بوتکمپ جامع آمادگی برای آزمون AWS Certified AI Practitioner AIF-C01 - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره Course Introduction

• هدف این دوره و روش تدریس من The Goal Of This Course And My Teaching Methodology

• جزئیات آزمون AIF-C01 AIF-C01 Exam Details

• [نقشه راه موفقیت] دریافت گواهینامه AIF-C01 - بخش ۱ [Roadmap To Success] Get AIF-C01 Certified - Part 1

• [نقشه راه موفقیت] دریافت گواهینامه AIF-C01 - بخش ۲ [Roadmap To Success] Get AIF-C01 Certified - Part 2

• [یادگیری سریع] دانلود نکات مهم در اسلایدهای PDF [Fast Learning] Download The Most Important Points In PDF Slides

• تجربه شما با این دوره Your Experience With This Course

• سرویس‌ها و مفاهیم کلیدی AWS - بخش ۱ Key AWS Services And Concepts - Part 1

• سرویس‌ها و مفاهیم کلیدی AWS - بخش ۲ Key AWS Services And Concepts - Part 2

• هوش مصنوعی در برابر یادگیری ماشین در برابر یادگیری عمیق - بخش ۱ Artificial Intelligence vs Machine Learning vs Deep Learning - Part 1

• هوش مصنوعی در برابر یادگیری ماشین در برابر یادگیری عمیق - بخش ۲ Artificial Intelligence vs Machine Learning vs Deep Learning - Part 2

• هوش مصنوعی در برابر یادگیری ماشین در برابر یادگیری عمیق - بخش ۳ Artificial Intelligence vs Machine Learning vs Deep Learning - Part 3

• هوش مصنوعی در برابر یادگیری ماشین: تفاوت چیست؟ AI vs Machine Learning: What's the Difference?

• لطفا خودتان را معرفی کنید Please, Introduce Yourself

• مرور کلی شبکه‌های عصبی Neural Networks Overview

• بینایی کامپیوتر و پردازش زبان طبیعی (NLP) Computer Vision and Natural Language Processing (NLP)

• [خلاصه بخش] مفاهیم کلیدی AWS و هوش مصنوعی در برابر یادگیری ماشین در برابر یادگیری عمیق [Section Recap] AWS Key Concepts & AI vs ML vs DL

• [آزمون] مفاهیم کلیدی AWS و هوش مصنوعی در برابر یادگیری ماشین در برابر یادگیری عمیق [Quiz] AWS Key Concepts & AI vs ML vs DL

تسلط بر اصول: مفاهیم هوش مصنوعی و یادگیری ماشین Mastering the Basics: AI & ML Concepts

• مقدمه + فرآیند ML Intro + The ML Process

• انواع داده در یادگیری ماشین Data Types in Machine Learning

• انواع یادگیری - یادگیری نظارت شده - بخش ۱ Learning Types - Supervised Learning - Part 1

• انواع یادگیری - یادگیری نظارت شده - بخش ۲ Learning Types - Supervised Learning - Part 2

• انواع یادگیری - یادگیری بدون نظارت - بخش ۱ Learning Types - Unsupervised Learning - Part 1

• انواع یادگیری - یادگیری بدون نظارت - بخش ۲ Learning Types - Unsupervised Learning - Part 2

• انواع یادگیری - یادگیری تقویتی Learning Types - Reinforcement Learning

• انواع یادگیری - یادگیری نیمه نظارت شده Learning Types - Semi-Supervised Learning

• استنتاج چیست؟ - بخش ۱ What Is Inference? - Part 1

• استنتاج چیست؟ - بخش ۲ What Is Inference? - Part 2

• [سوال تمرینی] گزینه‌های استنتاج و استقرار [Practice Question] Inference And Deployment Options

• کاربردهای هوش مصنوعی (AI) ارزش‌آفرین Value-Adding Artificial Intelligence (AI) Applications

• چه زمانی از هوش مصنوعی (AI) استفاده نکنیم When Not to Use Artificial Intelligence (AI)

• [خلاصه بخش] تسلط بر اصول: مفاهیم هوش مصنوعی و یادگیری ماشین [Section Recap] Mastering the Basics: AI & ML Concepts

• [آزمون] تسلط بر اصول: مفاهیم هوش مصنوعی و یادگیری ماشین [Quiz] Mastering the Basics: AI & ML Concepts

بررسی عمیق سرویس‌های مدیریت شده هوش مصنوعی AWS AWS AI Managed Services Deep Dive

• مقدمه Intro

• Amazon Rekognition Amazon Rekognition

• Amazon Rekognition - دمو Amazon Rekognition - Demo

• Amazon Transcribe Amazon Transcribe

• Amazon Transcribe - دمو Amazon Transcribe - Demo

• Amazon Translate Amazon Translate

• Amazon Translate - دمو Amazon Translate - Demo

• Amazon Comprehend Amazon Comprehend

• Amazon Comprehend - دمو Amazon Comprehend - Demo

• Amazon Lex Amazon Lex

• Amazon Lex - دمو Amazon Lex - Demo

• Amazon Polly Amazon Polly

• Amazon Polly - دمو Amazon Polly - Demo

• Amazon Fraud Detector Amazon Fraud Detector

• Amazon Personalize Amazon Personalize

• Amazon Kendra Amazon Kendra

• Amazon Textract Amazon Textract

• Amazon Textract - دمو Amazon Textract - Demo

• Amazon Forecast Amazon Forecast

• Amazon Mechanical Turk (MTurk) Amazon Mechanical Turk (MTurk)

• Amazon Augmented AI (A2I) Amazon Augmented AI (A2I)

• Amazon Augmented AI (A2I) - دمو Amazon Augmented AI (A2I) - Demo

• [خلاصه بخش] بررسی عمیق سرویس‌های مدیریت شده هوش مصنوعی AWS [Section Recap] AWS AI Managed Services Deep Dive

• [آزمون] بررسی عمیق سرویس‌های مدیریت شده هوش مصنوعی AWS [Quiz] AWS AI Managed Services Deep Dive

مبانی هوش مصنوعی Amazon SageMaker و چرخه عمر توسعه ML Amazon SageMaker AI Essentials And The ML Development Lifecycle

• مقدمه Intro

• مرور کلی هوش مصنوعی Amazon SageMaker - بخش ۱ Amazon SageMaker AI Overview - Part 1

• مرور کلی هوش مصنوعی Amazon SageMaker - بخش ۲ Amazon SageMaker AI Overview - Part 2

• چرخه عمر توسعه یادگیری ماشین (فازهای ۱-۳) Machine Learning Development Lifecycle (Phases 1-3)

• چرخه عمر توسعه یادگیری ماشین (فاز ۴A) Machine Learning Development Lifecycle (Phase 4A)

• چرخه عمر توسعه یادگیری ماشین (فاز ۴B) Machine Learning Development Lifecycle (Phase 4B)

• چرخه عمر توسعه یادگیری ماشین (فازهای ۵-۷) Machine Learning Development Lifecycle (Phases 5-7)

• چرخه عمر توسعه یادگیری ماشین (خلاصه) Machine Learning Development Lifecycle (Recap)

• چرخه عمر توسعه ML در برابر پایپ لاین ML ML Development Lifecycle vs ML Pipeline

• اصول MLOps MLOps Fundamentals

• نگاشت ابزارهای هوش مصنوعی AWS SageMaker به اجزای پایپ لاین ML - بخش ۱ Mapping the AWS SageMaker AI Tools To The ML Pipeline Components - Part 1

• نگاشت ابزارهای هوش مصنوعی AWS SageMaker به اجزای پایپ لاین ML - بخش ۲ Mapping the AWS SageMaker AI Tools To The ML Pipeline Components - Part 2

• هوش مصنوعی Amazon SageMaker - منابع و انتخاب مدل Amazon SageMaker AI - Model Sources And Selection

• معیارهای عملکرد فنی - برای مسائل طبقه‌بندی Technical Performance Metrics - For Classification Problems

• معیارهای عملکرد فنی - برای مسائل رگرسیون Technical Performance Metrics - For Regression Problems

• معیارهای عملکرد کسب‌وکار Business Performance Metrics

• [خلاصه بخش] مبانی هوش مصنوعی Amazon SageMaker و چرخه عمر توسعه ML [Section Recap] Amazon SageMaker AI Essentials And The ML Development Lifecycle

• [آزمون ۱] مبانی هوش مصنوعی Amazon SageMaker و چرخه عمر توسعه ML [Quiz 1] Amazon SageMaker AI Essentials And The ML Development Lifecycle

• [آزمون ۲] مبانی هوش مصنوعی Amazon SageMaker و چرخه عمر توسعه ML [Quiz 2] Amazon SageMaker AI Essentials And The ML Development Lifecycle

مسیریابی هوش مصنوعی مولد: اجزای اصلی، انواع مدل و چرخه عمر Navigating Generative AI: Core Components, Model Types and Lifecycle

• مقدمه Intro

• مدل‌های بنیادی (FMs) - مرور کلی Foundation Models (FMs) - Overview

• مدل‌های زبان بزرگ (LLMs) - مرور کلی Large Language Models (LLMs) - Overview

• توکن‌ها، امبدینگ‌ها و بردارها - بخش ۱ Tokens, Embeddings, and Vectors - Part 1

• توکن‌ها، امبدینگ‌ها و بردارها - بخش ۲ Tokens, Embeddings, and Vectors - Part 2

• مدل‌های چندوجهی Multimodal Models

• مدل‌های انتشار Diffusion Models

• چرخه عمر مدل بنیادی (فازهای ۱-۳) The Foundation Model Lifecycle (Phases 1-3)

• چرخه عمر مدل بنیادی (فازهای ۴-۷) The Foundation Model Lifecycle (Phases 4-7)

• [خلاصه بخش] مسیریابی هوش مصنوعی مولد: اجزای اصلی، انواع مدل و چرخه عمر [Section Recap] Navigating Generative AI: Core Components, Model Types & Life...

• [آزمون] مسیریابی هوش مصنوعی مولد: اجزای اصلی، انواع مدل و چرخه عمر [Quiz] Navigating Generative AI: Core Components, Model Types and Lifecycle

کاربردهای کسب‌وکاری هوش مصنوعی مولد Business Applications of Generative AI

• مقدمه Intro

• مزایای هوش مصنوعی مولد Advantages of Generative AI

• معایب هوش مصنوعی مولد Disadvantages of Generative AI

• عوامل انتخاب مدل برای هوش مصنوعی مولد Model Selection Factors For Generative AI

• ارزیابی ارزش کسب‌وکار Business Value Assessment

• [خلاصه بخش] ارزیابی ارزش کسب‌وکار [Section Recap] Business Value Assessment

• [آزمون] کاربردهای کسب‌وکاری هوش مصنوعی مولد [Quiz] Business Applications of Generative AI

ابزار هوش مصنوعی مولد شما: سرویس‌ها و ویژگی‌های ضروری AWS Your GenAI Toolkit: Essential AWS Services and Features

• مقدمه Intro

• چرا باید از زیرساخت AWS برای هوش مصنوعی مولد استفاده کنید؟ Why Should You Use the AWS Infrastructure for GenAI?

• مرور کلی Amazon Bedrock Amazon Bedrock Overview

• Amazon Bedrock - درخواست دسترسی به مدل - دمو Amazon Bedrock - Request Model Access - Demo

• Amazon Bedrock - Playgrounds - دمو Amazon Bedrock - Playgrounds - Demo

• Amazon Bedrock - منوی مدل‌های بنیادی - راهنما Amazon Bedrock - Foundation Models Menu - Walkthrough

• Amazon Bedrock - منوی ابزارهای سازنده - راهنما Amazon Bedrock - Builder Tools Menu - Walkthrough

• Amazon Bedrock - منوی محافظت‌ها - راهنما Amazon Bedrock - Safeguards Menu - Walkthrough

• Amazon Bedrock - منوی استنتاج و ارزیابی - راهنما Amazon Bedrock - Inference and Assessment Menu - Walkthrough

• Amazon Bedrock - منوی اتوماسیون داده - راهنما Amazon Bedrock - Data Automation Menu - Walkthrough

• مرور کلی PartyRock PartyRock Overview

• دمو PartyRock PartyRock Demo

• Amazon SageMaker JumpStart Amazon SageMaker JumpStart

• Amazon Q Business و Amazon Q Developer Amazon Q Business and Amazon Q Developer

• دانش خود را مرتبط کنید - پشته AI/ML Connect Your Knowledge - The AI/ML Stack

• ملاحظات هزینه برای سرویس‌های AI/ML AWS - ۶ عامل کلیدی Cost Considerations for AWS AI/LM Services - 6 Key Factors

• [خلاصه بخش] ابزار هوش مصنوعی مولد شما: سرویس‌ها و ویژگی‌های ضروری AWS [Section Recap] Your GenAI Toolkit: Essential AWS Services and Features

• [آزمون] ابزار هوش مصنوعی مولد شما: سرویس‌ها و ویژگی‌های ضروری AWS [Quiz] Your GenAI Toolkit: Essential AWS Services and Features

کاربردهای مدل‌های بنیادی: ملاحظات کلیدی طراحی Applications of Foundation Models: Key Design Considerations

• مقدمه Intro

• چه عواملی را باید هنگام انتخاب یک مدل بنیادی در نظر بگیرید؟ What Factors Should You Consider When Choosing a Foundation Model?

• درک پارامترهای استنتاج - دما، Top K، Top P، طول ورودی/خروجی Understand Inference Parameters - Temperature, Top K, Top P, Input/Output Length

• Retrieval Augmented Generation (RAG) چیست؟ What Is Retrieval Augmented Generation (RAG)?

• Amazon Bedrock - RAG و پایگاه‌های دانش Amazon Bedrock - RAG and Knowledge Bases

• Amazon Bedrock - نمایش RAG Amazon Bedrock - RAG Demonstration

• گزینه‌های پایگاه داده برداری برای ذخیره امبدینگ‌ها Vector Database Options For Storing Embeddings

• روش‌های سفارشی‌سازی مدل بنیادی - هزینه و پیاده‌سازی Foundation Model Customization Methods - Cost and Implementation

• Amazon Bedrock: عامل‌ها به شما در انجام وظایف چند مرحله‌ای کمک می‌کنند Amazon Bedrock: Agents Help You Accomplish Multi-Step Tasks

• [خلاصه بخش] کاربردهای مدل‌های بنیادی: ملاحظات کلیدی طراحی [Section Recap] Applications of Foundation Models: Key Design Considerations

• [آزمون] کاربردهای مدل‌های بنیادی: ملاحظات کلیدی طراحی [Quiz] Applications of Foundation Models: Key Design Considerations

مبانی مهندسی پرامپت و آسیب‌پذیری‌های هوش مصنوعی Prompt Engineering Essentials and AI Vulnerabilities

• مقدمه Intro

• مهندسی پرامپت چیست؟ What Is Prompt Engineering?

• تکنیک‌های مهندسی پرامپت: بنا نهادن بر اصول Prompt Engineering Techniques: Building on the Basics

• بهینه‌سازی پرامپت‌ها برای کیفیت و وضوح Optimizing Prompts for Quality and Specificity

• آسیب‌پذیری‌های هوش مصنوعی: افشا، مسمومیت، ربایش، تزریق پرامپت AI Vulnerabilities: Exposure, Poisoning, Hijacking, Prompt Injection

• آسیب‌پذیری‌های هوش مصنوعی: فرار از محدودیت (Jailbreaking) AI Vulnerabilities: Jailbreaking

• [خلاصه بخش] مبانی مهندسی پرامپت و آسیب‌پذیری‌های هوش مصنوعی [Section Recap] Prompt Engineering Essentials and AI Vulnerabilities

• [آزمون] مبانی مهندسی پرامپت و آسیب‌پذیری‌های هوش مصنوعی [Quiz] Prompt Engineering Essentials and AI Vulnerabilities

تنظیم دقیق مدل‌های بنیادی (FMs) - بررسی عمیق Fine-Tuning Foundation Models (FMs) - Deep Dive

• مقدمه Intro

• روش‌های تنظیم دقیق یک مدل بنیادی - ۱ Methods For Fine-Tuning a Foundation Model - 1

• روش‌های تنظیم دقیق یک مدل بنیادی - ۲ Methods For Fine-Tuning a Foundation Model - 2

• آماده‌سازی داده برای تنظیم دقیق یک مدل بنیادی Data Preparation For Fine-Tuning a Foundation Model

• [خلاصه بخش] تنظیم دقیق مدل‌های بنیادی (FMs) - بررسی عمیق [Section Recap] Fine-Tuning Foundation Models (FMs) - Deep Dive

• [آزمون] تنظیم دقیق مدل‌های بنیادی (FMs) - بررسی عمیق [Quiz] Fine-Tuning Foundation Models (FMs) - Deep Dive

ارزیابی مدل‌های بنیادی: روش‌ها و معیارها Evaluating Foundation Models: Methods and Metrics

• مقدمه Intro

• کشف رویکردهای مختلف برای ارزیابی مدل‌های بنیادی - ۱ Discover the Different Approaches to Evaluate Foundation Models - 1

• کشف رویکردهای مختلف برای ارزیابی مدل‌های بنیادی - ۲ Discover the Different Approaches to Evaluate Foundation Models - 2

• معیارهای ارزیابی FM: سردرگمی (Perplexity)، بلو (BLEU)، روژ (ROUGE)، امتیاز BERT، دقت و امتیاز F1 - ۱ FM Eval. Metrics: Perplexity, BLUE, ROUGE, BERTscore, Accuracy, and F1-Score - 1

• معیارهای ارزیابی FM: سردرگمی (Perplexity)، بلو (BLEU)، روژ (ROUGE)، امتیاز BERT، دقت و امتیاز F1 - ۲ FM Eval. Metrics: Perplexity, BLUE, ROUGE, BERTscore, Accuracy, and F1-Score - 2

• [خلاصه بخش] ارزیابی مدل‌های بنیادی: روش‌ها و معیارها [Section Recap] Evaluating Foundation Models: Methods and Metrics

• [آزمون] ارزیابی مدل‌های بنیادی: روش‌ها و معیارها [Quiz] Evaluating Foundation Models: Methods and Metrics

توسعه هوش مصنوعی مسئولانه: مفاهیم و ملاحظات کلیدی Responsible AI Development: Key Concepts And Considerations

• مقدمه Intro

• هوش مصنوعی مسئولانه - مفاهیم کلیدی Responsible AI - Key Concepts

• بررسی Guardrails در Amazon Bedrock: یک نمایش عملی Exploring Guardrails in Amazon Bedrock: A Practical Demonstration

• انتخاب مدل مسئولانه: ملاحظات محیطی و پایداری Responsible Model Selection: Environmental and Sustainability Considerations

• هوش مصنوعی مولد: نگرانی‌های حقوقی و اخلاقی Generative AI: Legal and Ethical Concerns

• تعادل - یک ویژگی ضروری مجموعه‌داده‌های با کیفیت بالا Balance - An Essential Characteristic of High-Quality Datasets

• برازش مدل: بایاس و واریانس (کم‌برازش و بیش‌برازش) - ۱ Model Fit: Bias and Variance (Underfitting and Overfitting) - 1

• برازش مدل: بایاس و واریانس (کم‌برازش و بیش‌برازش) - ۲ Model Fit: Bias and Variance (Underfitting and Overfitting) - 2

• [خلاصه بخش] توسعه هوش مصنوعی مسئولانه: مفاهیم و ملاحظات کلیدی [Section Recap] Responsible AI Development: Key Concepts And Considerations

• [آزمون] توسعه هوش مصنوعی مسئولانه: مفاهیم و ملاحظات کلیدی [Quiz] Responsible AI Development: Key Concepts And Considerations

قابل فهم کردن هوش مصنوعی Making AI Understandable

• مقدمه Intro

• کارت‌های سرویس هوش مصنوعی AWS: چیستی، چرایی و یک مثال AWS AI Service Cards: What, Why, and an Example

• کارت‌های مدل SageMaker SageMaker Model Cards

• AWS SageMaker Clarify AWS SageMaker Clarify

• ۳ اصل کلیدی طراحی انسان‌محور برای هوش مصنوعی مسئولانه The 3 Key Principles Of Human-Centered Design For Responsible AI

• [خلاصه بخش] قابل فهم کردن هوش مصنوعی [Section Recap] Making AI Understandable

• [آزمون] قابل فهم کردن هوش مصنوعی [Quiz] Making AI Understandable

شیوه‌ها و ابزارهای امنیتی ضروری در AWS Essential Security Practices and Tools on AWS

• مقدمه Intro

• امنیت سیستم هوش مصنوعی و مدل مسئولیت مشترک AWS AI System Security & The AWS Shared Responsibility Model

• مدیریت هویت و دسترسی - کاربران، گروه‌ها، نقش‌ها، سیاست‌ها، مجوزها - ۱ Identity and Access Management - Users, Groups, Roles, Policies, Permissions - 1

• مدیریت هویت و دسترسی - کاربران، گروه‌ها، نقش‌ها، سیاست‌ها، مجوزها - ۲ Identity and Access Management - Users, Groups, Roles, Policies, Permissions - 2

• قابلیت‌های رمزگذاری AWS (داده در حالت استراحت و داده در حال انتقال) AWS Encryption Capabilities (Data-at-Rest and Data-in-Transit)

• امنیت شبکه برای بارکاری‌های هوش مصنوعی (AWS PrivateLink) Network Security for AI Workloads (AWS PrivateLink)

• [خلاصه بخش] شیوه‌ها و ابزارهای امنیتی ضروری در AWS [Section Recap] Essential Security Practices and Tools on AWS

• [آزمون] شیوه‌ها و ابزارهای امنیتی ضروری در AWS [Quiz] Essential Security Practices and Tools on AWS

امنیت داده و حاکمیت برای سیستم‌های هوش مصنوعی Data Security and Governance for AI Systems

• مقدمه Intro

• بهترین شیوه‌های مهندسی داده امن - بخش ۱ Secure Data Engineering Best Practices - Part 1

• بهترین شیوه‌های مهندسی داده امن - بخش ۲ Secure Data Engineering Best Practices - Part 2

• منشأ داده و ریشه‌یابی Data Provenance and Lineage

• استراتژی‌های حاکمیت داده Data Governance Strategies

• [خلاصه بخش] امنیت داده و حاکمیت برای سیستم‌های هوش مصنوعی [Section Recap] Data Security and Governance for AI Systems

• [آزمون] امنیت داده و حاکمیت برای سیستم‌های هوش مصنوعی [Quiz] Data Security and Governance for AI Systems

امنیت، انطباق و حاکمیت هوش مصنوعی AI Security, Compliance, and Governance

• مقدمه Intro

• ملاحظات امنیتی و حریم خصوصی برای سیستم‌های هوش مصنوعی Security and Privacy Considerations for AI Systems

• استانداردهای انطباق نظارتی برای سیستم‌های هوش مصنوعی Regulatory Compliance Standards for AI Systems

• سرویس‌های AWS برای حاکمیت و انطباق AWS Services for Governance and Compliance

• پروتکل‌ها و چارچوب‌های حاکمیت برای هوش مصنوعی مولد Governance Protocols and Frameworks for Generative AI

• [خلاصه بخش] امنیت، انطباق و حاکمیت هوش مصنوعی [Section Recap] AI Security, Compliance, and Governance

• [آزمون] امنیت، انطباق و حاکمیت هوش مصنوعی [Quiz] AI Security, Compliance, and Governance

آزمون‌های تمرینی Practice Exams

• AIF-C01 - آزمون تمرینی #۱ AIF-C01 - Practice Exam #1

• AIF-C01 - آزمون تمرینی #۲ AIF-C01 - Practice Exam #2

نکات آزمون و سخنان پایانی Exam Tips & Final Words

• ۸ استراتژی کلیدی برای موفقیت - قبولی در AIF-C01 8 Key Strategies for Success - Pass AIF-C01

• سخنان پایانی Final Words

• سخنرانی جایزه Bonus Lecture