مدرسه کامپیوتر ویژن Advanced فیلاگر
متخصص بینایی ماشین، عنوانی هست که بعد از پایان مدرسه کامپیوتر ویژن Advanced فیلاگر، میتونه به دانشجوهای این دوره اتلاق بشه و این متخصص بودن وجه تمایز شما در بازار کار هست.
پردازش تصاویر و ویدیوها، از زمینه های جذاب هوش مصنوعی در سال گذشته بوده و پیش بینی رشد بازار متخصصین این حوزه در سال های پیش رو، بسیار جذاب هست.
در مدرسه کامپیوتر ویژن Advanced فیلاگر شما با مفاهیمی از جمله:
▪️ دسته بندی پیشرفته تصاویر
▪️ تشخیص اشیا پیشرفته
▪️ دنبال کردن اشیا پیشرفته
▪️ بینایی ماشین مولد
آشنا میشوید و عملیاتی کار میکنید.
اگه برای ورود به بازار کار این حوزه پرطرفدار هوش مصنوعی در داخل یا سطح بین الملل آماده هستید، در مدرسه کامپیوتر ویژن Advanced فیلاگر ثبت نام کنید🚀

7,390,000 تومان
اگر توی هر مرحله از ثبتنام مشکلی داشتید یا خواستید سوالی بپرسید، کافیه به آی دی تلگرام پشتیبانی فیلاگر در لینک زیر پیام بدید💜
مدرسه کامپیوتر ویژن Advanced (پیشرفته) فیلاگر
📍این مدرسه، طراحی شده برای پرورش متخصصین حوزه بینایی ماشین (کامپیوتر ویژن) در سطح پیشرفته و آماده ورود به بازار کار.
تمایز پرورش یافته های این دوره با دیگران، تخصص بالا برای حل مسائل واقعی و همچنین یاد گرفتن نکات اساسی در موضوعات پیشرفته پردازش تصاویر و بینایی ماشین است.
اینجا قراره یاد بگیرید:
- چطور با تعداد کم داده ها و استفاده از روش های Zero-Shot و Few-Shot کلاس بندی تصاویر را انجام دهید🖼
- چطور آبجکت های کوچک را از تصاویر تشخصی دهید🎯
- چطور چندین آبجکت را به صورت همزمان دنبال کنید🏹
- چطور با الگوریتم های مولد، از متن و پرامپت ورودی تصویر بسازیم👾
و بسیاری از الگوریتم های جدید و پیشرفته
📍آخر این دوره، چی میشه؟
🟣 در سطح حرفه ای، کار با الگوریتم های مطرح شده در سیلابس را به عنوان یک متخصص آموزش میبینید
🟣 به دنیای الگوریتم های جنریتیو و مولد حوزه تصویر وارد میشوید
🟣برای ورود به بازار کار حوزه هوش مصنوعی در زمینه بینایی کامپیوتر آماده میشوید🚀
ویژگیهای متمایز مدرسه کامپیوتر ویژن Advanced فیلاگر

تیم دلسوز و متعهد!
شاید عجیب باشه، اما این یکی از مهمترین تمایزهای فیلاگر هست💜

مُدرس مشغول به فعالیت در همین زمینه کاری
مدرس این دوره در زمینه تدریس خودش، مدیر پروژه های بزرگ بوده

کوچینگ 24 ساعته توسط TA ها
در تمام طول دوره و کلاس های رفع اشکال هفتگی، TAها مشکلات شما را حل میکنند

آنلاین و زنده
این دوره به صورت کاملا آنلاین و زنده مدرس برگزار میشه و میتونید سوالات خودتون رو مطرح کنید

مدرک معتبر
گواهینامه الکترونیکی قابل اعتبار سنجی از جامعه هوش مصنوعی|فیلاگر

پروژه محور
پس از آموزش، پروژه با دیتاست های واقعی انجام میدهید
زمانبندی

📆 هر هفته دو جلسه ی پیاپی
شنبه و دوشنبه 20:30_19:00
ویدیو هر جلسه ضبط هم میشه، در پنل کاربری شما قرار میگیره و تا حداقل یک سال پس از اتمام دوره، در دسترس شماست
شروع از ۲۳ بهمن ماه 140۳ و به مدت ۱۸ هفته
سرفصلهای مدرسه کامپیوتر ویژن Advanced فیلاگر
Advanced Computer Vision School
۲ جلسه ۱ هفته
0. Basics
– Digital Image processing (Review) [1.5]
– Deep Learning (Review) [1.5]
بخش 0: مبانی بینایی ماشین
در این بخش، مفاهیم پایهای که برای درک عمیقتر بینایی ماشین ضروری هستند، مرور خواهند شد. دانشجویان با اصول پردازش تصویر دیجیتال و یادگیری عمیق آشنا میشوند تا پایهی محکمی برای ادامه دوره داشته باشند.
📌 پردازش تصویر دیجیتال (مرور) | 1.5 ساعت
- مفاهیم اولیه پردازش تصویر: پیکسل، رزولوشن، عمق رنگ
- فیلترهای مکانی و پردازش تصویر در حوزهی مکان و فرکانس
- فیلترهای هموارسازی و افزایش وضوح تصویر
- پردازش هیستوگرام، لبهیابی (Edge Detection) و تبدیلهای تصویر
- تبدیل فوریهی گسسته (DFT) و تبدیل موجک
- مروری بر ابزارهای رایج پردازش تصویر (OpenCV، PIL و Scikit-Image)
📌 یادگیری عمیق در بینایی ماشین | ViT, CNN و بیشتر | 1.5 ساعت
- مروری بر یادگیری عمیق: شبکههای عصبی مصنوعی (ANN) و نحوهی یادگیری مدلها
- شبکههای عصبی پیچشی (CNN): معماریهای معروف مانند AlexNet، VGG، ResNet
- تحلیل ویژگیهای تصویر در CNN: لایههای کانولوشن، Pooling و Fully Connected
- بینایی ماشین با Vision Transformers (ViT): نحوهی پردازش تصویر با استفاده از مکانیزم توجه (Self-Attention)
- ابزارهای محبوب: PyTorch و TensorFlow برای پیادهسازی مدلهای یادگیری عمیق
🔍 موضوعات اصلی:
بینایی ماشین، پردازش تصویر، یادگیری عمیق، شبکه عصبی پیچشی (CNN)، Vision Transformer (ViT)، OpenCV، PyTorch، TensorFlow
۷ جلسه ۳.۵ هفته
1. Image Classification [10.5]
– Concepts and Architectures [1.5]
– Fine-Grained Image Classification[3]
– Zero-Shot Image Classification[3]
– Few-Shot Image Classification[3]
بخش 1: دستهبندی تصویر (Image Classification) | 10.5 ساعت
این بخش یکی از مهمترین مباحث در بینایی ماشین را پوشش میدهد: تشخیص و دستهبندی تصاویر. دانشجویان با مفاهیم پایه، معماریهای رایج، و تکنیکهای پیشرفتهای مانند Fine-Grained، Zero-Shot و Few-Shot Classification آشنا خواهند شد.
📌 مفاهیم و معماریهای دستهبندی تصویر | 1.5 ساعت
- اصول دستهبندی تصویر و نحوهی استخراج ویژگیها
- بررسی معماریهای کلاسیک و مدرن برای Image Classification
- LeNet: اولین شبکه عصبی پیچشی (CNN)
- AlexNet و VGG: مدلهای اولیهی عمیقتر
- ResNet و DenseNet: شبکههای مدرن با حل مشکل ناپدید شدن گرادیان
- EfficientNet و Vision Transformers (ViT): معماریهای بهینهتر و پیشرفتهتر
- مقایسهی عملکرد مدلها و معیارهای ارزیابی (Accuracy، Precision، Recall، F1-Score)
- پیادهسازی دستهبندی تصویر با PyTorch و TensorFlow
📌 دستهبندی تصویر دقیق (Fine-Grained Image Classification) | 3 ساعت
- مفهوم Fine-Grained Classification و تفاوت آن با دستهبندی معمولی
- چالشهای این روش: شباهت زیاد بین کلاسها، تفاوتهای جزیی بین نمونهها
- تکنیکهای پیشرفته برای بهبود دقت در دستهبندی جزئی:
- Region-Based CNNs (R-CNN, Fast R-CNN, Faster R-CNN) برای تشخیص مناطق مهم
- Transformers در دستهبندی دقیق (ViT و Swin Transformer)
- کاربردهای Fine-Grained Classification
📌 دستهبندی تصویر بدون نمونهی آموزشی (Zero-Shot Image Classification) | 3 ساعت
- مفهوم Zero-Shot Learning (ZSL): یادگیری بدون دیدن نمونههای آموزشی
- نحوهی کار ZSL با نمایش ویژگیها (Feature Embeddings)
- روشهای مختلف Zero-Shot Classification
- کاربردهای Zero-Shot Classification در شناسایی اشیای جدید، ترجمه تصویری، و بینایی ماشین عمومی
📌 دستهبندی تصویر با دادهی کم (Few-Shot Image Classification) | 3 ساعت
- چالش دادهی کم در بینایی ماشین: چرا به Few-Shot Learning نیاز داریم؟
- تکنیکهای Few-Shot Learning:
- Prototypical Networks: یادگیری کلاسها با چند نمونه
- Siamese Networks: استفاده از شباهت بین تصاویر برای دستهبندی
- نحوهی ترکیب Few-Shot Learning با Transfer Learning و Pretrained Models
🔍 موضوعات اصلی:
بینایی ماشین، دستهبندی تصویر، شبکههای عصبی پیچشی (CNN)، Fine-Grained Image Classification، Zero-Shot Learning، Few-Shot Learning، Vision Transformers (ViT)، CLIP، Meta-Learning، PyTorch، TensorFlow
۶ جلسه ۳ هفته
2. Object Detection [9]
– Concepts and Architectures [1.5]
– Real-Time Object Detection (YOLO, …) [1.5]
– Detecting Small Objects [3]
– Multi-Spectral Object Detection [3]
بخش 2: شناسایی اشیا (Object Detection) | 9 ساعت
در این بخش، دانشجویان با مفاهیم و معماریهای پیشرفتهی شناسایی اشیا آشنا میشوند. این حوزهی کلیدی در بینایی ماشین برای کاربردهایی مانند نظارت تصویری، خودروهای خودران، و تحلیل تصاویر ماهوارهای بسیار مهم است.
📌 مفاهیم و معماریهای شناسایی اشیا | 1.5 ساعت
- تفاوت بین Classification، Detection و Segmentation
- روشهای کلاسیک شناسایی اشیا:
- Sliding Window
- Selective Search
- معماریهای مدرن مبتنی بر یادگیری عمیق:
- R-CNN، Fast R-CNN، Faster R-CNN: شناسایی مبتنی بر ناحیه (Region-Based)
- YOLO (You Only Look Once): شناسایی در یک مرحله (Single Shot)
- SSD (Single Shot MultiBox Detector): تعادل بین دقت و سرعت
- Transformers در Object Detection (DETR – Detection Transformer)
📌 شناسایی اشیای بلادرنگ (Real-Time Object Detection) | 1.5 ساعت
- مفهوم پردازش بلادرنگ: نیاز به سرعت بالا در کاربردهایی مانند خودروهای خودران، دوربینهای امنیتی و AR/VR
- مدلهای پرسرعت و بهینه:
- YOLOv3، YOLOv4، YOLOv5، YOLOv8: بهینهسازیهای جدید و مقایسه عملکرد
- SSD: مقایسه با YOLO و کاربردهای آن
- EfficientDet: شبکههای عصبی پیچشی بهینه برای سرعت بالا
- پیادهسازی YOLO با OpenCV و PyTorch/TensorFlow
- بهینهسازی مدلها برای سختافزارهای مختلف:
- GPU (CUDA, TensorRT)
- Edge Devices (Raspberry Pi، Jetson Nano، Coral TPU)
📌 شناسایی اشیای کوچک (Detecting Small Objects) | 3 ساعت
- چالشهای شناسایی اشیای کوچک:
- وضوح کم
- شباهت به نویز
- از بین رفتن اطلاعات در لایههای عمیق
- راهکارهای بهبود دقت شناسایی:
- استفاده از Feature Pyramid Networks (FPN)
- استفاده از Super-Resolution Networks برای افزایش کیفیت
- استفاده از Transformers (DETR و Swin Transformer) برای تقویت ویژگیها
- کاربردها:
- نظارت هوایی و تصاویر ماهوارهای
📌 شناسایی اشیا در تصاویر چندطیفی (Multi-Spectral Object Detection) | 3 ساعت
- تعریف تصاویر چندطیفی و اهمیت آن در بینایی ماشین
- حوزههای استفاده از Multi-Spectral Detection:
- تصاویر ماهوارهای و سنجش از دور
- تکنیکهای پردازش دادههای چندطیفی:
- ترکیب باندهای طیفی مختلف با Convolutional Neural Networks (CNNs)
- Transformer-Based Architectures برای تحلیل ویژگیهای طیفی پیچیده
- مدلهای بهینه برای Multi-Spectral Object Detection:
- DeepLabV3+ و U-Net برای پردازش تصاویر چندطیفی
- ResNet+FPN برای استخراج ویژگیهای دقیقتر
- ViT و Swin Transformer برای تحلیل دادههای پیچیده
🔍 موضوعات اصلی:
بینایی ماشین، شناسایی اشیا، YOLO، SSD، Faster R-CNN، شناسایی اشیای کوچک، Multi-Spectral Object Detection، Vision Transformers (DETR, Swin Transformer)، PyTorch، TensorFlow، پردازش بلادرنگ
۵ جلسه ۲.۵ هفته
3. Object Tracking[7.5]
– Concepts and Architectures [1.5]
– Singel Object Tracking [3]
– Multi-Object Tracking [3]
بخش 3: ردیابی اشیا (Object Tracking) | 7.5 ساعت
این بخش به بررسی تکنیکهای ردیابی اشیا در ویدئوها و کاربردهای آن در حوزههایی مانند نظارت تصویری، خودروهای خودران و واقعیت افزوده میپردازد. دانشجویان با اصول ردیابی، روشهای پیشرفته و چالشهای موجود آشنا خواهند شد.
📌 مفاهیم و معماریهای ردیابی اشیا | 1.5 ساعت
- تفاوت بین شناسایی (Detection) و ردیابی (Tracking)
- انواع روشهای ردیابی:
- روشهای کلاسیک: Optical Flow، Mean-Shift، Kalman Filter
- روشهای مبتنی بر یادگیری عمیق:
- Siamese Networks
- Recurrent Neural Networks (RNN) + LSTMs در پردازش ویدئو
- Transformer-Based Tracking (مثل TrackFormer)
- معیارهای ارزیابی عملکرد ردیابی: IoU (Intersection over Union)، Precision، Success Rate
📌 ردیابی تکشیء (Single Object Tracking – SOT) | 3 ساعت
- چالشهای ردیابی تکشیء:
- تغییرات زاویه دید و مقیاس
- انسداد (Occlusion)
- تغییرات نور و حرکتهای سریع
- مدلهای معروف برای Single Object Tracking:
- Siamese Networks (SiamFC, DaSiamRPN)
- ترکیب ردیابی و شناسایی (Detection-Based Tracking)
- کاربردهای SOT:
- ردیابی خودروها در جاده
📌 ردیابی چندشیء (Multi-Object Tracking – MOT) | 3 ساعت
- چالشهای ردیابی چندشیء:
- مدیریت هویت اشیا در طول فریمها
- برخورد و تداخل بین اشیا
- محاسبات سنگین در ویدئوهای با رزولوشن بالا
- روشهای سنتی در Multi-Object Tracking:
- Kalman Filter + Hungarian Algorithm
- SORT (Simple Online and Realtime Tracker)
- DeepSORT (Deformable Parts Tracking)
- روشهای مبتنی بر یادگیری عمیق:
- TrackFormer: استفاده از Transformers در ردیابی چندشیء
🔍 موضوعات اصلی:
بینایی ماشین، ردیابی اشیا، Single Object Tracking (SOT)، Multi-Object Tracking (MOT)، Siamese Networks، DeepSORT، TrackFormer، FairMOT، GOTURN، PyTorch، TensorFlow، نظارت تصویری، خودروهای خودران
۱۱ جلسه ۵.۵ هفته
4. Generative Computer Vision[16.5]
– Concepts and Architectures [1.5]
– Image-to-Image Translation[4.5]
– Super-Resolution with GANs [3]
– Neural Style Transfer[4.5]
– Text-to-Image Generation[3]
بخش 4: بینایی ماشین مولد (Generative Computer Vision) | 16.5 ساعت
در این بخش، دانشجویان با مفاهیم و تکنیکهای بینایی ماشین مولد آشنا میشوند. این حوزه در ترجمهی تصویر، افزایش وضوح تصاویر، تغییر سبک هنری، و تولید تصویر از متن کاربرد دارد.
📌 مفاهیم و معماریهای بینایی ماشین مولد | 1.5 ساعت
- تعریف بینایی ماشین مولد: توانایی مدلهای یادگیری عمیق در تولید دادهی بصری جدید
- مقایسهی روشهای مولد:
- GANs (Generative Adversarial Networks): یادگیری تقابلی
- VAEs (Variational Autoencoders): یادگیری احتمالاتی
- کاربردهای بینایی ماشین مولد:
- بهبود کیفیت تصاویر
- ایجاد تصاویر هنری و خلاقانه
- افزایش رزولوشن تصاویر
- تولید دادههای مصنوعی برای آموزش مدلها
📌 ترجمهی تصویر به تصویر (Image-to-Image Translation) | 4.5 ساعت
- مفهوم Image-to-Image Translation: تبدیل یک تصویر به تصویر دیگر با ویژگیهای جدید
- مدلهای معروف:
- Pix2Pix: ترجمهی تصویر با نظارت (Supervised Learning)
- StyleGAN و StarGAN: تبدیل سبک چهره و اشیا
- کاربردهای Image-to-Image Translation:
- تغییر سبک تصویر بین فصول سال
- بازسازی تصاویر سیاهوسفید به رنگی
📌 افزایش وضوح تصویر با GANs (Super-Resolution) و | 3 ساعت
- مفهوم Super-Resolution: افزایش کیفیت تصاویر با استفاده از مدلهای یادگیری عمیق
- مدلهای پیشرفته برای Super-Resolution:
- SRGAN (Super-Resolution Generative Adversarial Network)
- ESRGAN (Enhanced Super-Resolution GAN)
- کاربردهای Super-Resolution:
- بازسازی تصاویر پزشکی و ماهوارهای
- بهبود کیفیت ویدئوها و تصاویر قدیمی
📌 انتقال سبک عصبی (Neural Style Transfer – NST) | 4.5 ساعت
- مفهوم Neural Style Transfer: ترکیب محتوای یک تصویر با سبک تصویر دیگر
- معماریهای معروف در NST:
- CNN-Based Style Transfer: استفاده از VGG-19
- Fast Neural Style Transfer: استفاده از شبکههای عصبی سبک
- Adaptive Instance Normalization (AdaIN)
- مقایسه Style Transfer با GANs و Diffusion Models
- کاربردهای NST:
- تبدیل عکسها به نقاشیهای ونگوگ و پیکاسو
📌 تولید تصویر از متن (Text-to-Image Generation) | 3 ساعت
- تولید دادههای بصری مصنوعی برای تحقیقات و آموزش
🔍 موضوعات اصلی:
بینایی ماشین، یادگیری عمیق، GANs، Image-to-Image Translation، Pix2Pix، CycleGAN، StyleGAN، Super-Resolution، SRGAN، Neural Style Transfer، Text-to-Image، DALL·E، Stable Diffusion، PyTorch، TensorFlow
۵ جلسه ۲.۵ هفته
6. Segmentation[7.5]
– Concepts and Architectures [1.5]
– Semantic Segmentation[3]
– Instance Segmentation[3]
-
بخش 6: بخشبندی تصاویر (Segmentation) | 7.5 ساعت
در این بخش، دانشجویان با مفاهیم و تکنیکهای پیشرفتهی بخشبندی تصاویر (Segmentation) آشنا خواهند شد. این حوزه یکی از مهمترین مباحث در بینایی ماشین است که برای کاربردهایی مانند پزشکی، خودرانها و پردازش تصاویر ماهوارهای استفاده میشود.
📌 مفاهیم و معماریهای بخشبندی تصاویر | 1.5 ساعت
- تعریف Segmentation و تفاوت آن با Classification و Object Detection
- انواع روشهای بخشبندی تصاویر:
- Edge-Based Segmentation: استفاده از الگوریتمهایی مانند Canny
- بخشبندی تصاویر با یادگیری عمیق:
- Fully Convolutional Networks (FCNs)
- U-Net: مدل پرکاربرد در بخشبندی تصاویر پزشکی
- DeepLabV3+: بهینهسازی بخشبندی معنایی با استفاده از Atrous Convolution
- Vision Transformers در Segmentation (Segmenter, SETR)
📌 بخشبندی معنایی (Semantic Segmentation) | 3 ساعت
- مفهوم Semantic Segmentation:
- دستهبندی پیکسلها به کلاسهای خاص بدون تفکیک نمونههای مجزا
- معماریهای محبوب در Semantic Segmentation:
- FCN (Fully Convolutional Networks): تبدیل CNN به مدل بخشبندی
- U-Net: مناسب برای تصاویر پزشکی و صنعتی
- DeepLabV3+: دقت بالاتر با Atrous Convolutions
- کاربردهای Semantic Segmentation:
- تشخیص جاده، خطوط و موانع در خودروهای خودران
📌 بخشبندی نمونهای (Instance Segmentation) | 3 ساعت
- مفهوم Instance Segmentation:
- شناسایی و تفکیک اشیای مختلف یک کلاس بهصورت مجزا
- روشهای معروف:
- Mask R-CNN: پیشرفتهترین مدل بخشبندی نمونهای
- YOLACT (You Only Look At Coefficients): سرعت بالا و دقت مناسب
- کاربردهای Instance Segmentation:
- تشخیص و تفکیک خودروها در ویدئوهای ترافیکی
🔍 موضوعات اصلی:
بینایی ماشین، بخشبندی تصاویر، Semantic Segmentation، Instance Segmentation، U-Net، DeepLabV3+، Mask R-CNN، PyTorch، TensorFlow، Vision Transformers
مدرس دوره


گواهینامه
در انتها مدرسه کامپیوتر ویژن پیشرفته فیلاگر، به دانشجویانی که حد نصاب لازم از پروژهها را کسب کرده باشند، گواهینامه الکترونیکی به زبان انگلیسی و با Certificate Number قابل اعتبار سنجی از “جامعه هوش مصنوعی ایران|فیلاگر” تقدیم میشود. همچنین به دانشجویان برتر، سرتیفیکیت گولد Top Student ارائه خواهد شد.


سوالات متداول:
برای ورود به مدرسه کامپیوتر ویژن پیشرفته فیلاگر، آشنایی با پایتون / پردازش تصاویر دیجیتال / یادگیری عمیق / اصول کامپیوتر ویژن لازم است.
بله، مدرسه کامپیوتر ویژن پیشرفته فیلاگر با هدف آموزش عملی فرایندها به شما طراحی شده و در طی دوره شما به عنوان پروژه، مدل هایی متناسب را طراحی خواهید کرد.
ویدیو هر جلسه ضبط و بعد از برگزاری جلسه جهت تماشای آنلاین در اختیار تمام دانشجویان قرار خواهد گرفت تا افرادی که به هر دلیل نتوانستند در جلسهای شرکت کنند به مطالب جلسات مختلف دسترسی داشته باشند. پس اگر موفق به حضور آنلاین در جلسهای نشدید، جای نگرانی نیست و ویدیو در اختیار شماست.
البته اولویت اصلی، حضور دانشجویان دوره در کلاس آنلاین به منظور انجام تمرینها و شرکت در پروژههاست.
از همان ابتدای دوره، شما به همراه دیگر شرکتکنندگان در یک گروه تلگرامی اختصاصی با حضور مُدرس و تیم آموزشی عضو خواهید شد و میتوانید سوالات خود را به سادگی بپرسید و پاسخ بگیرید. همچنین در تمام جلسات حل تمرین و کلاس میتوانید سوالات خود را بپرسید.
ویدیو هر جلسه بعد از اتمام کلاس در اختیار شما قرار میگیرد تا بتوانید به محتوای کلاس دسترسی آنلاین داشته باشید. پس عدم حضور در یک یا چند جلسه اختلالی در فرایند یادگیری و یا گرفتن گواهینامه پایان دوره بعد از حل تمرین ها برای شما ایجاد نمیکند. البته حضور آنلاین در کلاسها برای همکاری با دیگر دانشجویان در اولویت است.
بعد از کلیک بر روی دکمه “ثبت نام” در انتهای همین صفحه، وارد صفحهای میشوید که در آن نام، نام خانوادگی، ایمیل و شماره تماس خود را باید وارد کنید.
حتما ایمیل و شماره تماس خود را به صورت صحیح وارد کنید. این دو مورد راه ارتباطی ما با شما هست.
سپس به صفحه پرداخت وارد میشوید. حداکثر تا ۷۲ ساعت پس از پرداخت موفق، از طرف فیلاگر به شما ایمیل ارسال میشود. تمام هماهنگیهای بعدی جهت ورود به دوره و موارد دیگر، از طریق پشتیبانی تلگرام فیلاگر به شما اطلاع داده میشود.
در صورت وجود هر مشکلی، کافی است به تلگرام پشتیبانی فیلاگر با آی دی @filoger_support پیام بدهید.
بعد از پرداخت موفق، صبر کنید تا دوباره به وب سایت فیلاگر برگردید.
ما به آدرس ایمیلی که زمان ثبتنام وارد کردید هم پیام میدیم. پس ایمیل خودتون رو هم چک کنید.
پنل ورود به کلاس های آنلاین، پنل دسترسی به ویدیوهای هر جلسه، گروه تلگرامی دوره و … همگی از طریق اکانت پشتیبانی تلگرامی فیلاگر به شما معرفی خواهد شد. کافی است بعد از دریافت ایمیل، به آی دی پشتیبانی فیلاگر طبق روالی که در ایمیل ذکر شده، پیام دهید.
در هر مرحله در صورت نیاز به راهنمایی، به پشتیبانی تلگرام فیلاگر به آی دی filoger_support پیام دهید. همکاران ما تمام کارهای لازم برای شما را انجام میدهند 💜
نظرات دانشجویان دورهای قبل

نظرات دانشجویان دیگر دورههای آموزشی فیلاگر
نظرات دیگر دانشجویان فیلاگر، که باعث افتخار ماست💜
در صورت وجود هر سوال یا نیاز به راهنمایی، در تلگرام با آیدی پشتیبانی فیلاگر به نشانی filoger_support@ در ارتباط باشید.
قبل از هرچیزی، فرم درخواست مشاوره را تکمیل کنید!
7,390,000 تومان