آموزش مهندسی پرامپت و هوش مصنوعی مولد برای مهندسان AI - آخرین آپدیت

سرفصل ها و درس ها

ماژول ۱: مقدمه‌ای بر مهندسی پرامپت و طرز فکر AI Module 1: Introduction to Prompt Engineering & AI Mindset

• ۱. درک مفهوم پرامپت 1. Understanding What a Prompt Is

• ۲. مقدمه‌ای بر مهندسی پرامپت 2. Introduction to Prompt Engineering

• ۳. دو رویکرد کاربردی در استفاده از مهندسی پرامپت 3. Two Practical Approaches to Using Prompt Engineering

• ۴. چرا مهندسی پرامپت به تنهایی کافی نیست 4. Why Prompt Engineering Alone Is Not Enough

ماژول ۲: مبانی پایتون برای مهندسان AI Module 2: Python Fundamentals for AI Engineers

• ۱. نصب پایتون و آماده‌سازی محیط 1. Python Installation & Environment Setup

• ۲. متغیرها و انواع داده در پایتون 2. Variables and Data Types in Python

• ۳. عملگرهای پایتون: حسابی، منطقی و مقایسه‌ای 3. Python Operators: Arithmetic, Logical, and Comparison

• ۴. دستورات شرطی با استفاده از if و else 4. Conditional Statements Using if and else

• ۵. حلقه‌ها در پایتون: for و while 5. Loops in Python: for and while

• ۶. استفاده از دستورات break و continue 6. Using break and continue Statements

• ۷. مقدمه‌ای بر لیست‌ها در پایتون 7. Introduction to Lists in Python

• ۸. درک Tupleها در پایتون 8. Understanding Tuples in Python

• ۹. کار با Setها در پایتون 9. Working with Sets in Python

• ۱۰. استفاده از Dictionaryها در پایتون 10. Using Dictionaries in Python

ماژول ۳: توابع و ماژول‌های پایتون Module 3: Python Functions and Modules

• ۱. تعریف و استفاده از توابع در پایتون 1. Defining and Using Functions in Python

• ۲. آرگومان‌های تابع و توابع Lambda 2. Function Arguments and Lambda Functions

• ۳. درک ماژول‌ها و پکیج‌های پایتون 3. Understanding Python Modules and Packages

• ۴. وارد کردن و استفاده از کتابخانه‌های پایتون 4. Importing and Using Python Libraries

ماژول ۴: مفاهیم برنامه‌نویسی شی‌گرا (OOP) Module 4: Object-Oriented Programming (OOP) Concepts

• ۱. مقدمه‌ای بر کلاس‌ها و اشیاء 1. Introduction to Classes and Objects

• ۲. ویژگی‌ها (Attributes) و متدها در OOP 2. Attributes and Methods in OOP

• ۳. توضیح ارث‌بری و چندریختی 3. Inheritance and Polymorphism Explained

• ۴. کپسوله‌سازی و انتزاع 4. Encapsulation & Abstraction

ماژول ۵: مدیریت فایل‌ها و APIها Module 5: File Handling & APIs

• ۱. خواندن و نوشتن فایل‌های متنی (txt) 1. Reading,Writing Files (txt)

• ۲. خواندن و نوشتن فایل‌های csv 2. Reading,Writing Files (csv)

• ۳. خواندن و نوشتن در فایل json 3. Reading, Writing in a file(json)

• ۴. برقراری تماس با API (درخواست GET) 4. Making API Calls (GET Request)

• ۵. برقراری تماس با API (درخواست POST) 5. Making API Calls (POST Request)

ماژول ۶: ادغام پرامپت‌ها Module 6: Prompt Integration

• ۱. استفاده از پرامپت‌ها برای تولید کد پایتون 1. Using Prompts to Generate Python Code

• ۲. استفاده از پرامپت‌ها برای دیباگ کردن 2. Using Prompts for Debugging

• ۳. استفاده از پرامپت‌ها برای نوشتن مستندات 3. Using Prompts to Write Documentation

ماژول ۶.۱: مینی پروژه (پاک‌سازی داده‌های پایتون و اسکریپت اتوماسیون پرامپت) Module 6.1: Mini Project (Python Data Cleaning & Prompt Automation Script)

• ۱. درک پاک‌سازی داده‌ها و بررسی کلی پروژه 1. Understanding Data Cleaning & Project Overview

• ۲. اسکریپت پایتون برای پاک‌سازی داده‌ها و اتوماسیون به کمک پرامپت 2. Python Script for Data Cleaning & Prompt-Assisted Automation

ماژول ۷: مدیریت داده‌ها و بصری‌سازی Module 7: Data Handling & Visualization

• ۱. آرایه‌های NumPy و عملیات‌ها 1. NumPy Arrays & Operations

• ۲. Broadcasting و Vectorization 2. Broadcasting & Vectorization

• ۳. Pandas: دیتافریم‌ها و ایندکس‌گذاری 3. Pandas: DataFrames & Indexing

• ۴. Pandas: فیلتر کردن، تجمیع و گروه‌بندی 4. Pandas: Filtering, Aggregation & Grouping

• ۵. مدیریت داده‌های گم‌شده 5. Handling Missing Data

• ۶. مبانی Matplotlib 6. Matplotlib Basics

• ۷. نمودارهای خطی و میله‌ای (Matplotlib) 7. Line charts and bar charts (Matplotlib)

• ۸. هیستوگرام‌ها و نمودارهای پراکندگی (Matplotlib) 8. Histograms & Scatter Plots (Matplotlib)

• ۹. Seaborn برای بصری‌سازی پیشرفته 9. Seaborn for Advanced Visualizations

• ۱۰. پاک‌سازی و بصری‌سازی داده‌ها به کمک پرامپت 10. Prompt-Assisted Data Cleaning & Visualization

ماژول ۷.۱: مینی پروژه: کاوش و بصری‌سازی یک مجموعه داده با استفاده از پرامپت‌ها Module 7.1: Mini Project - Explore & Visualize a Dataset Using Prompts

• ۱. کاوش در یک مجموعه داده با استفاده از پرامپت‌ها 1. Explore a Dataset Using Prompts

• ۲. بصری‌سازی یک مجموعه داده با استفاده از پرامپت‌ها 2. Visualize a Dataset Using Prompts

ماژول ۸: مبانی یادگیری ماشین (ML) Module 8: Machine Learning Fundamentals

• ۱. نمای کلی ML: نظارت شده در مقابل نظارت نشده 1. ML Overview: Supervised vs Unsupervised

• ۲. تقسیم آموزش/تست و اعتبارسنجی متقاطع (Cross Validation) 2. Train-Test Split & Cross-Validation

• ۳. معیارهای ارزیابی (Accuracy, F1) 3. Evaluation Metrics (Accuracy, F1)

• ۴. معیارهای ارزیابی (RMSE) 4. Evaluation Metrics (RMSE)

• ۵. Underfitting چیست؟ 5. What is Underfitting ?

• ۶. Overfitting چیست؟ 6. What is Overfitting ?

• ۷. موازنه بایاس و واریانس (Bias Variance Tradeoff) 7. Bias-Variance Tradeoff

• ۸. مبانی مهندسی ویژگی‌ها (Feature Engineering) 8. Feature Engineering Basics

• ۹. دموی عملی: مهندسی ویژگی‌ها 9. Practical Demo: Feature Engineering

• ۱۰. کاربرد پرامپت: تولید خودکار ویژگی‌ها، پاک‌سازی داده‌ها، خلاصه‌های EDA 10. Prompt Use: Auto-generate Features, Clean Datasets, EDA Summaries

ماژول ۸.۱: مینی پروژه: ساخت پیش‌بین قیمت خانه / تسک طبقه‌بندی Module 8.1: Mini Project: Build a House Price Predictor / Classification Task

• ساخت پیش‌بین قیمت خانه Build a House Price Predictor

ماژول ۹: الگوریتم‌های اصلی ML Module 9: Core ML Algorithms

• ۱. رگرسیون خطی 1. Linear Regression

• ۲. رگرسیون لجستیک 2. Logistic Regression

• ۳. درخت‌های تصمیم 3. Decision Trees

• ۴. جنگل‌های تصادفی (Random Forests) 4. Random Forests

• ۵. ماشین‌های بردار پشتیبان (SVM) 5. Support Vector Machines (SVM)

• ۶. خوشه‌بندی K-Means (تئوری) 6. K-Means Clustering (theory)

• ۷. خوشه‌بندی K-Means (عملی) 7. K-Means Clustering (practical)

• ۸. تحلیل مولفه‌های اصلی (PCA) (تئوری) 8. Principal Component Analysis (PCA) (Theory)

• ۹. تحلیل مولفه‌های اصلی (PCA) (عملی) 9. Principal Component Analysis (PCA) (Practical)

• ۱۰. پیاده‌سازی پایپ‌لاین‌های ML 10. ML Pipelines Implementation

• ۱۱. ارزیابی مدل به کمک پرامپت 11. Prompt-Assisted Model Evaluation

ماژول ۱۰: مبانی یادگیری عمیق (Deep Learning) Module 10: Deep Learning Fundamentals

• ۱. شبکه‌های عصبی: مفهوم و معماری 1. Neural Networks: Concept & Architecture

• ۲. نورون‌ها و لایه‌ها 2. Neurons & Layers

• ۳. توابع فعال‌ساز 3. Activation Functions

• ۴. انتشار پیشرو (Forward Propagation) 4. Forward Propagation

• ۵. انتشار پس‌رو (Backward Propagation) 5. Backward Propagation

• ۶. توابع هزینه (Loss Functions) 6. Loss Functions

• ۷. بهینه‌سازها (SGD, Adam) 7. Optimizers (SGD, Adam)

• ۸. کاربرد پرامپت: توضیح مفاهیم ریاضی و دیباگ خطاها 8. Prompt Use: Explain Math Concepts & Debug Errors

ماژول ۱۱: یادگیری عمیق با فریم‌ورک‌ها Module 11: Deep Learning with Frameworks

• ۱. مبانی PyTorch 1. PyTorch Basics

• ۲. مبانی TensorFlow 2. TensorFlow Basics

• ۳. ساخت اولین شبکه عصبی (طبقه‌بندی) 3. Build First Neural Network (Classification)

• ۴. ساخت شبکه عصبی (رگرسیون) 4. Build Neural Network (Regression)

• ۵. مبانی CNN 5. CNN Basics

• ۶. پیاده‌سازی طبقه‌بندی‌کننده ارقام MNIST 6. MNIST Digit Classifier Implementation

• ۷. طبقه‌بندی‌کننده Fashion MNIST (بخش ۱) 7. Fashion-MNIST Classifier(part 1)

• ۸. طبقه‌بندی‌کننده Fashion MNIST (بخش ۲) 8. Fashion-MNIST Classifier(part 2)

• ۹. ادغام پرامپت: دیباگ و بصری‌سازی لایه‌ها 9. Prompt Integration: Debug & Visualize Layers

ماژول ۱۲: بینایی ماشین Module 12: Computer Vision

• ۱. عملیات کانولوشن (Convolution) 1. Convolution Operation

• ۲. Pooling و نقشه‌های ویژگی 2. Pooling & Feature Maps

• ۳. مفاهیم یادگیری انتقالی (Transfer Learning) 3. Transfer Learning Concepts

• ۴. معماری VGG 4. VGG Architecture

• ۵. معماری ResNet 5. ResNet Architecture

• ۶. معماری MobileNet 6. MobileNet Architecture

• ۷. تکنیک‌های افزایش داده‌ها (Data Augmentation) 7. Data Augmentation Techniques