آموزش مبانی هوش مصنوعی Azure - راهنمای جامع گواهینامه AI-901 [ویدئویی] - آخرین آپدیت

دانلود Azure AI Fundamentals - Complete AI-901 Certification Guide [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این راهنمای جامع گواهینامه، یک تجربه یادگیری عمیق برای تسلط بر مبانی هوش مصنوعی مایکروسافت Azure ارائه می‌دهد. دوره با بررسی تاریخچه و تکامل AI شروع شده و به مفاهیم بنیادی، از جمله ورک‌لودهای کلیدی هوش مصنوعی، اصول هوش مصنوعی مسئولانه و زیرساخت‌های مورد نیاز برای استقرار راهکارهای AI در Azure می‌پردازد. از طریق دروس ویدئویی جذاب و آزمایشگاه‌های عملی (Labs)، شما با موضوعات ضروری مانند یادگیری ماشین، عوامل هوش مصنوعی (AI Agents) و متدهای اخلاقی در AI آشنا خواهید شد. در ادامه دوره، وارد دنیای هوش مصنوعی مولد (Generative AI) می‌شوید و موضوعاتی نظیر مدل‌های زبانی بزرگ (LLMs)، مدل‌های ترنسفورمر و کاربردهای آن‌ها را بررسی می‌کنید. همچنین تجربه عملی در ساخت و مدیریت عوامل هوش مصنوعی، درک پیچیدگی‌های توکن‌گذاری (Tokenization) و جاسازی‌های برداری (Vector Embeddings) را کسب خواهید کرد. این دوره به حوزه‌های پردازش زبان طبیعی (NLP)، راهکارهای گفتار و بینایی گسترش می‌یابد که در آن ابزارهای AI برای تحلیل متن، تبدیل گفتار به متن و تشخیص تصویر را با استفاده از سرویس‌های Azure می‌شناسید. در ماژول‌های نهایی، تمرکز بر آینده هوش مصنوعی با پیشرفت‌هایی مانند سیستم‌های AI چندوجهی (Multimodal)، هوش مخزن (Repository Intelligence) و مشارکت انسان و AI خواهد بود. در پایان این دوره، شما نه تنها برای آزمون گواهینامه AI-901 آماده می‌شوید، بلکه توانایی پیاده‌سازی با اعتمادبه‌نفس راهکارهای هوش مصنوعی را خواهید داشت که شما را به سرمایه‌ای ارزشمند برای هر سازمان مبتنی بر AI تبدیل می‌کند. - درک تاریخچه و تکامل هوش مصنوعی از افسانه‌ها تا کاربردهای مدرن - پیاده‌سازی راهکارهای AI با استفاده از زیرساخت‌های Azure و ابزارهای مدیریت منابع - اعمال اصول هوش مصنوعی مسئولانه برای تضمین عدالت، شفافیت و فراگیری - کار با ابزارهای AI مولد مانند مدل‌های زبانی بزرگ و عوامل هوشمند - بهره‌گیری از قابلیت‌های Azure برای NLP، تبدیل گفتار به متن و تشخیص تصویر - آمادگی برای آزمون گواهینامه AI-901 از طریق تسلط بر مفاهیم کلیدی و مهارت‌های عملی این دوره برای متخصصان مشتاق AI، معماران ابری و متخصصان IT طراحی شده است که هدفشان کسب تخصص در Azure AI و دریافت گواهینامه AI-901 است. این دوره برای افرادی که با فناوری‌های AI کار می‌کنند یا قصد انتقال به این حوزه را دارند ایده‌آل است و پایه‌ای قوی در یادگیری ماشین، NLP و استقرار سیستم‌های AI در Azure فراهم می‌کند. تجربه قبلی در رایانش ابری و مفاهیم پایه AI مفید است اما الزامی نیست. - بررسی عمیق مبانی AI با تمرکز بر سرویس‌های Azure AI و گواهینامه‌های مرتبط * آزمایشگاه‌های عملی و بررسی موردی واقعی برای ساخت و استقرار راهکارهای AI * تمرکز بر اصول AI مسئولانه شامل عدالت، شفافیت و حریم خصوصی در سیستم‌های هوش مصنوعی

سرفصل ها و درس ها

مقدمه Introduction

  • پیش‌نمایش مقدمه Introduction Preview

ماژول ۰: داستان هوش مصنوعی (تاریخچه و ریشه‌ها) Module 0: The Story of AI (History & Origins)

  • درس ۰.۱: از افسانه‌ها تا ریاضیات: پیش‌تاریخ هوش مصنوعی (پیش‌نمایش) Lesson 0.1: From Myths to Mathematics: The Pre-history of AI Preview

  • درس ۰.۲: تست تورینگ: آیا ماشین‌ها می‌توانند فکر کنند؟ (۱۹۵۰) Lesson 0.2: The Turing Test: Can Machines Think? (1950)

  • درس ۰.۳: کارگاه دارتموث: تعریف یک علم جدید (۱۹۵۶) (پیش‌نمایش) Lesson 0.3: The Dartmouth Workshop: Defining a New Science (1956) Preview

  • درس ۰.۴: زمستان‌های هوش مصنوعی: چرا AI اولیه با بن‌بست مواجه شد Lesson 0.4: The AI Winters: Why Early AI Hit a Wall

  • درس ۰.۵: ظهور یادگیری ماشین: برتری داده‌ها بر قوانین Lesson 0.5: The Rise of Machine Learning: Data over Rules

  • درس ۰.۶: عصر ترنسفورمرها: توجه تنها چیزی است که نیاز دارید (پیش‌نمایش) Lesson 0.6: The Transformer Era: Attention is All You Need Preview

ماژول ۱: مفاهیم بنیادی و زیرساخت‌های هوش مصنوعی Module 1: Fundamental AI Concepts & Infrastructure

  • تعریف هوش مصنوعی در سال ۲۰۲۶ Defining AI in 2026

  • ورک‌لودهای رایج هوش مصنوعی (پیش‌نمایش) Common AI Workloads Preview

  • اصول هوش مصنوعی مسئولانه: عدالت و قابلیت اطمینان Principles of Responsible AI: Fairness and Reliability

  • اصول هوش مصنوعی مسئولانه: حریم خصوصی، فراگیری و شفافیت Principles of Responsible AI: Privacy, Inclusivity, and Transparency

  • زیرساخت Azure: اشتراک‌ها و گروه‌های منابع Azure Infrastructure: Subscriptions and Resource Groups

  • Microsoft Foundry: مرکز یکپارچه توسعه AI شما Microsoft Foundry: Your Unified AI Development Hub

  • احراز هویت: درک کلیدها و نقاط اتصال (Endpoints) Authentication: Understanding Keys and Endpoints

  • آزمایشگاه ۱.۱: تخصیص منابع Microsoft Foundry Lab 1.1: Provisioning the Microsoft Foundry Resource

  • آزمایشگاه ۱.۲: نگاهی سریع به Microsoft Foundry Lab 1.2: Quick Peek of Microsoft Foundry

  • آزمایشگاه ۱.۳: سرویس‌های بیشتر در Microsoft Foundry Lab 1.3: More Services - Microsoft Foundry

  • آزمایشگاه ۱.۴: رابط کاربری و تجربه جدید Azure AI Lab 1.4: Azure AI - New UI - New Experience

ماژول ۲: هوش مصنوعی مولد و عوامل هوشمند Module 2: Generative AI & Intelligent Agents

  • درس ۲.۱: هوش مصنوعی مولد چیست؟ از ورودی تا خلق اثر اصلی Lesson 2.1: What is Generative AI? From Input to Original Creation

  • درس ۲.۲: مدل‌های زبانی بزرگ (LLMs) در مقابل مدل‌های زبانی کوچک (SLMs) Lesson 2.2: Large Language Models (LLMs) vs. Small Language Models (SLMs)

  • درس ۲.۳: درک توکن‌ها: هوش مصنوعی چگونه می‌خواند Lesson 2.3: Understanding Tokens: How AI Reads

  • درس ۲.۴: جاسازی‌های برداری: بخشیدن معنا به داده‌ها Lesson 2.4: Vector Embeddings: Giving Meaning to Data

  • درس ۲.۵: ترنسفورمر: توجه تنها چیزی است که نیاز دارید Lesson 2.5: The Transformer: Attention is All You Need

  • درس ۲.۶: تعریف عوامل AI: حافظه، ابزارها و استدلال Lesson 2.6: Defining AI Agents: Memory, Tools, and Reasoning

  • درس ۲.۷: درگاه هوش مصنوعی Azure (AI Gateway) Lesson 2.7: The Azure AI Gateway

  • آزمایشگاه ۲.۱: درگاه API و محدودسازی توکن‌ها Lab 2.1: API Gateway and The Token Limiting

  • آزمایشگاه ۲.۲: ساخت اولین عامل (Agent) خود Lab 2.2: Build Your First Agent

  • آزمایشگاه ۲.۳: مانیتورینگ و ردیابی عوامل Lab 2.3: Monitoring and Tracing the Agents

  • آزمایشگاه ۲.۴: گردش کار جامع از عامل به عامل Lab 2.4: End to End - Agent to Agent Workflow

ماژول ۳: پردازش زبان طبیعی (NLP) Module 3: Natural Language Processing (NLP)

  • درس ۳.۱: استخراج عبارت‌های کلیدی: یافتن «چیستی» Lesson 3.1: Key-phrase Extraction: Finding the What

  • درس ۳.۲: تشخیص موجودات نام‌دار (NER): شناسایی «کی» و «کجا» Lesson 3.2: Named Entity Recognition (NER): Identifying the "Who" and "Where"

  • درس ۳.۳: تحلیل احساسات: تشخیص لحن و عاطفه Lesson 3.3: Sentiment Analysis: Detecting Tone and Emotion

  • درس ۳.۴: پیش‌پردازش متن: توکن‌گذاری و حذف کلمات توقف Lesson 3.4: Text Pre-processing: Tokenization and Stop-word Removal

  • آزمایشگاه ۳.۱: پردازش زبان طبیعی Lab 3.1: Natural Language Processing

ماژول ۴: راهکارهای گفتار و بینایی Module 4: Speech & Vision Solutions

  • درس ۴.۱: تبدیل گفتار به متن: هنر نسخه‌برداری Lesson 4.1: Speech-to-Text: The Art of Transcription

  • درس ۴.۲: تبدیل متن به گفتار: صداهای عصبی و عروض Lesson 4.2: Text-to-Speech: Neural Voices and Prosody

  • آزمایشگاه ۴.۱: تبدیل گفتار به متن و متن به گفتار Lab 4.1: Speech to Text & Text to Speech

  • آزمایشگاه ۴.۲: بینایی و Face API Lab 4.2: Vision - Face API

  • درس ۴.۳: بینایی ماشین: طبقه‌بندی تصاویر در مقابل تشخیص اشیا Lesson 4.3: Computer Vision: Image Classification vs. Object Detection

  • آزمایشگاه ۴.۳: کار با Face API Lab 4.3: Face API

  • درس ۴.۴: ترنسفورمرهای بینایی (ViT) و درک چندوجهی Lesson 4.4: Vision Transformers (ViT) and Multimodal Understanding

  • درس ۴.۵: مدل‌های دیفیوژن: هوش مصنوعی چگونه تصویر و ویدئو می‌سازد Lesson 4.5: Diffusion Models: How AI Generates Images and Video

ماژول ۵: استخراج محتوا و اطلاعات Module 5: Content & Information Extraction

  • درس ۵.۱: استخراج اطلاعات: فراتر از OCR ساده Lesson 5.1: Information Extraction: Moving Beyond Simple OCR

  • درس ۵.۲: استخراج فیلدها: نگاشت اسناد به طرح‌واره‌های داده Lesson 5.2: Field Extraction: Mapping Documents to Data Schemas

  • آزمایشگاه ۵.۱: ایمنی محتوا Lab 5.1: Content-Safety

  • درس ۵.۳: تحلیل‌گرهای پیش‌ساخته در مقابل سفارشی برای فاکتورها و رسیدها Lesson 5.3: Pre-built vs. Custom Analyzers for Invoices and Receipts

  • آزمایشگاه ۵.۲: API ترجمه زبان Lab 5.2: Language Translation-API

ماژول ۶: آینده هوش مصنوعی (۲۰۲۶ و بعد از آن) Module 6: The Future of AI (2026 and Beyond)

  • درس ۶.۱: هوش مصنوعی عاملی (Agentic AI): از «چت‌بات‌ها» تا «همکاران دیجیتال» Lesson 6.1: Agentic AI: From "Chatbots" to "Digital Coworkers"

  • درس ۶.۲: استاندارد شدن چندوجهی: AI که همزمان می‌بیند، می‌شنود و صحبت می‌کند Lesson 6.2: Multimodal as the Standard: AI that Sees, Hears & Speaks Simultaneously

  • درس ۶.۳: هوش مخزن: AI که تاریخچه و زمینه را درک می‌کند Lesson 6.3: Repository Intelligence: AI that Understands History and Context

  • درس ۶.۴: ایمنی جهانی AI: قانون AI اتحادیه اروپا و حاکمیت مدرن Lesson 6.4: Global AI Safety: The EU AI Act and Modern Governance

  • درس ۶.۵: مشارکت انسان و AI: آیا AI جایگزین ما می‌شود یا توانمندی‌های ما را تقویت می‌کند Lesson 6.5: The Human-AI Partnership: Will AI Replace Us or Amplify Us

نمایش نظرات

آموزش مبانی هوش مصنوعی Azure - راهنمای جامع گواهینامه AI-901 [ویدئویی]
جزییات دوره
4h 4m
52
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Anand Rao Nednur Anand Rao Nednur

Anand Rao Nednur یک مربی فنی ارشد و مشاور ابر است. او حدود 15 سال با شرکت های بزرگ کار کرده است و طیف گسترده ای از فناوری ها را در کارنامه خود دارد. Anand نه تنها در پلتفرم‌های ابری (Azure، AWS و GCP) مهارت دارد، بلکه با IAM، امنیت و اتوماسیون با PowerShell و Python نیز به خوبی آشناست. علاوه بر این، مطالب دوره های مختلف را تدوین و به روز می کند. او به مهندسان بسیاری در معاینات آزمایشگاهی و اخذ گواهینامه کمک کرده است. آناند همچنین یک متخصص باتجربه گواهی است که دارای چندین گواهینامه است و آموزش های تحت رهبری مربی را در چندین ایالت در هند و همچنین چندین کشور مانند ایالات متحده آمریکا، بحرین، کنیا و امارات ارائه کرده است. او به عنوان یک مربی دارای گواهی مایکروسافت در سطح جهانی برای مشتریان شرکت های بزرگ کار کرده است.