لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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)
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