پس از گذراندن دوره های پایتون، دانش آموزها وارد دوره های پیشرفته میشن. این دوره‌ها با هدف آشنایی بچه ها با گرایش‌ها و کاربرد‌های اصلی پایتون طراحی شده.

1. بازی سازی با پایتون. اگر دانش آموزی دوست داشت تمرین بیشتری روی مفاهیم پایتون داشته باشه یا به طور خاص با کتابخانه های مختص به بازی سازی بیشتر آشنا بشه میتونه توی دوره های بازی سازی شرکت کنه. این دوره شامل چهار بخش ۷ جلسه ای است.

3.  هوش مصنوعی ( یادگیری ماشین).

دوره های هوش مثنوعی ماشین لرنینگ در دو سطح مقدماتی و پیشرفته برگزار میشه که هر کدوم ۲۱ حلسه هستن. 
در سطح مقدماتی، بچه‌ها وارد دنیای هوش مصنوعی و ماشین لرنینگ می‌شوند و یاد می‌گیرند چطور یک مدل ساده را آموزش بدهند، تست کنند و داخل یک نرم‌افزار کوچک استفاده کنند.

در طول دوره، بچه‌ها با مفاهیمی مثل Classification، Regression، داده‌های Train/Test، Accuracy، Precision و Confusion Matrix آشنا می‌شوند، اما همه چیز به زبان ساده و پروژه‌محور آموزش داده می‌شود.

خروجی این سطح، چند پروژه‌ی جذاب مثل تشخیص تصویر، پیش‌بینی عددی، تحلیل متن و یک پروژه ترکیبی نهایی است؛ یعنی بچه‌ها فقط تئوری یاد نمی‌گیرند، بلکه مدل‌های واقعی می‌سازند و نتیجه را نمایش می‌دهند.
سطح ماشین لرنینگ پیشرفته :

در این سطح، بچه‌ها یاد می‌گیرند مدل‌های ماشین لرنینگ را عمیق‌تر بفهمند؛ یعنی فقط از مدل آماده استفاده نکنند، بلکه بفهمند پشت مدل چه اتفاقی می‌افتد.

تمرکز این بخش روی مفاهیمی مثل Regression، Logistic Regression، KNN، K-Means، Feature Selection، Correlation، Encoding، Loss و معیارهای ارزیابی مدل است.

در این سطح بچه‌ها با ابزارهایی مثل Matplotlib و Scikit-learn کار می‌کنند و قدم‌به‌قدم یاد می‌گیرند چطور داده را آماده کنند، مدل بسازند، خروجی را تحلیل کنند و مدل‌های مختلف را با هم مقایسه کنند.

خروجی این سطح، توانایی ساخت و تحلیل مدل‌های کلاسیک ماشین لرنینگ برای داده‌های عددی، دسته‌بندی و خوشه‌بندی است.

۴.هوش مصنوعی (دیپ لرنینگ).

این دوره ها هم در دو بخش مقدماتی و پیشرفته برگزار میشه که دوره مقدماتی ۱۴ جلسه و دوره پیشرفته ۲۱ جلسه هست:
در سطح مقدماتی، بچه‌ها وارد دنیای Deep Learning می‌شوند و یاد می‌گیرند شبکه عصبی چیست و چطور از ایده‌ی ساده‌ی یک نورون به یک مدل یادگیری عمیق می‌رسیم.

در این دوره، مفاهیمی مثل Neuron، Activation Function، ANN، Layer، Loss، Optimizer، Epoch، Batch، Callback و معیارهای ارزیابی مدل به زبان ساده و تصویری آموزش داده می‌شود.

بچه‌ها همچنین با TensorFlow کار می‌کنند و یاد می‌گیرند چطور یک شبکه عصبی بسازند، آموزش دهند، عملکرد آن را بررسی کنند و برای تشخیص داده‌های تصویری از آن استفاده کنند.

خروجی این سطح، درک پایه‌ای از شبکه‌های عصبی و ساخت اولین مدل‌های Deep Learning است.

و در سطح پیشرفته تمرکز روی پروژه‌های تصویری واقعی است؛ بچه‌ها یاد می‌گیرند چطور یک مدل را روی عکس اجرا کنند، چطور برای object دلخواه خودشان دیتاست آماده کنند، تصویرها را لیبل بزنند، مدل را آموزش دهند و خروجی را به‌صورت زنده تست کنند.

خروجی این سطح، ساخت پروژه‌های تصویری پیشرفته مثل تشخیص اشیا، تشخیص سگ و گربه، و بازی هوشمند سنگ‌کاغذ‌قیچی است.