آموزش مهندس سیستم‌های هوش مصنوعی ۲۰۲۶: مهندسی پیشرفته سیستم‌های AI (با C++‎) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• چرا مهندسی سیستم‌های AI اهمیت دارد Why AI Systems Engineering Matters

• ارزش پیشنهادی دوره Course Value Proposition

• مقدمه Introduction

• چرا C++‎ در AI؟ Why C++ in AI?

• پایتون در مقابل C++‎: چه زمانی از کدام استفاده کنیم؟ Python vs C++: When to Use What?

• پایتون در مقابل C++‎: تفاوت‌های کلیدی در AI Python vs C++: Key Differences in AI

• مثال‌های واقعی از AI Real-World AI Examples

• چرا اکنون C++‎ یاد بگیریم؟ Why Learn C++ Now?

• پرسش و پاسخ و بررسی Udemy Udemy's Q&A&Review

• چرا C++‎ برای AI؟ مثال: دستگاه مانیتورینگ قلبی بلادرنگ Why C++ for AI -> Real-Time Cardiac Monitoring Device

• چرا C++‎ برای AI Why C++ for AI

• این مورد باید ابتدا خوانده شود THIS MUST BE READ FIRST

هفته اول -------------------- WEEK 1 --------------------

• نتایج یادگیری هفته اول Week 1 Learning Outcome

ساخت سیستم‌های AI در مقیاس بالا Building AI Systems at Scale

• اهداف ویدیوهای آینده و استانداردهای C++‎ Goals of the Following Videos and C++ Standards

• ویژگی‌های C++‎17 برای AI C++17 Features for AI

• کتابخانه‌های مهم C++‎ برای AI Important Libraries in C++ for AI

• کامپایلرهای C++‎ C++ Compilers

• انواع داده‌های پایه Basic Data Types

• ماشین مسابقه‌ای در مقابل کامیون توزیع Sports Car vs Delivery Truck

• حافظه به مثابه یک انبار Memory as a Warehouse

• موارد استفاده AI برای int, short, long و long long AI Use Cases for int, short, long and long long

• چرا محدوده‌های اعداد صحیح در AI اهمیت دارند Why Integer Ranges Matter in AI

• ملاحظات حیاتی در AI Critical AI Considerations

• موارد استفاده AI برای Float (Float32) و Double (Float64)، مسئله دقت AI Use Cases for Float (Float32) and Double (Float64), the Precision Problem

• انواع Character و Boolean در AI Character and Boolean Types in AI

• بهترین روش‌های مدیریت حافظه در AI AI Memory Management Best Practices

• اهداف Goals

• Trade-offهای دقت CPU در مقابل GPU CPU vs GPU Precision Trade-offs

• static_cast static_cast

• نمایش تبدیل انواع داده Type conversion demonstration

• بررسی کد: انواع داده، تبدیل نوع و ویژگی‌های C++‎ Data Types, Type Conversion & C++ Features - Code Review

• مقدمه‌ای بر ۳ سناریو Intro to 3 scenarios

• سناریوی ۱: تبدیل احتمال به برچسب کلاس Scenario 1: Probability to Class Label

• سناریوی ۲: تبدیل مقدار Loss Scenario 2: Loss Value Conversion

• سناریوی ۳: بارگذاری مجموعه داده Scenario 3: Dataset Loading

ساختارهای داده برای شبکه‌های عصبی Data Structures for Neural Networks

• امروز چه خواهیم آموخت What We'll Learn Today

• چرا آرایه‌ها و بردارها در AI اهمیت دارند Why Arrays and Vectors Matter in AI

• آرایه‌ها در مقابل بردارها در AI Arrays vs Vectors in AI

• آنچه در این ویدیو می‌آموزید What You'll Learn in This Video

• آرایه‌های استاتیک Static Arrays

• مثال آرایه‌های استاتیک: امتیازات طبقه‌بندی ساده A Static Arrays Example: Simple Classification Scores

• بردارهای دینامیک به همراه مثال‌ها Dynamic Vectors with Examples

• مثال بردارهای دینامیک: خط لوله بارگذاری داده‌های ML واقعی A Dynamic Vectors Example: Real-World ML Data Loading Pipeline

پروژه واقعی: خط لوله ادغام حسگرهای خودروهای خودران Real-World Project: Autonomous Vehicle Sensor Fusion Pipeline

• مقدمه‌ای بر اتوپایلوت تسلا Introduction to Tesla Autopilot

• گام ۱: مقیاس‌بندی ابعاد داده‌های حسگر در لبه (Edge) Step 1: Scale at the Edge Sensor Data Dimensions

• گام ۲: ابر نقاط LiDAR Step 2: LiDAR Point Cloud

• گام ۳: محاسبه فاصله Step 3: Distance Calculation

• گام ۴: خط لوله تشخیص اشیاء Step 4: Object Detection Pipeline

• گام ۵: مقیاس ناوگانی (Fleet Scale) Step 5: Fleet-Scale

• خلاصه Summary

• خط لوله ادغام حسگرهای خودروهای خودران Autonomous Vehicle Sensor Fusion Pipeline

هفته دوم -------------------- WEEK 2 --------------------

• نتایج یادگیری هفته دوم Week 2 Learning Outcome

جبر خطی برای یادگیری عمیق Linear Algebra for Deep Learning

• مقدمه Introduction

• چرا ماتریس‌ها در AI اهمیت دارند Why Matrices Matter in AI

• تأثیر بر عملکرد Performance Impact

• اهداف یادگیری Learning Objectives

• کلاس Matrix The Matrix Class

• بررسی عمیق نمایش ماتریس و ملاحظات چیدمان حافظه What We'll Learn, Deep Dive into Matrix Repres.. and Memory Layout Consideration

• جزئیات فنی کلاس Matrix و پیامدهای عملکردی Technical Details of Our Matrix Class and Performance Implications

• ماتریس واحد (Identity Matrix) Identity Matrix

• ماتریس صفر Zero Matrix

• ماتریس سفارشی Custom Matrix

پایداری عددی در مدل‌های AI Numerical Stability in AI Models

• مقدمه بخش Section Introduction

• چرا دقت عددی در AI اهمیت دارد Why Numerical Precision Matters in AI

• داستان‌های وحشتناک واقعی در AI Real AI Horror Stories

• آنچه خواهید آموخت What You'll Learn

• خطر پنهان در AI The Hidden Danger in AI

• مثال‌های تأثیر در دنیای واقعی Real-World Impact Examples

• چرا این درس حیاتی است Why This Lesson is Critical

• استاندارد IEEE 754 و پیامدهای آن در AI What We'll Learn, IEEE 754, AI Impact and AI-Specific Implications

• کلاس NumericalAnalyzer The NumericalAnalyzer Class

• آزمایش ۱: تحلیل سطح بیت IEEE 754 Experiment 1: IEEE 754 Bit-Level Analysis

• آزمایش ۲: حذف فاجعه‌بار در توابع Loss شبکه‌های عصبی Experiment 2: Catastrophic Cancellation in Neural Network Loss Functions

پروژه واقعی: خط لوله امتیازدهی بلادرنگ برای کلاهبرداری کارت اعتباری Real-World Project: Real-Time Credit Card Fraud Scoring Pipeline

• در این پروژه چه خواهیم ساخت What We'll Build In This Project

• گام ۱: تبدیل رویدادهای پرداخت به ویژگی‌های آماده مدل برای شناسایی کلاهبرداری Step 1: Turn Payment Events Into Model-Ready Fraud Features

• گام ۲: تبدیل سیگنال‌های کلاهبرداری به تصمیمات بازبینی Step 2: Convert Fraud Signals Into Review Decisions

• گام ۳: پایدار نگه داشتن Binary Cross Entropy تحت Logitهای شدید Step 3: Keep Binary Cross Entropy Stable Under Extreme Logits

• گام ۴: ردیابی رفتار پرداخت زنده با آمار تک-گذر (One Pass) Step 4: Track Live Payment Behavior With One-Pass Statistics

• گام ۵: تأیید Backprop و محدود کردن جهش‌های ناایمن گرادینت Step 5: Verify Backprop and Bound Unsafe Gradient Spikes

• گام ۶: آرام کردن سیگنال‌های کلاهبرداری همبسته با Ridge Step 6: Calm Correlated Fraud Signals With Ridge

• از ریاضیات هفته دوم تا تفکر سیستم کلاهبرداری واقعی From Week 2 Math to Real Fraud System Thinking

هفته سوم -------------------- WEEK 3 --------------------

• نتایج یادگیری هفته سوم Week 3 Learning Outcome

ساختارهای داده برای الگوریتم‌های AI Data Structures for AI Algorithms

• مقدمه Introduction

• چرا کانتینرهای STL برای AI حیاتی هستند Why STL Containers Are Critical for AI

• کاربردهای واقعی AI در محیط تولید Real AI Applications in Production

• امروز چه خواهیم آموخت What You'll Learn Today

• مثال‌های تأثیر در دنیای واقعی Real-World Impact Examples

• کلاس FeatureStore The FeatureStore Class

• کلاس TopKSelector The TopKSelector Class

• کلاس VocabularyManager The VocabularyManager Class

• متد measureLookupTime The measureLookupTime method

خط لوله‌های داده AI و جریان‌ها (Streaming) AI Data Pipelines & Streaming

• مقدمه Introduction

• چالش‌های واقعی خط لوله‌های داده AI Real AI Data Pipeline Challenges

• چالش‌های داده‌ای شرکت‌های تکنولوژی سیاتل Seattle Tech Company Data Challenges

• امروز چه خواهیم آموخت What You'll Learn Today

• تأثیرات پنهان بر عملکرد و مثال‌های واقعی The Hidden Performance Impact and Real World Examples

• چرا کیفیت داده‌ها اهمیت دارد Why Data Quality Matters

• چرا این درس ضروری است Why This Lesson is Essential

• کلاس FileHandler The FileHandler Class

• کلاس CSVParser The CSVParser Class

• استراکت Dataset The Dataset Struct

• کلاس DataLoader The DataLoader Class

• کلاس DataPreprocessor The DataPreprocessor Class

• متد createSampleCSV (برای مثال نمونه) The createSampleCSV method (For a sample example)

• بخش ۱: جذب داده‌ها (Data Ingestion) Part 1: Data Ingestion

هفته چهارم -------------------- WEEK 4 --------------------

• نتایج یادگیری هفته چهارم Week 4 Learning Outcome

بهینه‌سازی سیستم‌های AI برای محیط عملیاتی Optimizing AI Systems for Production

• مقدمه introduction

• چرا بهینه‌سازی عملکرد در AI حیاتی است Why Performance Optimization is Critical in AI

• کابوس‌های عملکرد در دنیای واقعی Real-World Performance Nightmares

• چالش‌های عملکردی که در شرکت‌های تکنولوژی سیاتل دیده‌ام Seattle Tech Company Performance Struggles I've seen

• امروز چه خواهیم آموخت What You'll Learn Today

• ذهنیت بهینه‌سازی عملکرد The Performance Mindset

• چرا این موضوع برای مسیر شغلی شما مهم است Why This Matters for Your Career

• کلاس PerformanceOptimizer The PerformanceOptimizer Class

• کلاس MemoryOptimizer The MemoryOptimizer Class

• پیچیدگی الگوریتم در AI (نماد Big O) Algorithm Complexity in AI (Big-O Notation)

• مثال‌های واقعی پیچیدگی در AI Real AI Complexity Examples

• مثال‌های مقیاس‌پذیری پیچیدگی Complexity Scaling Examples

• بخش ۱: هزینه پیچیدگی خواندن Part 1: Read Complexity Cost

بهره‌وری حافظه برای AI در مقیاس بزرگ Memory Efficiency for Large-Scale AI

• مقدمه Introduction

• چرا مدیریت حافظه در AI ماموریت حیاتی است Why Memory Management is Mission Critical in AI

• بینش حیاتی در AI Critical AI Insight

• داستان‌های وحشتناک واقعی مدیریت حافظه Real-World Memory Horror Stories

• چالش‌های حافظه در شرکت‌های تکنولوژی سیاتل Seattle Tech Company Memory Challenges

• عیب‌یابی توقف تولید: نشت حافظه در زمان واقعی Production Freeze Triage: Memory Leak in Real-Time

• امروز چه خواهیم آموخت What You'll Learn Today

• ذهنیت مدیریت حافظه The Memory Management Mindset

• چرا این موضوع نجات‌بخش مسیر شغلی شماست Why This Will Save Your Career

• کلاس SmartPointers The SmartPointers Class

• کلاس MemoryPool The MemoryPool Class

• متد demonstrateRawPointerProblems The demonstrateRawPointerProblems Method

• کلاس AIDataManager The AIDataManager Class

• کلاس NeuralNetworkLayer The NeuralNetworkLayer Class

• بخش ۱: مدیریت مالکیت انحصاری Part 1: Manage Exclusive Ownership

مهندس AI: نقشه راه ۲۰۲۶ ---------- AI Engineer: The Roadmap 2026 ----------

• مقدمه (جدید) Introduction (NEW)

• مقدمه Introduction

• خوش‌آمدید به مسیر تبدیل شدن به مهندس AI Welcome to How to Become an AI Engineer

• این دوره برای چه کسانی است Who This Course Is For

• انقلاب AI: تفکیک واقعیت از ترس The AI Revolution Separating Fact from Fear

• اعداد دروغ نمی‌گویند The Numbers Don't Lie

• دستیارهای کدنویسی AI AI Coding Assistants

• آنچه دستیارهای AI نمی‌توانند جایگزین کنند What AI Assistants Can't Replace

• توسعه مبتنی بر AI AI-Powered Development

• قبل و بعد از ابزارهای AI Before and After AI Tools

• تغییر ذهنیت Mindset Shift

• پرسیدن سوال درست The Right Question

• توسعه‌دهنده در مقابل مهندس Developer vs Engineer

• چه کسی دستمزد بالاتری می‌گیرد Who Gets the Premium Pay

• تفکر مهندسی: مثال‌های واقعی Engineering Thinking: Real Examples

• تفاوت ۱۰۰ خط کد در مقابل ۱۰,۰۰۰ خط The 100 Lines vs 10,000 Lines

• سه فاز برای محیط تولید (Production) 3 Phases for Production

• فاز ۱: ساخت بنیادهای شما Phase 1: Building Your Foundation

• چرا ابتدا بنیادها Why Foundations First

• فاز ۲: تسلط بر یادگیری ماشین Phase 2: Mastering Machine Learning

• چرا از صفر بسازیم Why Build From Scratch

• فاز ۳: مهندسی عملیاتی AI Phase 3: Production AI Engineering

• قانون ۲۰٪ در مقابل ۸۰٪ The 20% vs 80% Rule

• چرا این دوره‌ها متفاوت هستند Why These Courses are Different

• برنامه عملیاتی شما Your Action Plan

• مسیر یادگیری شما Your Learning Path