آموزش دوره جامع هوش مصنوعی، یادگیری ماشین و هوش مصنوعی مولد (Generative AI) - آخرین آپدیت

دانلود Foundation Course on AI, Machine Learning and Generative AI

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر AI، ML و مدل‌های زبانی بزرگ (LLM) برای ساخت اپلیکیشن‌های هوشمند و شتاب‌دهی به مسیر شغلی شما، از مفاهیم پایه تا طراحی ایجنت‌های پیشرفته. درک مفاهیم کلیدی هوش مصنوعی و یادگیری ماشین، شامل یادگیری نظارت‌شده (Supervised) و نظارت‌نشده (Unsupervised). ساخت و ارزیابی مدل‌های یادگیری ماشین با استفاده از پایتون و کتابخانه‌های قدرتمندی مانند scikit-learn، TensorFlow و PyTorch. به‌کارگیری مفاهیم AI در حل مسائل دنیای واقعی از طریق پروژه‌های عملی هدایت‌شده و چالش‌های هکاتون. تسلط بر ابزارها و تکنیک‌های بنیادین برای ورود با اعتمادبه‌نفس به بازار کار AI/ML، حتی برای کسانی که پیش‌زمینه IT دارند. پیش نیازها: داشتن دانش پایه از مفاهیم برنامه‌نویسی مفید است اما اجباری نیست. کنجکاوی، تعهد و اشتیاق به یادگیری تنها چیزی است که نیاز دارید؛ سایر موارد از صفر آموزش داده می‌شوند.

آنچه در این دوره خواهید آموخت (دستاوردهای کلیدی):

  • درک عمیق اصول بنیادین AI/ML و نقش مدل‌های زبانی بزرگ (LLMs) در اکوسیستم هوش مصنوعی.

  • بررسی انواع یادگیری ماشین شامل یادگیری نظارت‌شده، نظارت‌نشده و یادگیری تقویتی با مثال‌های کاربردی.

  • تسلط بر مفاهیم محوری یادگیری ماشین مانند چرخه حیات مدل، بیش‌برازش (Overfitting)، توابع زیان (Loss Functions) و معیارهای ارزیابی.

  • کسب مهارت در مبانی پردازش زبان طبیعی (NLP) و تکنیک‌های نمایش متن.

  • تسلط بر تکنیک‌های پیشرفته مهندسی پرامپت (Prompt Engineering) شامل Zero-shot، Few-shot، Role، Persona و زنجیره تفکر (Chain-of-Thought).

  • آموزش ادغام LLMها در اپلیکیشن‌ها با استفاده از فریم‌ورک‌های ارکستراسیون مانند LangChain.

  • درک و استفاده از پایگاه‌ داده‌های برداری (Vector Databases) برای بهبود بازیابی اطلاعات در برنامه‌های مبتنی بر LLM.

  • پیاده‌سازی معماری‌های RAG (تولید تقویت‌شده با بازیابی) برای افزایش دقت و کاهش توهمات در برنامه‌های سازمانی.

  • بررسی نحوه تعامل LLMها با سیستم‌های خارجی از طریق فراخوانی ابزارها و توابع (Tool and Function Calling).

  • ساخت ایجنت‌های LangChain که با بهره‌گیری از ابزارهای خارجی، گردش کارهای عملیاتی را خودکار می‌کنند.

  • بررسی الگوهای پیشرفته طراحی ایجنت و پیاده‌سازی مکانیزم‌های حافظه قدرتمند برای ایجنت‌های هوشمند.

  • درک استراتژی‌های استقرار اپلیکیشن‌های LLM بر روی پلتفرم‌های ابری، شامل کانتینرسازی و گزینه‌های Serverless.

  • آموزش معیارهای کلیدی و بهترین روش‌ها برای نظارت بر عملکرد و هزینه LLMها.

  • کسب دانش در زمینه هوش مصنوعی اخلاق‌مدار، توسعه مسئولانه LLM و بهترین متدهای امنیتی.

  • کاوش در هوش مصنوعی مولد پیشرفته برای تولید کد، تحلیل داده‌ها، بصری‌سازی و خلق محتوای خلاقانه.

  • درک معماری‌های پیشرفته RAG مانند Multi-hop و RAGهای خود-اصلاح‌گر.

  • طراحی سیستم‌های پیچیده و خودمختار چند-ایجنته (Multi-agent) و پیاده‌سازی استراتژی‌های Human-in-the-loop.

  • توسعه مهارت‌های عملی از طریق ساخت اپلیکیشن‌های واقعی و مدیریت پروفایل‌های GitHub و LinkedIn.

  • کسب تجربه عملی با ابزارهایی نظیر Gemini، OpenRouter، DeepSeek، Kimmy، Minimax، Genpark و Qwen.

  • آموزش تولید سریع اپلیکیشن‌ها با ابزارهای AI و درک نقش در حال تغییر توسعه‌دهندگان در عصر جدید.

این دوره برای چه کسانی است؟

  • توسعه‌دهندگان و متخصصان فنی که قصد ساخت اپلیکیشن‌های هوشمند با استفاده از AI/ML و LLMها را دارند.

  • علاقه‌مندانی که می‌خواهند مفاهیم پایه و پیشرفته هوش مصنوعی، یادگیری ماشین و یادگیری عمیق را بیاموزند.

  • تولیدکنندگان محتوا و فریلنسرهایی که می‌خواهند از ابزارهای AI برای بهینه‌سازی کار خود استفاده کنند.

  • کارآفرینانی که ایده‌ی تجاری دارند و می‌خواهند بدون داشتن پیش‌زمینه فنی گسترده، اپلیکیشن بسازند (Vibe Coding).

  • افرادی که به دنبال ارتقای جایگاه شغلی خود در بازار به سرعت در حال رشد AI و ML هستند.

  • توصیه می‌شود شرکت‌کنندگان آشنایی ابتدایی با برنامه‌نویسی پایتون و محیط خط فرمان (CLI) داشته باشند.


سرفصل ها و درس ها

مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین Introduction to AI and ML

  • مقدمه Introduction

  • تاریخچه هوش مصنوعی، تکامل و روندهای فعلی Artificial Intelligence History, Evolution and Current trend

مبانی داده‌ها، یادگیری ماشین و هوش مصنوعی Fundamentals of Data, Machine Learning and Artificial Intelligence

  • مبانی پایتون Python Basics

  • نمای کلی AI و ML: تاریخچه، پیشرفت‌ها و کاربردهای عملی Overview of AI and ML - History, Advancements, Practical applications

پیش‌پردازش داده‌ها با پایتون برای AIML Data pre-processing with Python for AIML

  • تحلیل اکتشافی داده‌ها (EDA) با کتابخانه‌های Numpy, Pandas و Seaborn Exploratory Data Analysis with Python Libraries Numpy, Pandas and Seaborn

  • مبانی پایتون برای هوش مصنوعی و یادگیری ماشین Fundamentals of Python for AI andML

پایه‌های داده، ریاضیات و الگوریتم‌های یادگیری ماشین Foundations of Data, Math and Machine Learning Algorithms

  • بررسی عمیق یادگیری ماشین Machine Learning Deep Dive

  • تحلیل EDA، احتمالات، تفاوت ML و DL، ابزار Cursor و پروتکل MCP EDA, Probability, ML vs DL, Cursor, Model Context Protocol

مفاهیم بنیادی یادگیری ماشین Foundational concepts of Machine Learning

  • بررسی تخصصی یادگیری ماشین: انواع، کاربردها و ابزارهای مرتبط Machine Learning - Deep Dive - Types, Applications and related tools

  • مدل‌های یادگیری ماشین: ساخت و ارزیابی Machine Learning Models - Building and Evaluation

بررسی عمیق یادگیری ماشین Machine Learning - Deep Dive

  • بیش‌برازش، کم‌برازش، ارزیابی مدل و منظم‌سازی (Regularization) Overfitting, Underfitting, Model Evaluation & Regularization

  • کاهش ابعاد (PCA) و معیارهای ارزیابی مدل Dimensionality Reduction (PCA), Model Evaluation Metrics

مرور یادگیری ماشین و مبانی یادگیری عمیق Machine Learning Recap, Deep Learning Fundamentals

  • مرور یادگیری ماشین، مبانی یادگیری عمیق و مثال پردازش تصویر Machine Learning Recap - Deep Learning Fundamentals - Image Processing example

  • مقایسه ML و DL، مفاهیم یادگیری عمیق و شبکه‌های عصبی ML vs DL, Deep Learning Concepts - Neural Networks

بررسی عمیق شبکه‌های عصبی عمیق CNN, RNN, LSTM Deep Neural Networks Deep Dive - CNN, RNN, LSTM

  • بررسی عمیق شبکه‌های عصبی: CNN, RNN و LSTM Neural Networks - Deep Dive - CNN, RNN and LSTM

  • شبکه‌های عصبی: بررسی تخصصی CNN Neural Networks - CNN In depth

شبکه‌های عصبی و بررسی عمیق CNN, RNN و هوش مصنوعی مولد (NLP, Transformers) Neural Networks - CNN, RNN Deep dive - Generative AI (NLP, Transformers)

  • شبکه‌های عصبی پیچشی (CNN) Convolutional Neural Networks (CNN)

  • هوش مصنوعی مولد: NLP و ترنسفورمرها Generative AI - NLP, Transformers

هوش مصنوعی مولد، NLP، ایجنت‌های AI و کاربردهای عملی Generative AI - NLP, AI Agents, Practical Applications

  • هوش مصنوعی مولد: NLP، ایجنت‌های AI و مثال کاربردی پیش‌بینی بازار سهام Generative AI - NLP, AI Agents and Stock Market Prediction application example

  • هوش مصنوعی مولد: مدل‌های زبانی بزرگ، ایجنت‌های AI و پیاده‌سازی چت‌بات RAG Generative AI - Large Language Models, AI Agents, RAG chatbot implementation

بررسی عمیق LLMها، پیاده‌سازی ایجنت‌های AI و پروتکل مدل کانتکست (MCP) LLMs Deep Dive, AI Agents implementation, Model Context Protocol (MCP)

  • بررسی عمیق LLM، پیاده‌سازی فریم‌ورک CrewAI و درک MCP LLM deep dive, CrewAI Agentic Framework implementation, MCP Understanding

  • پیاده‌سازی ایجنت‌های AI، ابزار Cursor و فریم‌ورک CrewAI AI Agents implementation, Cursor and CrewAI Framework

  • بررسی رزومه، شبکه سازی در لینکدین، آمادگی مصاحبه، جستجوی شغل و آینده AI Resume Review, LinkedIn network, Interview Preparation, Job Search - Evolving AI

نمایش نظرات

آموزش دوره جامع هوش مصنوعی، یادگیری ماشین و هوش مصنوعی مولد (Generative AI)
جزییات دوره
41.5 hours
23
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
199
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Phani Avagaddi Phani Avagaddi

۲۰ سال تجربه در صنعت IT و توسعه نرم‌افزار