Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

Machine Learning — Course Plan, Fall 2026

برنامه درس یادگیری ماشین — ۸ هفته پایانی، پاییز ۱۴۰۵

گروه علوم کامپیوتر، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد — محمود امین‌طوسی

نسخه تاریخ‌دار. مبنا: سرفصل course-fall-2026/Course-Syllabus.pdf (۴ واحد)، محتوای notebooks/ و فهرست myst.yml. اولین جلسه باقی‌مانده: شنبه ۲۳ آبان ۱۴۰۵ (۱۴ نوامبر ۲۰۲۶).

شبکه زمانی هفتگی

روزساعتمدتنقش
شنبه۱۰:۰۰–۱۱:۳۰۹۰′درس
شنبه۱۱:۳۰–۱۳:۰۰۹۰′سمینار دانشجویان
چهارشنبه۰۸:۰۰–۱۰:۰۰۱۲۰′درس

یعنی در هفته ۲۱۰ دقیقه درس + ۹۰ دقیقه سمینار، و در ۸ هفته ۱۶ جلسه درس و ۸ جلسه سمینار.


۱. بودجه زمان

مؤلفهمحاسبهدقیقه
درس، شنبه‌ها۸ × ۹۰۷۲۰
درس، چهارشنبه‌ها۸ × ۱۲۰۹۶۰
جمع زمان درس۱۶۸۰
محتوای لازم (۱۶ جلسه، بخش ۳ و ۴)۱۴۷۰
ذخیره: تمرین در کلاس، مرور، تعطیلی احتمالی۲۱۰
سمینار، شنبه‌ها۸ × ۹۰۷۲۰
از آن: ۱۰ ارائه × ۳۰۳۰۰
از آن: قاب‌بندی ۶ موضوع۶۰
از آن: پرسش و بحث پایان هر سمینار۹۰
از آن: سه شنبه آزاد۲۷۰

سه تا شنبه که سمینار ندارند (۲۳ آبان، ۵ دی، ۱۲ دی).


۲. تقویم با تاریخ

ستون «تکلیف» فقط مهلت‌های پروژه و تمرین است؛ جزئیات در بخش ۶.

روز · ساعتتاریخ (شمسی)موضوعنوعتکلیفمیلادی
شنبه ۱۰–۱۱:۳۰۲۳ آباناعتبارسنجی خوشه‌بندی: معیارهای خارجی و داخلیدرس M1PT1 منتشر شده۱۴ نوامبر
چهارشنبه ۸–۱۰۲۷ آبانk-means در عمل: همگرایی، مقدار اولیه، انتخاب kدرس M2انتشار تکلیف قیمت خانه۱۸ نوامبر
شنبه ۱۰–۱۱:۳۰۳۰ آبانرگرسیون خطی ۲: معادلات نرمال، GD/SGD، autogradدرس M3—۲۱ نوامبر
چهارشنبه ۸–۱۰۴ آذرMLP و پسانتشاردرس M4-۲۵ نوامبر
چهارشنبه ۱۰-۱۱۴ آذرسوگیری–واریانس (آقای حسینی)سمینار س۱تحویل سمینار۲۱ نوامبر
شنبه ۱۰–۱۱:۳۰۷ آذرطبقه‌بندی: logistic، softmax، تنظیم، گزینش ویژگیدرس M5—۲۸ نوامبر
شنبه ۱۱:۳۰–۱۳۷ آذردرخت تصمیم و هرس (خانم‌ها سلطانی و رحمانی)سمینار س۲—۲۸ نوامبر
چهارشنبه ۸–۱۰۱۱ آذرPCA ۱: واریانس بیشینه، بازسازی، انتخاب مؤلفهدرس M6موعد تکلیف قیمت خانه۲ دسامبر
شنبه ۱۰–۱۱:۳۰۱۴ آذرPCA ۲ (ریاضی و SVD)، مقایسه با LDA، بُعد بالادرس M7PT2 انتشار۵ دسامبر
شنبه ۱۱:۳۰–۱۳۱۴ آذرترکیب مدل‌ها (آقایان مهدوی و ژیان)سمینار س۳—۵ دسامبر
چهارشنبه ۸–۱۰۱۸ آذرنقشه ویژگی، kernel trick، رگرسیون کرنلیدرس M8PT4 انتشار۹ دسامبر
شنبه ۱۰–۱۱:۳۰۲۱ آذرMLE، قاعده بیز، Naive Bayesدرس M9—۱۲ دسامبر
شنبه ۱۱:۳۰–۱۳۲۱ آذرنظریه یادگیری و بُعد VC (خانم‌ها منشی‌زاده و امینی)سمینار س۴PT2 موعد۱۲ دسامبر
چهارشنبه ۸–۱۰۲۵ آذرنظریه تصمیم بیزی، توابع ممیز، ماهالانوبیسدرس M10PT3 انتشار۱۶ دسامبر
شنبه ۱۰–۱۱:۳۰۲۸ آذرمخلوط‌های گاوسی و EMدرس M11—۱۹ دسامبر
شنبه ۱۱:۳۰–۱۳۲۸ آذررتبه‌دهی (۱) + نیمه‌نظارتی (خانم قربانی)سمینار س۵PT4 موعد · PT7 انتشار۱۹ دسامبر
چهارشنبه ۸–۱۰۲ دیEM در حالت کلی، انواع کوواریانس، BIC، طبقه‌بند مخلوطدرس M12PT3 موعد · PT5 انتشار۲۳ دسامبر
شنبه ۱۰–۱۱:۳۰۵ دیHMM ۱: زنجیره مارکوف، تعریف، الگوریتم Forwardدرس M13PT6 انتشار۲۶ دسامبر
شنبه ۱۱:۳۰–۱۳۵ دیآزاد: دموی پیشرفت پروژهسمینار—۲۶ دسامبر
چهارشنبه ۸–۱۰۹ دیHMM ۲: Viterbi، رمزگشایی، مقایسه با پیش‌بینی مستقلدرس M14PT7 موعد۳۰ دسامبر
شنبه ۱۰–۱۱:۳۰۱۲ دیجمع‌بندی: پیوند BV/نظریه، مباحث پیشرفته، تقویتی (۱۵′)درس M15PT5 موعد۲ ژانویه
شنبه ۱۱:۳۰–۱۳۱۲ دیآزاد: دموی نهایی پروژهسمینار—۲ ژانویه
چهارشنبه ۸–۱۰۱۶ دیپرسش‌وپاسخ پروژه + مرور امتحاندرس M16PT6 موعد (۱۴ دی) · PT8 (مازاد) و گزارش نهایی۶ ژانویه

چرا این ترتیب: زنجیره رگرسیون ← MLP ← طبقه‌بندی در جلسات متوالی نمی‌شکند؛ سمینارها تکیه‌گاه کلاسی دارند (BV بعد از رگرسیون، درخت بعد از طبقه‌بندی، ترکیب بعد از درخت، VC بعد از BV، نیمه‌نظارتی بعد از EM در همان روز)؛ HMM در دو جلسه آخر پیش از امتحان و همراه با PT6.


۳. جزئیات جلسات درس

M1 — شنبه ۲۳ آبان · اعتبارسنجی خوشه‌بندی

۳۵′ معیارهای خارجی (purity، precision/recall/F، تطبیق دوبخشی، Rand/Jaccard/ARI) · ۳۵′ معیارهای داخلی (silhouette، SSE، شکاف) · ۲۰′ جدول توافقی و پیاده‌سازی · ۱۵′ انتخاب معیار · ۱۵′ تمرین ARI روی تخته. کلید: چرا معیار داخلی برای انتخاب k قابل بهینه‌سازی است؛ دام «بهینه‌سازی معیار».

M2 — چهارشنبه ۲۷ آبان · k-means در عمل

۳۰′ تعریف افراز و SSE · ۳۰′ پیاده‌سازی از صفر، تکرار الگوریتم · ۲۰′ لم اتحاد فواصل جفتی با SSE و همگرایی · ۱۰′ k-means++ و انتخاب k. کلید: حساسیت به مقدار اولیه، پیچیدگی O(nkd)O(nkd)، رابطه SSE با واریانس درون‌خوشه.

M3 — شنبه ۳۰ آبان · رگرسیون خطی ۲

۲۵′ معادلات نرمال و شرایط حل (رتبه، بدشرطی) · ۳۵′ گرادیان کاهشی: از یک‌بعدی به برداری، نرخ یادگیری، SGD · ۲۰′ پیاده‌سازی PyTorch/autograd · ۱۰′ مقایسه هزینه دو راه. پیوند: همین نزول گرادیان در M4 به پس‌انتشار تعمیم می‌یابد. یادداشت موجود: notebooks/HWs/misc/Normal-Eq-vs-GD.ipynb.

M4 — چهارشنبه ۴ آذر · MLP و پس‌انتشار

۳۰′ تنسور، دستگاه، GPU · ۳۵′ از پرسپترون به MLP، فعال‌سازها، چرا بدون غیرخطی عمق بی‌فایده است · ۴۵′ پس‌انتشار با محاسبه دستی روی شبکه کوچک + backward() · ۱۰′ جمع‌بندی.

M5 — شنبه ۷ آذر · طبقه‌بندی با مدل‌های خطی

۳۰′ logistic، تابع هزینه، softmax، چندردهای (OvR/OvO) · ۳۰′ ridge/lasso/elastic-net و نقش در گزینش ویژگی · ۲۰′ تنظیم در شبکه (weight decay، early stopping) · ۱۰′ جمع‌بندی. بیرون از کلاس: بخش sparse/OMP/MRI نوشتار (مطالعه آزاد).

M6 — چهارشنبه ۱۱ آذر · PCA ۱

۳۵′ واریانس بیشینه و تغییر پایه · ۳۰′ بازسازی، انتخاب تعداد مؤلفه · ۲۵′ ارقام دست‌نویس و eigenfaces · ۲۰′ PCA برای تجسم و پیش‌پردازش · ۱۰′ دام‌ها (مقیاس، تفسیر). تکلیف: PT2.

M7 — شنبه ۱۴ آذر · PCA ۲، LDA و بُعد بالا

۳۵′ استنتاج و SVD، هم‌ارزی واریانس بیشینه و کمینه خطای بازسازی · ۳۰′ PCA در برابر LDA روی Iris، سقف C−1C-1 مؤلفه · ۲۵′ لعنت ابعاد: مکعب و کره، پوسته نازک، افت kNN.

M8 — چهارشنبه ۱۸ آذر · نقشه ویژگی و کرنل

۲۰′ مسئله دو حلقه و شکست خطی · ۴۰′ کرنل، ضرب داخلی، شرط مرسر، کرنل‌های رایج · ۳۵′ رگرسیون کرنلی و قضیه نمایندهنده · ۲۵′ هزینه و محدودیت. بیرون از کلاس: اثبات مرسر، کرنل k-means، SVM کرنلی (درس دیگر).

M9 — شنبه ۲۱ آذر · MLE و Naive Bayes

۳۰′ تابع درست‌نمایی، لگاریتم، برآورد μ,Σ\mu,\Sigma · ۳۵′ قاعده بیز، NB، هموارسازی لاپلاس · ۲۵′ مثال چندویژگی و مقایسه با حالت گاوسی.

M10 — چهارشنبه ۲۵ آذر · نظریه تصمیم بیزی و ماهالانوبیس

۲۵′ چرا اقلیدسی کافی نیست، سفیدسازی، ماهالانوبیس · ۴۵′ قاعده تصمیم، توابع ممیز · ۳۰′ سه حالت کوواریانس و مثال دوکلاسی · ۲۰′ رسم مرزها و بحث. بیرون از کلاس: Appendix-BDT-Discrete-Features.md.

M11 — شنبه ۲۸ آذر · GMM و EM

۲۰′ نقد k-means، مدل مخلوط · ۴۵′ گام E و M، مشتق درست‌نمایی · ۱۵′ k-means به‌عنوان حالت خاص · ۱۰′ شروع BIC.

M12 — چهارشنبه ۲ دی · EM، BIC و طبقه‌بند مخلوط

۲۵′ EM در حالت کلی (چرا درست‌نمایی افزایش می‌یابد) · ۳۰′ انواع کوواریانس و اثر آن · ۲۵′ طبقه‌بند مبتنی بر GMM شرطی بر کلاس · ۲۵′ BIC و انتخاب تعداد مؤلفه · ۱۵′ تمرین. تکلیف: PT5.

M13 — شنبه ۵ دی · HMM ۱

۱۵′ یادآوری زنجیره مارکوف و ماتریس انتقال · ۲۰′ تعریف HMM و سه مسئله · ۱۰′ چرا شمارش مستقیم NTN^T مسیر است · ۳۵′ الگوریتم Forward با جدول عددی و مقیاس‌بندی · ۱۰′ انتشار پس‌رو و احتمال هموارشده. جزئیات در بخش ۸.

M14 — چهارشنبه ۹ دی · HMM ۲

۳۰′ Viterbi: شبکه trellis و محاسبه دستی · ۱۵′ Viterbi در برابر «محتمل‌ترین حالت در هر گام» · ۲۵′ آزمایش روی داده پروژه: آیا رمزگشایی خطای پنجره‌های مستقل را کم می‌کند یا فقط هموارسازی است · ۱۵′ Baum–Welch: ایده، بدون استنتاج · ۳۵′ تمرین و رفع اشکال PT6.

M15 — شنبه ۱۲ دی · جمع‌بندی

۳۰′ پیوند سوگیری–واریانس، CV و نظریه یادگیری (بازگشت به سمینار ۱ و ۴) · ۱۵′ یادگیری تقویتی: مسئله، تفاوت با نظارتی، ارجاع به درس دیگر · ۲۵′ نقشه مباحث پیشرفته: نیمه‌نظارتی، فعال، برخط، ژرف، چندردهای · ۲۰′ راهنمای امتحان.

M16 — چهارشنبه ۱۶ دی · پروژه و مرور

۴۰′ پرسش‌وپاسخ پروژه و دفاع کوتاه · ۴۰′ مرور امتحان با حل تمرین · ۴۰′ ذخیره.


۴. سمینارها: چیدمان و قواعد

۶ موضوع، ۹ دانشجو، ۵ جلسه سمینار از ۸ شنبه موجود. هر جلسه: ۶۰ دقیقه ارائه (۲ × ۳۰) + ۳۰ دقیقه قاب‌بندی و بحث.

جلسهتاریخموضوعارائهپیش‌نیاز کلاسی
س۱شنبه ۳۰ آبان (۲۱ نوامبر)سوگیری–واریانس۱ارزیابی مدل، رگرسیون (M3 همان روز)
س۲شنبه ۷ آذر (۲۸ نوامبر)درخت تصمیم و هرس۲طبقه‌بندی (M5 همان روز)
س۳شنبه ۱۴ آذر (۵ دسامبر)ترکیب مدل‌ها۲سمینار درخت
س۴شنبه ۲۱ آذر (۱۲ دسامبر)نظریه یادگیری و VC۲سمینار BV
س۵شنبه ۲۸ آذر (۱۹ دسامبر)رتبه‌دهی + نیمه‌نظارتی۱ + ۱معیارها، EM (M11 همان روز)

ساختار هر جلسه: ۲۰′ قاب‌بندی برای BV و ۱۰′ برای بقیه + ۶۰′ ارائه (س۱: ۳۰′ ارائه + ۳۰′ بحث) + ۱۰ تا ۲۰′ پرسش و جمع‌بندی سطح امتحان. دو شنبه آزاد (۵ دی، ۱۲ دی) برای دموی پروژه است؛ ۲۳ آبان دیگر جلسهٔ آزاد ندارد و مستقیماً با M1 آغاز می‌شود.

پنج قاعده اجرایی

  1. پیش‌خوانی: طرح موضوع یک هفته قبل در اختیار دانشجو قرار می‌گیرد؛ بقیه کلاس پیش از جلسه می‌خوانند و یک پرسش می‌نویسند.

  2. قاب‌بندی توسط شما، در آغاز همان جلسه: ۱۰ دقیقه (برای سوگیری–واریانس ۲۰ دقیقه). متن آماده هر شش موضوع در seminar-framing-and-closing-fa.md است.

  3. جمع‌بندی ۵ دقیقه‌ای توسط شما در پایان: سه نکته سطح امتحان + یک اشتباه رایج.

  4. هر ارائه یک آزمایش عددی روی داده درس (Iris، digits، یا داده پروژه) داشته باشد؛ اسلاید بدون عدد پذیرفته نیست.

  5. عمق در تحویل، نه در اسلاید. با ۳۰ دقیقه، ارائه یک تور هدایت‌شده است؛ استنتاج‌ها و جدول اعداد در نوتبوک تحویلی می‌آید. دو ارائه‌دهنده یک موضوع باید ۶۰ دقیقه را یک واحد طراحی کنند.

سهم نمره: ۱۰–۱۵٪ از نمره درس، با همان روبریک فایل موضوعات؛ نمره هر ارائه مستقل ثبت می‌شود تا تقسیم کار دو نفره به ضرر یک نفر تمام نشود.


۵. پروژه و تمرین‌ها

پروژه هفت‌مرحله‌ای HAR به‌همراه یک مرحله مازاد (project/final-project.md) موتور تمرین درس است. سیاست پشتیبانی: مقدمات کار در کلاس گفته شده و دانشجو موظف است آنچه نمی‌داند خودش مطالعه کند؛ کلاس جای آموزش ابزار نیست. برای همین، دو جلسه کلاس به «کارگاه پروژه» اختصاص داده نشده است. ابزار خودارزیابی: project/project-clinic-pt1-pt2-fa.md + ساعت اداری. خط لوله پیش از انتشار با یک اجرای مرجع کامل روی داده خام WISDM تست شده است؛ اعداد مرجع همان‌جا آمده تا دانشجو انتظار واقع‌بینانه داشته باشد.

مرحلهموضوعانتشارموعد
PT1EDA و خط مبنامنتشر شدهچهارشنبه ۴ آذر (۲۵ نوامبر)
PT2ویژگی‌سازی و PCAشنبه ۱۴ آذر (۵ دسامبر)شنبه ۲۱ آذر (۱۲ دسامبر)
PT4رگرسیون لجستیک و مرز تصمیمچهارشنبه ۱۸ آذر (۹ دسامبر)شنبه ۲۸ آذر (۱۹ دسامبر)
PT3مدل‌های گاوسی و بیزیچهارشنبه ۲۵ آذر (۱۶ دسامبر)چهارشنبه ۲ دی (۲۳ دسامبر)
PT5GMM و EMچهارشنبه ۲ دی (۲۳ دسامبر)شنبه ۱۲ دی (۲ ژانویه)
PT6مارکوف، Forward و Viterbiشنبه ۵ دی (۲۶ دسامبر)۱۴ دی (۴ ژانویه)
PT7CNN یک‌بعدیشنبه ۲۸ آذر (۱۹ دسامبر)چهارشنبه ۹ دی (۳۰ دسامبر)
PT8موبایل (نمره مازاد)شنبه ۵ دی (۲۶ دسامبر)با گزارش نهایی، ۱۶ دی

تمرین‌های نظری کوتاه (مهلت ۲۴ ساعت مطابق سرفصل): M1 ← معیارهای خوشه‌بندی (۲۵ نوامبر) · M3 ← گرادیان دستی (۳۰ نوامبر) · M7 ← PCA/LDA (۱۲ دسامبر) · M10 ← مرز بیزی (۲۳ دسامبر) · M12 ← استنتاج EM (۳۰ دسامبر) · M13 ← جدول Forward (۲ ژانویه).

نکته: PT6 پیش‌تر «بدون کلاس» بود؛ حالا M13 و M14 پیش از موعدش برگزار می‌شوند. اگر HMM عقب افتاد، مهلت PT6 را جابه‌جا کنید، نه محتوا را.

سیاست زمان‌بندی: هر تکلیف پس از تدریس موضوعش منتشر می‌شود و ۷ تا ۱۱ روز بعد موعد دارد، تا تحویل‌ها روی تقویم پخش شوند و همه در هفته آخر تلنبار نشوند.

درباره PT7 (CNN): کلیات یادگیری عمیق در جلسات رگرسیون گفته می‌شود و انتظار نمی‌رود دانشجو شبکه را از صفر طراحی کند؛ معماری در متن تکلیف داده شده و استفاده از کتابخانه‌های آماده مجاز و مورد انتظار است. به همین دلیل PT7 می‌تواند پیش از PT6 منتشر شود.


۶. پوشش سرفصل

#بند سرفصلجایگاهوضعیت
۱مفهوم یادگیری، انواع، بیش‌برازش، انواع مسائلگذشته + س۱کامل
۲درخت تصمیم و هرسس۲سمیناری
۳MLP و کاهش گرادیانM3، M4، M5کامل
۴ماشین بردار پشتیبان—خارج (طبق نظر شما)
۵روش‌های مبتنی بر هستهM8کامل (اثبات‌ها به خواندن)
۶ارزیابی فرضیهگذشته + س۱کامل
۷یادگیری بیزی و رده‌بندهای آماریM9، M10کامل
۸EM و k-meansM1، M2، M11، M12کامل
۹رگرسیونگذشته + M3کامل
۱۰مدل‌های محلیگذشتهکامل
۱۱یادگیری رتبه‌دهیس۵سمیناری
۱۲معیارهای سنجش چهارگانهگذشته + M2 + س۵کامل
۱۳ترکیب مدل‌هاس۳سمیناری
۱۴نظریه یادگیری محاسباتیس۴سمیناری
۱۵یادگیری تقویتیM15 (۱۵ دقیقه)اشاره
۱۶مباحث تکمیلی (فروکاهی، نیمه‌نظارتی، فعال، برخط، ژرف، چندردهای)M6/M7، س۵، M5، M4، M15پنج مورد از شش لمس می‌شود

جمع‌بندی عددی. ۱۶ بند؛ یکی خارج (SVM) ← ۱۵ بند در دامنه. ۹ بند کامل توسط شما + ۴ بند سمیناری = ۱۳ از ۱۵ (۸۷٪)؛ با بند ۱۶ ≈ ۹۰٪. تنها صفرِ واقعی، یادگیری تقویتی است. سهم تدریس شخصی شما ۹ از ۱۵ (۶۰٪) است؛ تفاوت این دو عدد، همان چیزی است که با سپردن پنج موضوع به دانشجو خریدید.


۷. HMM: دو جلسه تا Viterbi

M13 (۹۰′). ۱۵′ مارکوف و ماتریس انتقال با داده ترتیبی پروژه · ۲۰′ تعریف HMM: حالت پنهان، احتمال انتشار، λ=(A,B,π)\lambda=(A,B,\pi)، سه مسئله · ۱۰′ چرا شمارش مستقیم NTN^T است · ۳۵′ Forward با جدول عددی، مقیاس‌بندی و زیرگردی · ۱۰′ انتشار پس‌رو.

M14 (۱۲۰′). ۳۰′ Viterbi: بازگشت برنامه‌ریزی پویا، trellis، محاسبه دستی · ۱۵′ Viterbi در برابر «محتمل‌ترین حالت در هر گام» · ۲۵′ آزمایش روی داده پروژه و تفسیر آن · ۱۵′ Baum–Welch: مسئله سوم و ایده EM، بدون استنتاج · ۳۵′ تمرین و رفع اشکال.

چه چیزی حذف می‌شود: استنتاج کامل Baum–Welch، جزئیات γ\gamma و ξ\xi، CRF، اثبات همگرایی EM برای HMM، مقایسه با MEMM.


۸. فهرست حذف اضطراری (به ترتیب)

۱. اثبات SVD و هم‌ارزی واریانس/بازسازی در M7 ← خواندن + تمرین. ۲. بخش ماهالانوبیس M10 ← ۱۵ دقیقه با ارجاع به نوشتار. ۳. استنتاج کامل گام M در M11 ← نتیجه + تفسیر، استنتاج به تمرین. ۴. M16 ← ۶۰ دقیقه (پرسش پروژه + مرور)، ۶۰ دقیقه ذخیره. ۵. بخش «بُعد بالا» M7 ← خواندن هدایت‌شده.

هرگز حذف نشود: M2 (اعتبارسنجی خوشه‌بندی)، M3 (گرادیان)، M4 (پس‌انتشار)، M8 (کرنل)، M9/M10 (بیزی)، M11/M12 (EM)، M13 (HMM حداقلی).

ریسک‌ها

  • تعطیلی یک هفته: ۲۱۰ دقیقه ذخیره و فهرست بالا پاسخ می‌دهند؛ اگر دو هفته شد، M7 و M12 را ادغام کنید و «بُعد بالا» و SVD را به خواندن ببرید.

  • کیفیت سمینار: ۵ دقیقه جمع‌بندی جای خالی را پر نمی‌کند. ابزار: روبریک، الزام آزمایش عددی، و امکان پس‌گرفتن ۱۵ دقیقه از سمینار ضعیف در همان جلسه.

  • ۳۰ دقیقه برای موضوعی مثل VC کم است: عمق در تحویل است؛ اگر لازم شد، ۱۰ دقیقه از بحث پایانی سمینار بعدی به آن موضوع قرض داده می‌شود.

  • عقب‌افتادگی HMM: PT6/PT7 به آن گره خورده‌اند؛ اول مهلت را جابه‌جا کنید.


این سند برنامه درسی است و در گروه «Course Plan Fall 2026 & Project» در myst.yml قرار دارد.