سرفصل های دوره هوش مصنوعی عمران سطح مقدماتی (ویژه کلیه گرایش ها)

· مقدمه و کاربرد پایتون در مهندسی عمران

• چرا پایتون برای مهندسان عمران؟ (خودکارسازی وظایف تکراری، محاسبات پیچیده، ارتباط با نرمافزارهای تخصصی)
• آشنایی با کاربرد هوش مصنوعی و یادگیری ماشین در پیشبینی رفتار سازه ها و مدیریت پروژه
• بررسی تعامل پایتون با نرم افزارهای مهندسی عمران نظیر SAP2000، ETABS، AutoCAD، Revit و OpenSees از طریق API و اسکریپت نویسی

· آشنایی با سینتکس پایتون و قواعد نگارش

• مفهوم زبان سطح بالا و تفسیری در مقایسه با زبانهای کامپایلی ++C و Fortran و نرمافزار MATLAB
• اهمیت حیاتی تورفتگی ها (Indentation) در ساختار کدهای پایتون
• بررسی ۶ خطای رایج و پرتکرار مبتدیان و نحوه رفع آنها:
  KeyError و SyntaxError، IndexError، TypeError، IndentationError، NameError

· انواع داده های پایه و ساختارهای ذخیره سازی Types Data & Structures

• اعداد صحیح (int)، اعداد اعشاری (float) و اعداد مختلط در مهندسی (complex)
• رشته های متنی (str) و داده های بولی (bool) به همراه مفهوم مقادیر Truthy و Falsy
• داده های باینری و توالی بایت ها (bytes)
• تغییر نوع داده ها یا کستینگ صریح و ضمنی Explicit & Casting Implicit
• مفهوم شیءگرایی پویا Typing) (Dynamic و تشخیص نوع شیء با type و isinstance

· ساختارهای داده ای مجموع های با تمرکز بر مدیریت لیست ها و دیکشنری ها

• لیستها :(list) ویژگی ها (مرتب، قابل تغییر، افزودن، حذف، ویرایش و مرتب سازی صعودی/نزولی آیتم ها)
• تاپل ها :(tuple) توالی های مرتب و غیرقابل تغییر
• دیکشنری ها :(dict) ساختار جفت کلید-مقدار (Key-Value)، نگاشت داده ها و دسترسی سریع
• مجموعه ها :(set) اعضای منحصربه فرد، عدم ترتیب و حذف داده های تکراری از لیست ها

· تکنیک های پیشرفته کار با داده ها

• فرمت دهی و قالب بندی رشته ها روشهای قدیمی، متد format و روش مدرن f-string
• قوانین مشخصکننده های خروجی Specifiers Format برای کنترل تعداد اعشار و نمایش علمی اعداد
• تکنیک جابه جایی مقادیر متغیرها (Swap) به روش پایتونی
• برش دادن توالی ها (Slicing)، استفاده از گام های مثبت و منفی معکوس کردن داده و متد slice
• مفهوم کپی سطحی Copy Shallow در توالی های پیش فرض و مقایسه آن با کتابخانه ها
• دریافت داده از کاربر با input و تبدیل و تفکیک چند ورودی در یک خط با متدهای split و map

(Conditional Statements) تصمیم گیری و شرطی دستورات 

• کنترل جریان برنامه با کلمات کلیدی if ،elif و else
• قوانین نگارش بلاک های شرطی و پیاده سازی شرط های تو در تو if  Nested

· توابع در پایتون (Functions)

• مفاهیم جلوگیری از تکرار کد و سازماندهی برنامه ها با کلمه کلیدی def
• sum و type، print، len نظیر (Built-in Functions) داخلی آماده توابع با آشنایی
• طراحی توابع سفارشی کاربر :(User-Defined) بدون پارامتر، با پارامتر، و با پارامترهای پیشفرض (Default)
• تفاوت کلیدی، کاربردی و عملکردی بین دستور return و دستور print داخل توابع

· اصول حرف های نگارش تابع و مستندسازی

• استاندارد نام گذاری واضح Case Snake
• پیاده سازی قابلیت Hinting Type(اشاره به نوع ورودی ها و خروجی تابع در خط اول با علامت (>- برای مدیریت پروژه های بزرگ
• مستندسازی رسمی با Docstrings (نوشتن توضیحات، آرگومان ها و خروجی ها بر اساس استانداردهای (PEP 257 و Google Style
• تفاوت کامنت با Docstring و نحوه فراخوانی مستندات با متد  doc  و تابع help

· مفاهیم برنامه نویسی شیءگرایی

• تعریف کلاس (Class) به عنوان نقشه اولیه و الگو، و شیء (Object/Instance) به عنوان نمونه واقعی
• آشنایی با ۴ اصل کلیدی شیءگرایی: کلاس، شیء، ارث بری (Inheritance) و چندریختی (Polymorphism)
• مزایای شیءگرایی در پروژه های مهندسی (قابلیت استفاده مجدد، پیمانه ای کردن کد و مدیریت پروژه های بزرگ)

· پیاده سازی کلاس ها در پایتون

• نقش متد جادویی سازنده init (Constructor) در مقداردهی اولیه خواص اشیاء
• مفهوم پارامتر self به عنوان اشاره گر به شیء جاری
• تعریف ویژگی ها (Attributes) و متدها (Methods) در کلاس ها

· مفهوم پکیج ها و کتابخانه ها (Libraries)

• تفاوت های ساختاری بین ماژول، پکیج و کتابخانه
• آشنایی با توزیع پکیج ها در PyPI، مدیریت وابستگی ها و بهینه سازی محاسبات سنگین با هسته های محاسباتی نوشته شده با زبان های ++C/C و افزونه های Native

· کتابخانه NumPy محاسبات عددی و ماتریسی

• آشنایی با ساختار آرایه های چندبعدی (ndarray)، انواع داده حافظه (dtype) و فشرده سازی در حافظه
• انجام عملیات های برداری Operations Vectorized با سرعت بالا بدون نیاز به حلقه ها
• اندیس گذاری پیشرفته، اعمال ماسک های بولی Masks) (Boolean و توابع ریاضی سریع (UFuncs)
• محاسبات مهندسی با توابع مثلثاتی (تبدیل درجه به رادیان با (deg2rad و توابع آماری mean ،std ،sum روی محورهای افقی و عمودی
• عملیات های ماتریسی و جبر خطی: ضرب ماتریسی (dot)، دترمینان، معکوس ماتریس و حل دستگاه معادلات خطی چند مجهولی پیچیده سازه با زیرماژول np.linalg.solve
• روش های ساخت آرایه (ماتریسهای صفر، یک، مقادیر ثابت، اعداد تصادفی توزیع نرمال و یکنواخت)
• مفاهیم قدرتمند همراستاسازی خودکار ابعاد (Broadcasting)، تغییر شکل ماتریس (reshape)، اتصال آرایه ها و Save/Load داده ها

· اصول بصری سازی علمی داده ها Visualization Data

• آشنایی با زیرماژول pyplot و ساختار اصلی تعریف Figure در پایتون
• تنظیم فونت های استاندارد بین المللی مقالات علمی مانند Roman New Times با ابزار rcParams
• شخصی سازی کامل خطوط تغییر رنگ ها با کدهای هگز یا سیستم RGB، تغییر ضخامت خطوط با linewidth
• برچسب گذاری دقیق محورهای افقی و عمودی، افزودن شبکه های راهنما (grid)، راهنمای نمودار (legend) و عناوین اصلی نمودارها

· رسم انواع نمودارهای کاربردی در عمران

• نمودار خطی Plot Line : رسم چند خط مجزا در یک شکل برای مقایسه خروجی ها
• نمودار پراکندگی Plot Scatter : نمایش نقاط داده آزمایشگاهی
• نمودار میله ای Chart Bar : کنترل دقیق فاصلهها بین دستهها با آرایههای NumPy و تنظیمات پهنا
• نمودار دایره ای Chart Pie : کنترل مقادیر و نمایش خودکار درصدها با فرمت های اعشاری دقیق (autopct)
• نمودار هیستوگرام :(Histogram) تحلیل توزیع فراوانی داده های تصادفی، تنظیمات باکس ها (bins)، رسم همزمان چند توزیع و کنترل شفافیت با پارامتر alpha

جلسه ۱: آشنایی با هوش مصنوعی در مهندسی عمران

سرفصل‌ها

• تعریف هوش مصنوعی
• تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• تفاوت مدل‌های فیزیکی و مدل‌های داده‌محور
• نقش داده در مدل‌های هوش مصنوعی
• کاربردهای عمومی هوش مصنوعی در مهندسی عمران
• محدودیت‌ها و خطاهای رایج در استفاده از هوش مصنوعی

جلسه ۲: داده در مهندسی عمران

سرفصل‌ها

• مفهوم داده در مسائل مهندسی عمران
• انواع داده‌های عمرانی
• داده‌های عددی، تصویری، متنی و سری زمانی
• منابع داده در عمران
• داده‌های آزمایشگاهی، میدانی، اقلیمی، خاک، مصالح و پروژه‌های ساختمانی
• مفهوم ورودی و خروجی در یک مسئله هوش مصنوعی
• اهمیت کیفیت داده

جلسه ۳: آماده‌سازی داده برای مدل‌سازی

سرفصل‌ها

• چرا داده خام برای مدل‌سازی مناسب نیست؟
• داده‌های گمشده
• داده‌های پرت
• نویز در داده‌های مهندسی
• نرمال‌سازی و استانداردسازی
• تقسیم داده به آموزش و آزمون
• خطر نشت داده در مدل‌سازی

جلسه ۴: مبانی یادگیری ماشین

سرفصل‌ها

• یادگیری ماشین چیست؟
• یادگیری نظارت‌شده
• یادگیری بدون نظارت در حد معرفی
• رگرسیون
• طبقه‌بندی
• ویژگی و برچسب
• آموزش مدل
• آزمون مدل
• بیش‌برازش و کم‌برازش در حد مفهومی

جلسه ۵: رگرسیون در مسائل عمرانی

سرفصل‌ها

• مفهوم رگرسیون
• کاربرد رگرسیون در مهندسی عمران
• رگرسیون خطی در حد مقدماتی
• رابطه بین متغیرهای ورودی و خروجی
• مفهوم خطای پیش‌بینی
• تفسیر خروجی مدل رگرسیونی

جلسه ۶: ارزیابی مدل‌های رگرسیونی

سرفصل‌ها

• چرا ارزیابی مدل مهم است؟
• مفهوم خطا در پیش‌بینی مهندسی
• معیار MAE
• معیار RMSE
• معیار R²
• تفسیر مهندسی خطا
• تفاوت مدل خوب، متوسط و ضعیف

جلسه ۷: مدل‌های پایه یادگیری ماشین

سرفصل‌ها

• چرا همیشه رگرسیون خطی کافی نیست؟
• درخت تصمیم در حد مقدماتی
• جنگل تصادفی در حد مقدماتی
• نزدیک‌ترین همسایه‌ها در حد معرفی
• مقایسه ساده مدل‌ها
• انتخاب مدل مناسب برای مسئله عمرانی

جلسه ۸: طبقه‌بندی در مسائل عمرانی

سرفصل‌ها

• طبقه‌بندی چیست؟
• تفاوت طبقه‌بندی و رگرسیون
• مفهوم کلاس یا برچسب
• دقت مدل
• ماتریس درهم‌ریختگی
• Precision، Recall و f1_score
• تفسیر نتایج طبقه‌بندی در مسائل مهندسی

جلسه ۹: آشنایی مقدماتی با شبکه عصبی و یادگیری عمیق

• ایده کلی شبکه عصبی مصنوعی
• مفهوم نورون مصنوعی در حد مقدماتی
• مفهوم وزن، بایاس و لایه‌های شبکه
• تفاوت شبکه عصبی با مدل‌های کلاسیک یادگیری ماشین
• کاربرد شبکه عصبی در مسائل ساده عمرانی
• آشنایی بسیار مقدماتی با یادگیری عمیق
• معرفی شبکه‌های کانولوشنی فقط در حد مفهوم
• چند نمونه کاربرد تصویری هوش مصنوعی در مهندسی عمران

جلسه ۱: مقدمات و فرمول‌بندی مسائل مهندسی

• تعریف بهینه‌سازی و اهمیت آن در اقتصاد مهندسی.
• شناسایی اجزای مسأله: متغیرهای طراحی (Design Variables)، تابع هدف (Objective Function) و قیود (Constraints).
• نحوه تبدیل یک مسأله فیزیکی (مثلاً طراحی تیر یا خرپا) به یک مدل ریاضی.
• دسته‌بندی مسائل: خطی (LP)، غیرخطی (NLP)، پیوسته و گسسته.

جلسه ۲: روش‌های بهینه‌سازی کلاسیک (ریاضی-محور)

• مفاهیم بهینه‌سازی تک‌متغیره و چندمتغیره.
• روش‌های مبتنی بر گرادیان (Gradient-based) مانند Descent و Newton.
• مفهوم بهینگی (شرایط KKT).
• محدودیت‌های روش‌های کلاسیک در مسائل پیچیده مهندسی عمران.

جلسه ۳: الگوریتم‌های فراابتکاری (Meta-heuristics) - بخش اول: الگوریتم ژنتیک (GA)

• فلسفه الگوریتم‌های تکاملی.
• ساختار کدگذاری (Encoding): کروموزوم‌های باینری و حقیقی.
• مکانیزم‌های انتخاب (Selection)، تقاطع (Crossover) و جهش (Mutation).
• مفهوم تابع برازش (Fitness Function).

جلسه ۴: کارگاه عملی ۱ - پیاده‌سازی GA در نرم‌افزار

• آموزش جعبه‌ابزار بهینه‌سازی (Optimization Toolbox).
• کدنویسی مرحله به مرحله برای بهینه‌سازی ابعاد یک مقطع بتنی یا فولادی تحت بارگذاری.
• تحلیل حساسیت پارامترهای الگوریتم.

جلسه ۵: هوش جمعی - الگوریتم توده ذرات (PSO)

• فلسفه حرکت جمعی پرندگان و ماهی‌ها.
• فرمول‌بندی سرعت و موقعیت ذرات.
• مزایای PSO نسبت به GA در مسائل مهندسی عمران.
• نحوه کنترل همگرایی و فرار از بهینه‌های محلی.

جلسه ۶: مدیریت قیود در مسائل مهندسی (Penalty Functions)

• چالش اصلی در عمران: مسائل به شدت مقید (Constrained Problems).
• آموزش روش‌های تابع جریمه (Static & Dynamic Penalty).
• نحوه اعمال ضوابط آیین‌نامه‌ای (تنش، تغییرمکان، لرزه‌ای) در کدنویسی بهینه‌سازی.

جلسه ۷: کاربرد تخصصی در طراحی سازه و زلزله

• بهینه‌سازی توپولوژی و ابعاد در خرپاها و قاب‌های ساختمانی.
• بهینه‌سازی وزن در مقابل سختی سازه.
• معرفی بهینه‌سازی بر اساس عملکرد (Performance-based Optimization).
• مثال: طراحی بهینه یک میراگر یا مهاربند برای کاهش پاسخ لرزه‌ای.

جلسه ۸: کاربرد تخصصی در مدیریت ساخت و منابع آب

• بهینه‌سازی زمان-هزینه (Time-Cost Trade-off) در پروژه‌های عمرانی.
• تخصیص بهینه منابع و ماشین‌آلات.
• بهینه‌سازی شبکه‌های انتقال آب و مدیریت مخازن سدها.

جلسه ۹: بهینه‌سازی چندهدفه (Multi-Objective Optimization)

• مفهوم تضاد اهداف (مثلاً کاهش وزن همزمان با کاهش تغییرمکان).
• آشنایی با جبهه پارتو (Pareto Front).
• معرفی و پیاده‌سازی الگوریتم محبوب NSGA-II.
• نحوه انتخاب گزینه نهایی از بین پاسخ‌های بهینه.