آموزش بوت‌کمپ جامع تسلط بر هوش مصنوعی ۲۰۲۶ - آخرین آپدیت

سرفصل ها و درس ها

ماژول ۱: مقدمه‌ای بر هوش مصنوعی Module 1: Introduction to Artificial Intelligence

• درس ۱: هوش مصنوعی چیست؟ Lesson 1: What Is Artificial Intelligence?

• درس ۲: تاریخچه کوتاه هوش مصنوعی Lesson 2: A Brief History of AI

• درس ۳: انواع هوش مصنوعی Lesson 3: Types of AI

• درس ۴: چرا هوش مصنوعی امروز اهمیت دارد؟ Lesson 4: Why AI Matters Today

• درس ۵: هوش مصنوعی در زندگی روزمره و کسب‌وکار Lesson 5: AI in Everyday Life and Business

ماژول ۲: مفاهیم و فناوری‌های کلیدی هوش مصنوعی Module 2: Core AI Concepts and Technologies

• درس ۱: مبانی یادگیری ماشین Lesson 1: Machine Learning Fundamentals

• درس ۲: یادگیری عمیق و شبکه‌های عصبی Lesson 2: Deep Learning and Neural Networks

• درس ۳: پردازش زبان طبیعی (NLP) Lesson 3: Natural Language Processing

• درس ۴: بینایی ماشین Lesson 4: Computer Vision

• درس ۵: هوش مصنوعی مولد (Generative AI) Lesson 5: Generative AI

ماژول ۳: داده‌ها، الگوریتم‌ها و مدل‌های هوش مصنوعی Module 3: Data, Algorithms, and AI Models

• درس ۱: نقش داده‌ها در هوش مصنوعی Lesson 1: The Role of Data in AI

• درس ۲: مدل‌های هوش مصنوعی چگونه آموزش می‌بینند؟ Lesson 2: How AI Models Are Trained

• درس ۳: الگوریتم‌ها و عملکرد مدل Lesson 3: Algorithms and Model Performance

• درس ۴: حریم خصوصی و حاکمیت داده‌ها Lesson 4: Data Privacy and Data Governance

• درس ۵: ارزیابی مدل‌های هوش مصنوعی و اندازه‌گیری Lesson 5: Evaluating AI Models and Measuring

ماژول ۴: کاربردهای هوش مصنوعی در صنایع مختلف Module 4: AI Applications Across Industries

• درس ۱: هوش مصنوعی در عملیات کسب‌وکار Lesson 1: AI in Business Operations

• درس ۲: هوش مصنوعی در بازاریابی و فروش Lesson 2: AI in Marketing and Sales

• درس ۳: هوش مصنوعی در سلامت و علوم زیستی Lesson 3: AI in Healthcare and Life Sciences

• درس ۴: هوش مصنوعی در امور مالی و مدیریت ریسک Lesson 4: AI in Finance and Risk Management

• درس ۵: هوش مصنوعی در آموزش و یادگیری Lesson 5: AI in Education and Training

ماژول ۵: هوش مصنوعی مسئولانه، اخلاق، ریسک و حاکمیت Module 5: Responsible AI, Ethics, Risk, and Governance

• درس ۱: مقدمه‌ای بر هوش مصنوعی مسئولانه Lesson 1: Introduction to Responsible AI

• درس ۲: سوگیری، انصاف و فراگیر بودن Lesson 2: Bias, Fairness, and Inclusion

• درس ۳: شفافیت و قابلیت توضیح‌پذیری Lesson 3: Transparency and Explainability

• درس ۴: امنیت، حریم خصوصی و سوءاستفاده از AI Lesson 4: AI Security, Privacy, and Misuse

• درس ۵: حاکمیت هوش مصنوعی در سازمان‌ها Lesson 5: AI Governance in Organizations

ماژول ۶: استراتژی، ابزارها و پیاده‌سازی هوش مصنوعی Module 6: AI Strategy, Tools, and Implementation

• درس ۱: ارزیابی ابزارها و پلتفرم‌های هوش مصنوعی Lesson 1: Evaluating AI Tools and Platforms

• درس ۲: ساخت یک مورد کاربردی (Use Case) برای AI Lesson 2: Building an AI Use Case

• درس ۳: نقشه راه پیاده‌سازی هوش مصنوعی Lesson 3: AI Implementation Roadmap

• درس ۴: اندازه‌گیری موفقیت هوش مصنوعی Lesson 4: Measuring AI Success

• درس ۵: آینده هوش مصنوعی و توسعه حرفه‌ای Lesson 5: Future of AI and Professional Development

ماژول ۷: مقدمه‌ای بر مهندسی پرامپت MODULE 7: Introduction to Prompt Engineering

• درس ۱: مهندسی پرامپت چیست؟ Lesson 1: What is Prompt Engineering

• درس ۲: مدل‌های هوش مصنوعی چگونه پرامپت‌ها را می‌فهمند؟ Lesson 2: How AI Models Understand Prompts

• درس ۳: انواع مدل‌های هوش مصنوعی Lesson 3: Types of AI Models

• درس ۴: موارد کاربردی مهندسی پرامپت Lesson 4: Prompt Engineering Use Cases

ماژول ۸: مبانی پرامپت‌نویسی موثر MODULE 8: Foundations of Effective Prompting

• درس ۱: ساختار یک پرامپت با کیفیت بالا Lesson 1: Structure of a High-Quality Prompt

• درس ۲: پرامپت‌نویسی مبتنی بر نقش (Role-Based) Lesson 2: Role-Based Prompting

• درس ۳: زمینه، دستورالعمل‌ها و محدودیت‌ها Lesson 3: Context, Instructions & Constraints

• درس ۴: تکنیک‌های قالب‌بندی خروجی Lesson 4: Output Formatting Techniques

ماژول ۹: تکنیک‌ها و چارچوب‌های پرامپت‌نویسی MODULE 9: Prompting Techniques & Frameworks

• درس ۱: پرامپت‌نویسی Zero-Shot در مقابل Few-Shot Lesson 1: Zero-Shot vs Few-Shot Prompting

• درس ۲: پرامپت‌نویسی زنجیره افکار (Chain of Thought) Lesson 2: Chain-of-Thought Prompting

• درس ۳: طراحی گام‌به‌گام پرامپت Lesson 3: Step-by-Step Prompt Design

• درس ۴: قالب‌های پرامپت و قابلیت استفاده مجدد Lesson 4: Prompt Templates & Reusability

ماژول ۱۰: مبانی برنامه‌نویسی و مهندسی نرم‌افزار MODULE 10: Programming & Software Engineering Foundations

• درس ۱: پایتون برای هوش مصنوعی و توسعه بک‌اند Lesson 1: Python-for-AI-and-Backend-Development

• درس ۲: جاوا اسکریپت و استاندارد مدرن ES6 Lesson 2: JavaScript-and-Modern-ES6

• درس ۳: ساختار داده‌ها و الگوریتم‌ها: موتور پنهان مهندسی AI Lesson 3: Data-Structures-and-Algorithms-The-Unseen-Engine-of-AI-Engineering

• درس ۴: گیت (Git) و همکاری تیمی -Lesson 4: Git-and-Collaboration

• درس ۵: مبانی API: زبان مشترک وب Lesson 5: API-Fundamentals-The-Language-of-the-Web

ماژول ۱۱: مبانی توسعه وب MODULE 11: Web Development Fundamentals

• درس ۱: HTML، CSS و طراحی ریسپانسیو Lesson 1: HTML-CSS-and-Responsive-Design

• درس ۲: فرانت‌اند با React و Nextjs Lesson 2: Frontend-with-React-Nextjs

• درس ۳: بک‌اند با Nodejs و Express Lesson 3: Backend-with-Nodejs-Express

• درس ۴: پایگاه داده‌ها: SQL در مقابل NoSQL Lesson 4: Databases-SQL-vs-NoSQL

• درس ۵: ایمن‌سازی دنیای دیجیتال شما Lesson-5-Securing-Your-Digital-World

ماژول ۱۲: مدیریت و مهندسی داده‌ها MODULE 12: Data Handling & Engineering

• درس ۱: تبدیل داده‌های نامنظم به داده‌های معنادار Lesson 1: From-Messy-to-Meaningful

• درس ۲: APIها و وب اسکرپینگ: دروازه ورود به داده‌های وب Lesson 2: APIs-and-Web-Scraping-Your-Gateway-to-Web-Data

• درس ۳: مسیر تحول داده‌ها Lesson 3: The-Data-Transformation-Journey

• درس ۴: ذخیره‌سازی داده‌ها: SQL، NoSQL و ظهور پایگاه داده‌های برداری Lesson 4: Data-Storage-SQL-NoSQL-and-the-Rise-of-Vector-Databases

• درس ۵: مقدمه‌ای بر کلان‌داده‌ها (Big Data) Lesson 5: Intro-to-Big-Data

ماژول ۱۳: پیش‌پردازش پیشرفته داده‌ها و مهندسی ویژگی‌ها MODULE 13: Advanced Data Preprocessing & Feature Engineering

• درس ۱: مبانی پیشرفته علوم داده Lesson 1: Advanced Data Science Foundations

• درس ۲: مدیریت داده‌های نامتوازن و نویزدار Lesson 2: Handling-Imbalanced-and-Noisy-Data

• درس ۳: انتخاب ویژگی و کاهش ابعاد Lesson 3: Feature Selection & Dimensionality Reduction

• درس ۴: آزمون‌های آماری و طراحی آزمایش Lesson 4: Statistical-Testing-and-Experiment-Design

• درس ۵: خط لوله‌های داده (Data Pipelines) و اتوماسیون گردش کار Lesson 5: Data-Pipelines-and-Workflow-Automation

ماژول ۱۴: یادگیری ماشین پیشرفته MODULE 14: Advanced Machine Learning

• درس ۱: روش‌های گروهی (Ensemble Methods) Lesson 1: Ensemble-Methods

• درس ۲: تقویت گرادیان (Gradient Boosting) Lesson 2: Gradient-Boosting

• درس ۳: بهینه‌سازی هایپرپارامترها Lesson 3: Hyperparameter-Optimization

• درس ۴: تفسیرپذیری مدل Lesson 4: Model-Interpretability

• درس ۵: استراتژی‌های ارزیابی و اعتبارسنجی مدل Lesson 5: Model-Evaluation-and-Validation-Strategies

ماژول ۱۵: طراحی معماری شبکه‌های عصبی MODULE 15: Neural-Network-Architecture-Design

• درس ۱: طراحی معماری شبکه عصبی چیست؟ Lesson 1: What Neural-Network-Architecture-Design

• درس ۲: پس‌انتشار (Backpropagation) و تکنیک‌های بهینه‌سازی Lesson 2: Backpropagation-and-Optimization-Techniques

• درس ۳: روش‌های منظم‌سازی (Regularization) Lesson 3: Regularization-Methods

• درس ۴: شبکه‌های CNN برای پردازش تصویر Lesson 4: CNNs-for-Image-Processing

• درس ۵: شبکه‌های RNN، LSTM و GRU برای داده‌های متوالی Lesson 5: RNNs-LSTM-and-GRU-for-Sequential