بر اساس الگوهای آموخته‌شده متن، تصویر، صدا، ویدئو یا داده‌های ترکیبی تولید کنند؛ از LLMها تا Diffusion Models و مدل‌های چندوجهی.

LLMDiffusionMultimodal

🔎 جست‌وجو، رتبه‌بندی و Recommendation

یادگیری Embeddingها و مدل‌های عمیق برای سنجش شباهت، بازیابی محتوا، رتبه‌بندی نتایج و پیشنهاد محصول یا محتوا استفاده می‌شود؛ مخصوصاً وقتی داده کاربر و محتوا بسیار بزرگ و پیچیده است.

EmbeddingsRetrievalRankingRecommendation

🎙️ فهم و تولید گفتار

مدل‌های عمیق برای Speech-to-Text، Text-to-Speech، تشخیص گوینده، جداسازی/بهبود صدا و تحلیل رویدادهای صوتی استفاده می‌شوند.

ASRTTSSpeaker IDAudio Events

🕸️ داده‌های رابطه‌ای و گرافی

وقتی خودِ رابطه بین موجودیت‌ها مهم است، مدل‌های گرافی می‌توانند اطلاعات گره‌ها و ارتباطات آن‌ها را هم‌زمان یاد بگیرند؛ برای Recommendation، کشف تقلب، شبکه‌های اجتماعی و کشف روابط علمی کاربرد دارند.

GNNNode ClassificationLink Prediction

⚙️ پیش‌بینی و داده‌های زمانی

شبکه‌های عمیق برای الگوهای زمانی پیچیده در Forecasting، سنجش تقاضا، داده‌های حسگر و سیگنال‌ها به کار می‌روند؛ انتخاب معماری به ساختار داده و مسئله بستگی دارد.

Time SeriesForecastingSequence Models

🚨 Anomaly Detection

مدل می‌تواند الگوهای عادی را یاد بگیرد و نمونه‌های غیرمعمول را شناسایی کند؛ برای پایش سیستم‌ها، کیفیت، امنیت و داده‌های حسگری قابل استفاده است.

AutoencoderOutlier Detection

🔬 AI برای علم و مهندسی

Deep Learning در کشف دارو، زیست‌محاسباتی، پیش‌بینی خواص مواد، تحلیل داده‌های علمی و مسائل مهندسی نیز استفاده می‌شود؛ در این کاربردها دانش Domain و ارزیابی علمی اهمیت ویژه دارد.

Drug DiscoveryScientific MLSurrogate Models
تمایز Deep Learning: برخلاف یک کاربرد عمومی مثل «خلاصه‌سازی سند» یا «اتوماسیون اداری»، مزیت اصلی این حوزه در یادگیری الگو و نمایش از داده‌های پیچیده و چندوجهی است. بنابراین Vision، Speech، LLM، Generative AI، Recommendation و Graph Learning همگی می‌توانند در یک هسته مشترک یعنی Neural Representation Learning به هم متصل شوند.

۳.۳ ابزارهای AI

ابزار موردنیاز به مسئله و حوزه بستگی دارد؛ اما یک متخصص معمولاً باید بتواند از چند لایه ابزار استفاده کند:

PythonPyTorchTransformersLLM APIsVector DatabasesGit / GitHubDockerCloudEvaluationMLOps

۳.۴ مهارت‌های جدید

AI Literacy

شناخت توانایی‌ها، محدودیت‌ها، خطاها و شیوه استفاده درست از مدل‌های AI.

AI Evaluation

توانایی تعریف معیار، تست خروجی، مقایسه مدل‌ها و بررسی کیفیت و خطا.

Domain Knowledge

فهم مسئله واقعی یک صنعت و تشخیص اینکه کجا AI واقعاً ارزش ایجاد می‌کند.

Responsible AI

توجه به حریم خصوصی، امنیت، انصاف، شفافیت، قابلیت اعتماد و ریسک‌های سیستم.

چرا Domain مهم است؟ مدل خوب به‌تنهایی محصول خوب نیست. کسی که هم AI را بفهمد و هم مسئله واقعی یک حوزه را بشناسد، می‌تواند داده مناسب‌تر انتخاب کند، معیار درست‌تری تعریف کند و خروجی مدل را در یک فرایند واقعی به کار بگیرد.

۳.۵ مسیر آینده

AI Skills+Domain Knowledge→Problem Solving→AI System→Domain Specialist / AI Engineer

مسیر آینده فقط «متخصص یک مدل» بودن نیست؛ ترکیب AI با دانش حوزه، ارزیابی، مهندسی سیستم و توانایی تبدیل یک مسئله واقعی به راه‌حل AI اهمیت بیشتری پیدا می‌کند. داده‌های Stanford نیز نشان می‌دهد استفاده سازمانی از AI در سال ۲۰۲۵ به ۸۸٪ از سازمان‌های مورد بررسی رسیده است و مدل‌ها بیش از گذشته وارد حوزه‌های حرفه‌ای شده‌اند.

04

Roadmap — نقشه راه کلی

ترتیب پیشنهادی یادگیری از پایه تا مهندسی

PythonFoundation

پایه برنامه‌نویسی و کار با داده در ML و DL

→ خروجی: توانایی برنامه‌نویسی و کار با داده
ریاضیاتFoundation

برای فهم اینکه مدل‌های ML و DL چگونه کار می‌کنند

→ خروجی: درک محاسبات پشت مدل‌ها
Machine LearningFundamentals

قبل از Neural Network، اصول یادگیری ماشین را می‌فهمیم

→ خروجی: درک Training، Evaluation و رفتار مدل
Deep LearningCore

ورود به قلب DL: Neural Network و سازوکار یادگیری آن

→ خروجی: فهم Forward، Loss، Backpropagation و Gradient Descent
PyTorchImplementation

پیاده‌سازی و آموزش واقعی شبکه‌های عصبی

→ خروجی: آموزش یک Neural Network از صفر تا صد
Architecture → Specialization → DeploymentProfessional

مدل‌های مختلف، انتخاب حوزه تخصصی و تبدیل مدل به سیستم واقعی

→ خروجی: Portfolio + ورود به بازار کار
05

Python

اولین قدم

اولین قدم، یادگیری خوب Python است؛ اما لازم نیست برای آن به اندازه یک Software Engineer حرفه‌ای زمان گذاشته شود. بخش بزرگی از Machine Learning و Deep Learning با Python انجام می‌شود.

موضوعات اصلی

SyntaxVariablesConditionsLoopsFunctionsClassesFilesModulesExceptions

کتابخانه‌ها

NumPyPandasMatplotlib
هدف: در نهایت باید بتوانیم با Python برنامه بنویسیم و با داده‌ها کار کنیم.
06

ریاضیات

ابزار فهم مدل‌ها، نه حفظ فرمول‌ها

در این مرحله ریاضیات موردنیاز را یاد می‌گیریم تا بعداً بتوانیم بفهمیم مدل‌های ML و DL دقیقاً چگونه کار می‌کنند.

∑

Linear Algebra

Vector، Matrix، Tensor و عملیات ماتریسی.

∂

Calculus

Derivative، Partial Derivative، Gradient و Chain Rule.

σ

Probability & Statistics

Probability، Distribution، Mean، Variance و مفاهیم آماری پایه.

هدف ریاضیات در این رودمپ: فهم پشت صحنه مدل‌ها و نه تبدیل‌شدن به متخصص ریاضی محض.
07

Machine Learning

قبل از Deep Learning

قبل از ورود مستقیم به Neural Network، با اصول Machine Learning آشنا می‌شویم تا مفاهیم یادگیری، آموزش، ارزیابی و رفتار مدل را عمیق‌تر بفهمیم.

مفاهیم

TrainingTestingFeaturesLabelsOverfittingUnderfittingEvaluation

الگوریتم‌های معروف

Linear RegressionLogistic RegressionDecision TreeRandom ForestSVM
سؤال: تفاوت ML و DL چیست؟
به‌طور کلی ML زیرمجموعه‌ای از AI است و DL زیرمجموعه‌ای از ML محسوب می‌شود. ML دامنه گسترده‌تری دارد، در حالی که DL تمرکز بیشتری روی مدل‌های عصبی عمیق دارد.
08

Deep Learning

قلب مسیر: Neural Network

حالا وارد هسته اصلی Deep Learning می‌شویم؛ یعنی Neural Network. اینجا باید بفهمیم شبکه چگونه ورودی را به خروجی تبدیل می‌کند و چگونه از خطا یاد می‌گیرد.

Perceptron

ساده‌ترین شکل نورون مصنوعی و نقطه شروع درک شبکه عصبی.

Forward Propagation

ورودی وارد شبکه می‌شود و خروجی تولید می‌شود.

Loss Function

مشخص می‌کند مدل تا چه اندازه اشتباه کرده است.

Backpropagation

خطا را به عقب منتقل می‌کنیم تا بفهمیم وزن‌ها چگونه باید تغییر کنند.

Gradient Descent

وزن‌ها را طوری تغییر می‌دهیم که Loss کاهش پیدا کند.

Activation & Optimization

برای ساخت و آموزش مؤثر شبکه، Activation Functionها و Optimizerها را می‌شناسیم.

Input→Neural Network→Prediction→Loss→Backpropagation→Weight Update
09

Frameworkها: PyTorch، TensorFlow و Keras

تبدیل مفاهیم Deep Learning به مدل قابل آموزش

در این مرحله، مفاهیم Neural Network را به کد تبدیل می‌کنیم. PyTorch و TensorFlow دو اکوسیستم مهم برای ساخت و آموزش مدل‌های Deep Learning هستند و Keras یک API سطح‌بالا برای ساخت سریع و خوانای مدل‌هاست. انتخاب ابزار باید بر اساس مسئله، اکوسیستم پروژه و نیازهای استقرار انجام شود.

🔥 PyTorch

یک Tensor Library و چارچوب Deep Learning با ابزارهای Autograd، Dataset/DataLoader، Optimizer، Distributed Training و پشتیبانی از CPU/GPU است. برای پژوهش، نمونه‌سازی و ساخت مدل‌های سفارشی بسیار رایج است.

TensorsAutogradDataLoadertorch.nnCUDA

🟠 TensorFlow

یک پلتفرم End-to-End برای Machine Learning است که محاسبات Tensor، شتاب‌دهی GPU، Automatic Differentiation، ساخت و آموزش مدل و Export/Deployment را پوشش می‌دهد. اکوسیستم آن ابزارهایی برای داده، سرویس‌دهی و اجرا روی محیط‌های مختلف دارد.

tf.Tensortf.dataGPUTFXLiteRT

🟣 Keras

API سطح‌بالا برای Deep Learning است که ساخت مدل، آموزش، ارزیابی، Fine-tuning و ذخیره‌سازی را ساده‌تر می‌کند. Keras 3 می‌تواند روی Backendهای TensorFlow، PyTorch و JAX کار کند؛ بنابراین صرفاً به TensorFlow محدود نیست.

SequentialFunctional APICallbacksFine-tuningMulti-backend

مفاهیم عملی مشترک

DatasetDataLoader / tf.dataModelForward PassLossBackpropagationOptimizerCheckpointingGPU / AcceleratorEvaluation
هدف: لازم نیست از همان ابتدا در همه Frameworkها متخصص باشی. یک Framework را عمیق یاد بگیر، اما ساختار مفاهیم را طوری یاد بگیر که بتوانی همان مدل و pipeline را در اکوسیستم‌های دیگر هم درک و پیاده‌سازی کنی.
Dataset
   ↓
Preprocessing / Data Pipeline
   ↓
Neural Network
   ↓
Forward Pass
   ↓
Loss
   ↓
Backward / Autograd
   ↓
Optimizer
   ↓
Updated Weights
   ↓
Evaluation / Export
10

معماری‌های مختلف Deep Learning

بعد از فهم اصول، خانواده‌های اصلی مدل‌ها را بشناس

🖼️ CNN

برای استخراج الگوهای مکانی از تصویر و داده‌های مشابه؛ پایه بسیاری از مسائل Classification، Detection و Segmentation.

Image→CNN→Prediction

🔁 RNN / LSTM / GRU

برای داده‌های ترتیبی و وابستگی‌های زمانی طراحی شده‌اند و هنوز برای برخی مسائل Sequence و Time Series آموزشی مفیدند، هرچند در بسیاری از کاربردهای مدرن زبان، Transformerها غالب‌اند.

⚡ Transformers

با Attention و Self-Attention برای مدل‌سازی وابستگی‌های توالی و ورودی‌های چندوجهی استفاده می‌شوند و پایه بسیاری از LLMها و مدل‌های مدرن هستند.

AttentionSelf-AttentionEncoder/Decoder

🕸️ GNN

برای داده‌هایی که ساختار Graph دارند؛ اطلاعات گره‌ها و ارتباط بین آن‌ها را مدل می‌کند. کاربردها شامل Recommendation، Link Prediction، کشف تقلب و مسائل علمی/شبکه‌ای است.

GCNGATGraphSAGE

🔍 Autoencoder / VAE

برای یادگیری نمایش فشرده داده، بازسازی، کاهش بُعد، تشخیص ناهنجاری و در VAE برای مدل‌سازی فضای نهفته و تولید نمونه استفاده می‌شوند.

🎨 GAN

از یک Generator و Discriminator برای یادگیری تولید داده استفاده می‌کند. از خانواده‌های مهم تاریخی در Generative Modeling است و در تولید تصویر و افزایش داده کاربرد داشته است.

GeneratorDiscriminator

🌫️ Diffusion Models

با فرایندهای تدریجی نویزدهی و حذف نویز، توزیع داده را یاد می‌گیرند و در تولید تصویر و مدل‌های مولد مدرن نقش مهمی دارند.

DenoisingText-to-Image

🧩 Multimodal Architectures

چند نوع داده مثل متن، تصویر و صدا را در یک سیستم یا فضای مشترک ترکیب می‌کنند و برای جست‌وجو، درک و تولید چندوجهی استفاده می‌شوند.

🧱 MLP / Feedforward Networks

معماری پایه و عمومی برای داده‌های برداری و مسائل جدولی؛ همچنین برای درک لایه‌ها، Activation و جریان آموزش نقطه شروع خوبی است.

نکته: معماری را بر اساس نوع داده و مسئله انتخاب می‌کنیم: تصویر → CNN/ViT، توالی و زبان → Transformer، گراف → GNN، تولید → VAE/GAN/Diffusion/Autoregressive، و مسائل برداری → MLP. این مرزبندی مطلق نیست و معماری‌های جدید اغلب ترکیبی هستند.
11

حوزه‌های تخصصی

بعد از Core Skills، بر اساس نوع داده و مسئله مسیر تخصصی را انتخاب کن

01 — Computer Vision

تصویر، ویدئو و ادراک بصری

تمرکز روی فهم محتوای تصویری و ویدئویی؛ از Classification و Object Detection تا Segmentation، OCR، Tracking و 3D/Video Understanding.

DetectionSegmentationOCRTracking

02 — NLP / LLM

زبان، متن و مدل‌های زبانی

از Text Classification و Information Extraction تا Transformers، Embeddings، LLM، RAG و Fine-tuning مدل‌های زبانی.

TransformersLLMRAGFine-tuning

03 — Generative AI

تولید و مدل‌های Foundation

ساخت سیستم‌هایی که متن، تصویر، صدا یا محتوای چندوجهی تولید می‌کنند؛ شامل LLM، Diffusion، Multimodal Models و سیستم‌های Agentic.

LLMDiffusionMultimodalAgents

04 — Speech / Audio

گفتار، صدا و سیگنال‌های صوتی

از ASR و TTS تا Speaker Recognition، Audio Classification، Speech Enhancement و پردازش سیگنال‌های صوتی.

ASRTTSSpeaker IDAudio ML

05 — Graph Machine Learning

داده‌های رابطه‌ای و شبکه‌ای

وقتی رابطه بین موجودیت‌ها بخشی از مسئله است؛ شامل GNN، Node Classification، Link Prediction، Graph Embeddings و Recommendation.

GNNGraph EmbeddingLink Prediction

06 — Multimodal AI

ترکیب متن، تصویر، صدا و ویدئو

تمرکز روی مدل‌هایی که چند modality را هم‌زمان درک یا تولید می‌کنند؛ مثلاً پاسخ‌گویی به سؤال درباره تصویر یا ترکیب متن و تصویر در یک سیستم واحد.

Vision-LanguageAudio-LanguageMultimodal LLM

07 — Deep Reinforcement Learning

یادگیری از تعامل و بازخورد

ترکیب Neural Networks با Reinforcement Learning برای مسائل تصمیم‌گیری دنباله‌دار؛ از کنترل و بازی تا برخی مسائل بهینه‌سازی و Agentها.

PolicyValue FunctionRL Agents

08 — Scientific / AI for Science

Deep Learning برای مسائل علمی و مهندسی

کار با داده‌ها و شبیه‌سازی‌های علمی؛ مثل کشف دارو، زیست‌محاسباتی، مواد، فیزیک و مدل‌های جانشین برای شبیه‌سازی‌های پرهزینه.

Scientific MLDrug DiscoverySimulation
انتخاب تخصص: تخصص را فقط بر اساس اسم یک تکنولوژی انتخاب نکن؛ نوع داده، مسئله، علاقه، پروژه‌های قابل ساخت و نیاز بازار کار را کنار هم بررسی کن. همچنین مرزها قابل ترکیب‌اند؛ مثلاً یک محصول می‌تواند هم‌زمان Vision + LLM + Multimodal باشد.
13

پروژه‌های واقعی

تمرین باید در طول کل Roadmap تکرار شود

01

Cat vs Dog — پروژه شروع

یک Dataset تصویری آماده کن، تصاویر را به train/validation/test تقسیم کن، preprocessing انجام بده و یک CNN ساده را با PyTorch آموزش بده. در پایان Accuracy و چند نمونه prediction درست و غلط را گزارش کن.

02

Image Classification — پروژه قابل ارائه

یک مسئله چندکلاسه واقعی‌تر انتخاب کن؛ از Data Augmentation و Transfer Learning استفاده کن، چند مدل یا تنظیم مختلف را مقایسه کن و علاوه بر metricها، خطاهای مدل را تحلیل کن. خروجی باید شامل کد تمیز، README، نتایج و توضیح روش باشد.

03

NLP / Speech Mini Project — انتخاب تخصص

برای NLP می‌توانی Sentiment Analysis، Text Classification یا Summarization بسازی؛ برای Speech/Audio می‌توانی Speech-to-Text یا Audio Classification را تمرین کنی. هدف این پروژه شناخت pipeline داده، انتخاب مدل و ارزیابی مناسب حوزه تخصصی است.

04

End-to-End AI System — پروژه مهندسی

مدل آموزش‌دیده را از Notebook خارج کن: ورودی را از کاربر بگیر، preprocessing و inference را انجام بده، نتیجه را از طریق API برگردان، سرویس را با Docker بسته‌بندی کن و روی یک سرور یا Cloud اجرا کن.

05

Portfolio Project — پروژه نهایی

یک مسئله واقعی با ارزش کاربردی انتخاب کن و کل چرخه را پوشش بده: تعریف مسئله و معیار موفقیت، جمع‌آوری/پاک‌سازی داده، baseline، آموزش و optimization، ارزیابی و تحلیل خطا، Deployment و مستندسازی. این پروژه باید قابل نمایش در GitHub و Portfolio باشد.

پروژه واقعی یعنی فقط «مدل آموزش‌داده‌شده» نباشد: مسئله مشخص، داده، ارزیابی، تحلیل خطا، کد قابل اجرا، مستندات و در پروژه‌های پیشرفته‌تر API/Deployment داشته باشد.
User
  ↓
Real-world Input
  ↓
Data / Preprocessing
  ↓
Deep Learning Model
  ↓
Evaluation + Error Analysis
  ↓
Inference API
  ↓
Docker
  ↓
Cloud / Server
  ↓
Usable AI System
14

مسیرهای شغلی

نقش‌هایی که می‌توانند از مهارت‌های Deep Learning و AI استفاده کنند

🧠 Deep Learning Engineer

طراحی، آموزش، بهینه‌سازی و ارزیابی شبکه‌های عصبی و تبدیل مدل به یک جزء قابل استفاده در محصول.

🤖 Machine Learning Engineer

ساخت و عملیاتی‌کردن مدل‌های ML/DL، طراحی pipeline داده و مدل، ارزیابی و اتصال مدل به سیستم نرم‌افزاری.

⚙️ AI Engineer

ساخت قابلیت‌های AI در محصول؛ ممکن است شامل مدل‌های آماده، LLM، RAG، APIهای مدل و در صورت نیاز آموزش یا Fine-tuning باشد.

✨ Generative AI Engineer

ساخت سیستم‌های مبتنی بر مدل‌های مولد؛ مانند LLM، RAG، Fine-tuning، Evaluation، Multimodal و Agentic Workflows.

👁️ Computer Vision Engineer

توسعه سیستم‌های تصویر و ویدئو برای Classification، Detection، Segmentation، OCR، Tracking و تحلیل بصری.

💬 NLP / LLM Engineer

کار روی مدل‌های زبان، Embedding، Retrieval، RAG، Fine-tuning و ارزیابی سیستم‌های متنی و زبانی.

🎙️ Speech / Audio ML Engineer

ساخت مدل‌ها و pipelineهای گفتار و صوت برای ASR، TTS، Speaker Recognition و Audio Understanding.

🔬 Research Engineer / Research Scientist

تمرکز بیشتر روی پژوهش، آزمایش ایده‌های جدید، بازتولید مقاله، طراحی آزمایش و توسعه روش‌ها و معماری‌های تازه؛ شرایط تحصیلی بسته به سازمان متفاوت است.

🚀 MLOps / ML Platform Engineer

ساخت زیرساخت آموزش و استقرار مدل، مدیریت pipelineها، مانیتورینگ، نسخه‌بندی مدل و فراهم‌کردن محیط اجرای پایدار برای تیم‌های ML.

نکته: نام شغلی در شرکت‌ها استاندارد واحدی ندارد. ممکن است یک شرکت برای کاری مشابه از عنوان AI Engineer، ML Engineer یا Deep Learning Engineer استفاده کند؛ بنابراین هنگام جست‌وجوی شغل باید چند عنوان و چند کلیدواژه را هم‌زمان بررسی کرد.
15

ابزارها

زبان‌ها، کتابخانه‌ها، Frameworkها و ابزارهای مهندسی

Python

زبان اصلی مسیر؛ Syntax، Functions، OOP، Modules، Exceptions و کار با فایل‌ها.

NumPy

آرایه‌ها، عملیات عددی، broadcasting و محاسبات علمی پایه.

Pandas

خواندن، پاک‌سازی، تبدیل و تحلیل داده‌های جدولی.

Matplotlib

Visualization برای بررسی داده و تحلیل نتایج مدل.

scikit-learn

الگوریتم‌های ML، preprocessing، model selection و evaluation.

PyTorch

Framework/Tensor Library برای ساخت و آموزش مدل‌های Deep Learning با Autograd، DataLoader، Optimizer و شتاب‌دهنده‌ها.

TensorFlow

پلتفرم End-to-End برای ساخت، آموزش، پردازش داده و Export/Deployment مدل‌های ML/DL با پشتیبانی از CPU/GPU و پردازش توزیع‌شده.

Keras

API سطح‌بالا برای ساخت سریع و خوانای مدل‌های Deep Learning؛ Keras 3 از Backendهای TensorFlow، PyTorch و JAX پشتیبانی می‌کند.

Hugging Face Transformers

کتابخانه و اکوسیستم رایج برای مدل‌های Transformer، مدل‌های ازپیش‌آموزش‌دیده، Fine-tuning و LLMها.

Git / GitHub

نسخه‌بندی، مدیریت کد و ارائه پروژه‌ها به شکل قابل بررسی.

Jupyter / VS Code

محیط‌های رایج برای آزمایش، توسعه، تحلیل و اجرای کد.

FastAPI

ساخت API برای ارائه inference مدل به سایر بخش‌های یک سیستم.

Docker

بسته‌بندی برنامه و وابستگی‌ها در محیط‌های قابل تکرار برای Deployment.

Linux / CLI

مهارت‌های پایه خط فرمان و محیط Linux برای کار با سرور و زیرساخت مفید است.

CUDA / GPU

برای آموزش و inference مدل‌های بزرگ، آشنایی با GPU و شتاب‌دهنده‌ها مهم است.

MLflow / MLOps

برای Tracking آزمایش‌ها، مدیریت چرخه عمر مدل و سازمان‌دهی فرایندهای ML بر اساس نیاز پروژه.

ترتیب پیشنهادی: Python → NumPy/Pandas/Matplotlib → scikit-learn → یکی از PyTorch یا TensorFlow/Keras → Git/Linux → FastAPI/Docker → GPU/CUDA → ابزارهای MLOps بر اساس نیاز پروژه.
16

بازار کار

تصویر جهانی و بازار ایران بر اساس گزارش‌ها و داده‌های استخدامی

بازار جهانی

روند کلی

گزارش World Economic Forum — Future of Jobs 2025 نقش‌های AI و Machine Learning را در میان مشاغل با رشد سریع تا 2030 قرار می‌دهد. این گزارش بر داده‌های نظرسنجی کارفرمایان در مقیاس جهانی تکیه دارد.

داده‌های تخصصی AI

گزارش Stanford AI Index 2026 نشان می‌دهد پذیرش سازمانی AI در نمونه بررسی‌شده در سال 2025 به 88٪ رسیده و Generative AI در بسیاری از کسب‌وکارها وارد حداقل یک کارکرد شده است. این آمار مربوط به سازمان‌های بررسی‌شده در گزارش است و نماینده مستقیم بازار کار ایران نیست.

بازار کار ایران

داده‌های گزارش «شاخص هوش مصنوعی ایران ۱۴۰۴»

این گزارش توسط مرکز استراتژی و تحول هوش مصنوعی شریف تهیه شده و برای بررسی سمت تقاضای نیروی انسانی، از داده‌های JobVision نیز استفاده کرده است. در خلاصه منتشرشده از گزارش، بازار کار AI ایران هنوز از نظر تعداد فرصت‌ها محدود و تا حد زیادی در تهران و شرکت‌های فناوری متمرکز توصیف شده است.

مهارت و سرمایه انسانی

همان گزارش برای سال 2024 حدود ۱۴٬۱۶۴ استعداد فعال AI مستقر در ایران را شناسایی کرده و کمبود مهارت و نیروی انسانی باکیفیت را در کنار هزینه توسعه AI از موانع مهم توسعه کسب‌وکارهای این حوزه معرفی می‌کند.

عنوان‌های شغلی در ایران

برای جست‌وجوی فرصت‌های Deep Learning نباید فقط عبارت «Deep Learning Engineer» را جست‌وجو کرد. عنوان‌هایی مانند AI Engineer، Machine Learning Engineer، Data Scientist، Computer Vision Engineer، NLP/LLM Engineer و نقش‌های مرتبط با Generative AI می‌توانند مهارت‌های Deep Learning را در شرح شغل خود داشته باشند.

الگوی مهارتی آگهی‌ها

در آگهی‌های مرتبط با AI/ML، ترکیبی از Python، مبانی ML/DL، یکی از Frameworkها، کار با داده، ارزیابی مدل و مهارت‌های مهندسی مانند Git، API و Deployment دیده می‌شود. برای نقش‌های تخصصی‌تر، مهارت‌هایی مثل Computer Vision، NLP/LLM، Speech، Generative AI یا MLOps نیز اضافه می‌شوند.

نتیجه برای رودمپ: برای بازار ایران، یادگیری Deep Learning را به یک Framework محدود نکن. ترکیب Python + ML/DL + یک تخصص + مهندسی نرم‌افزار + Deployment + پروژه قابل ارائه باعث می‌شود بتوانی آگهی‌های متنوع‌تری را هدف بگیری؛ در عین حال باید محدودبودن تعداد فرصت‌ها و تمرکز جغرافیایی بازار ایران را در برنامه‌ریزی شغلی در نظر گرفت.

محدوده و روش داده‌ها مهم است: داده‌های WEF و Stanford تصویری جهانی ارائه می‌کنند؛ داده‌های ایران از گزارش «شاخص هوش مصنوعی ایران ۱۴۰۴» و همکاری آن با JobVision آمده‌اند. این داده‌ها را نباید مستقیماً با اعداد بازار آمریکا یا سایر کشورها مقایسه کرد.

18

منابع و رفرنس‌ها

مستندات رسمی، گزارش‌های معتبر و منابع پژوهشی مورد استفاده

روش استفاده از منابع: محتوای آموزشی رودمپ خلاصه و کاربردی نوشته شده است؛ برای جزئیات فنی به مستندات رسمی ابزارها و برای آمار بازار کار به گزارش اصلی و روش‌شناسی همان گزارش‌ها مراجعه شود.