کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش کلاس کارشناسی ارشد هوش مصنوعی ۲۰۲۵ | با LLM، RAG، عوامل هوش مصنوعی، XAI - آخرین آپدیت

دانلود 2025 AI Master Class | With LLM, RAG, AI Agents, XAI

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

دوره جامع یادگیری ماشین، یادگیری عمیق، هوش مصنوعی قابل توضیح (XAI) و AutoML

این دوره آموزشی کامل و به‌روز، شما را با دنیای هیجان‌انگیز هوش مصنوعی آشنا می‌کند و به شما کمک می‌کند تا در این حوزه پیشرو باشید. با تمرکز بر موضوعات کلیدی مانند یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning)، مدل‌های زبان بزرگ (LLMs)، تولید مبتنی بر بازیابی (RAG)، عامل‌های هوش مصنوعی (AI Agents)، هوش مصنوعی قابل توضیح (XAI) و AutoML با استفاده از Google Vertex AI، دانش و مهارت‌های لازم برای موفقیت در این حوزه را کسب خواهید کرد.

آنچه در این دوره فرا خواهید گرفت:

  • مفاهیم کلیدی یادگیری ماشین و یادگیری عمیق: از اصول اولیه تا الگوریتم‌های پیشرفته.
  • کار با داده‌ها در محیط ابری: نحوه کدنویسی و دسترسی به داده‌های ذخیره شده در فضای ابری.
  • الگوریتم‌های اصلی یادگیری ماشین: رگرسیون خطی، رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی و یادگیری بدون نظارت.
  • هوش مصنوعی قابل توضیح (XAI): درک چیستی XAI و اهمیت آن در افزایش اعتماد به پیش‌بینی‌های مدل.
  • مفاهیم یادگیری عمیق: درک مفهوم تانسور و کاربرد آن در یادگیری عمیق.
  • مفاهیم جبر خطی مرتبط: آشنایی با مفاهیم کلیدی جبر خطی برای یادگیری ماشین و یادگیری عمیق.
  • چرخه کامل پروژه‌های یادگیری ماشین: از ایده تا پیاده‌سازی.
  • برنامه‌نویسی پایتون: این دوره برای افرادی که با پایتون آشنایی ندارند نیز مناسب است و بخش ویژه‌ای به آموزش پایتون اختصاص دارد.
  • AutoML و Google Vertex AI: یادگیری نحوه استفاده از AutoML برای خودکارسازی و تسریع ساخت مدل‌های یادگیری ماشین و استقرار آن‌ها با استفاده از Vertex AI.
  • الگوریتم‌های یادگیری عمیق بدون نظارت.
  • تنظیم دقیق (Fine-tuning) مدل‌های زبان بزرگ (LLMs) برای کاربردهای مختلف.
  • طراحی و پیاده‌سازی خطوط لوله تولید مبتنی بر بازیابی (RAG).
  • ساخت عامل‌های هوش مصنوعی (AI Agents).
  • به‌کارگیری تکنیک‌های هوش مصنوعی قابل توضیح (XAI) برای ایجاد اعتماد در پیش‌بینی‌های مدل.
  • توسعه پروژه‌های عملی با مجموعه داده‌های دنیای واقعی در موارد استفاده ML، DL و LLM.
  • به‌روز ماندن با آخرین روندها و جهت‌گیری‌های آینده هوش مصنوعی.

ویژگی‌های دوره:

  • یادگیری عملی و کاربردی: این دوره به صورت عملی طراحی شده و بر یادگیری فعال تمرکز دارد. شما تشویق می‌شوید تا همگام با مربی پیش بروید یا بلافاصله پس از هر جلسه تمرین کنید تا مهارت‌های واقعی و کاربردی کسب کنید.
  • ساختار منظم: محتوای دوره در ۲۱ روز قابل مدیریت سازماندهی شده است، که به شما امکان می‌دهد به صورت سیستماتیک و بدون احساس سردرگمی یاد بگیرید.
  • مناسب برای همه سطوح: چه مبتدی باشید و چه یک متخصص باتجربه، می‌توانید از مباحث پایه شروع کنید یا مستقیماً به بخش‌های پیشرفته مورد علاقه خود بپردازید.
  • آموزش توسط متخصص صنعت: مدرس دوره یک پیشکسوت صنعت و بنیان‌گذار یک استارتاپ هوش مصنوعی است که بینش‌های دنیای واقعی و یادگیری مبتنی بر پروژه را به هر ماژول ارائه می‌دهد.
  • محتوای به‌روز و پیشرو: این دوره که سه سال با موفقیت برگزار شده است، به طور منظم برای بازتاب آخرین پیشرفت‌ها – از جمله موضوعات پیشرفته مانند هوش مصنوعی قابل توضیح، AutoML در Google Vertex، خطوط لوله RAG و چارچوب‌های AI Agent – به‌روزرسانی می‌شود.

پیش‌نیازها:

هیچ پیش‌نیاز رسمی وجود ندارد. آشنایی با زبان برنامه‌نویسی پایتون یک مزیت محسوب می‌شود. اگر با پایتون آشنا نیستید، بخش آخر دوره را دنبال کنید.

اگر به دنبال یک تجربه یادگیری هوش مصنوعی کامل، مدرن و متمرکز بر صنعت هستید – این دوره نقطه شروع عالی شماست.

امروز ثبت‌نام کنید و تخصص هوش مصنوعی مورد نیاز آینده را کسب کنید!

سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

مقدمه Introduction

  • مقدمه Introduction

روز اول: آنچه اندازه‌گیری می‌شود، بهبود می‌یابد Day 1: What gets measured gets improved

  • آنچه اندازه‌گیری می‌شود، بهبود می‌یابد What Gets Measured Gets Improved

  • دانش خود را بیازمایید ۱ Test your understanding 1

  • متغیرهای وابسته در مقابل مستقل Dependent Vs Independent Variables

بنیاد The Foundation

  • هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف Strong AI Vs Weak AI

  • چهار نوع تجزیه و تحلیل داده ها Four Types of Data Analytics

  • آنچه اندازه گیری می شود بهبود می یابد What Gets Measured Gets Improved

  • انواع الگوریتم ها Types of Algorithms

  • نگاهی متفاوت به انواع الگوریتم ها A Different Take on the types of algorithms

  • درک خود را بیازمایید 1 Test your understanding 1

  • انواع داده ها Types of data

  • درک خود را بیازمایید 2 Test your understanding 2

  • یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised Vs Unsupervised Learning

  • متغیرهای وابسته در مقابل متغیرهای مستقل Dependent Vs Independent Variables

بنیاد The Foundation

  • هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف Strong AI Vs Weak AI

  • چهار نوع تجزیه و تحلیل داده ها Four Types of Data Analytics

  • آنچه اندازه گیری می شود بهبود می یابد What Gets Measured Gets Improved

  • انواع الگوریتم ها Types of Algorithms

  • نگاهی متفاوت به انواع الگوریتم ها A Different Take on the types of algorithms

  • درک خود را بیازمایید 1 Test your understanding 1

  • انواع داده ها Types of data

  • درک خود را بیازمایید 2 Test your understanding 2

  • یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised Vs Unsupervised Learning

  • متغیرهای وابسته در مقابل متغیرهای مستقل Dependent Vs Independent Variables

روز دوم: مرور پایتون | پایتون برای جبر خطی Day 2: Python Refresher | Python for Linear Algebra

  • مرور پایتون Python Refresher

  • دانش خود را بیازمایید ۲.۱ Test your understanding 2.1

  • دانش خود را بیازمایید ۲.۲ Test your understanding 2.2

جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • مفاهیم جبر خطی Linear Algebra Concepts

  • درک رگرسیون خطی ساده Understanding Simple Linear Regression

  • جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • بهینه سازی محدب و نزول گرادیان Convex Optimization and Gradient Descent

جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • مفاهیم جبر خطی Linear Algebra Concepts

  • درک رگرسیون خطی ساده Understanding Simple Linear Regression

  • جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • بهینه سازی محدب و نزول گرادیان Convex Optimization and Gradient Descent

روز سوم: اولین الگوریتم ML Day 3: First ML Algorithm

  • رگرسیون خطی ساده Simple Linear Regression

  • دانش خود را بیازمایید ۳ Test your understanding 3

رفرش پایتون Python Refresh

  • شروع کار با پانداها Getting Started with Pandas

  • تجزیه و تحلیل داده ها با استفاده از پانداها Data Analysis Using Pandas

  • تجسم داده ها با استفاده از Matplotlib Data Visualization using Matplotlib

رفرش پایتون Python Refresh

  • شروع کار با پانداها Getting Started with Pandas

  • تجزیه و تحلیل داده ها با استفاده از پانداها Data Analysis Using Pandas

  • تجسم داده ها با استفاده از Matplotlib Data Visualization using Matplotlib

روز چهارم: تست در مقابل آموزش در یادگیری ماشین Day 4: Test Vs Train in Machine Learning

  • تست در مقابل آموزش Test Vs Train

  • جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • دانش خود را بیازمایید ۴ Test your understanding 4

الگوریتم های یادگیری ماشین Machine Learning Algorithms

  • رگرسیون خطی ساده 1 Simple Linear Regression 1

  • نمودارهای پراکندگی شرطی و نقشه حرارتی با استفاده از Seaborn Conditional Scatter Plots and Heatmap using Seaborn

  • رگرسیون خطی ساده 2 Simple Linear Regression 2

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • درخت تصمیم، جنگل تصادفی و XGBoost Decision Tree, Random Forest and XGBoost

  • یادگیری بدون نظارت Unsupervised Learning

  • نحوه انجام پروژه ML How to go about an ML project

  • نمونه هایی از پروژه های یادگیری ماشین را شناسایی کنید Identify examples of machine learning projects

  • امتحان Quiz

الگوریتم های یادگیری ماشین Machine Learning Algorithms

  • رگرسیون خطی ساده 1 Simple Linear Regression 1

  • نمودارهای پراکندگی شرطی و نقشه حرارتی با استفاده از Seaborn Conditional Scatter Plots and Heatmap using Seaborn

  • رگرسیون خطی ساده 2 Simple Linear Regression 2

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • درخت تصمیم، جنگل تصادفی و XGBoost Decision Tree, Random Forest and XGBoost

  • یادگیری بدون نظارت Unsupervised Learning

  • نحوه انجام پروژه ML How to go about an ML project

  • نمونه هایی از پروژه های یادگیری ماشین را شناسایی کنید Identify examples of machine learning projects

  • امتحان Quiz

روز پنجم: رگرسیون خطی چندگانه Day 5: Multiple Linear Regression

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • دانش خود را بیازمایید ۵ Test your understanding 5

تجزیه و تحلیل داده های اکتشافی (EDA) برای یادگیری ماشین Exploratory Data Analysis (EDA) for Machine Learning

  • EDA چیست؟ What is EDA?

  • درک داده ها Understanding the data

  • تحلیل تک متغیره Univariate Analysis

  • تجزیه و تحلیل دو متغیره و چند خطی Bivariate Analysis and Multi Collinearity

  • ارزش از دست رفته Missing Values

  • موارد پرت Outliers

  • تبدیل متغیر Variable Transformation

  • کتابخانه های EDA (Klib و Sweetviz) Libraries for EDA (Klib and Sweetviz)

تجزیه و تحلیل داده های اکتشافی (EDA) برای یادگیری ماشین Exploratory Data Analysis (EDA) for Machine Learning

  • EDA چیست؟ What is EDA?

  • درک داده ها Understanding the data

  • تحلیل تک متغیره Univariate Analysis

  • تجزیه و تحلیل دو متغیره و چند خطی Bivariate Analysis and Multi Collinearity

  • ارزش از دست رفته Missing Values

  • موارد پرت Outliers

  • تبدیل متغیر Variable Transformation

  • کتابخانه های EDA (Klib و Sweetviz) Libraries for EDA (Klib and Sweetviz)

روز ششم: رگرسیون لجستیک، گرادیان کاهشی Day 6: Logistic Regression, Gradient Descent

  • رگرسیون لجستیک Logistic Regression

  • ریاضیات پشت گرادیان کاهشی Math behind Gradient Descent

  • دانش خود را بیازمایید ۶ Test your understanding 6

  • آیا متغیرهای مستقل واقعاً مستقل هستند؟ Are independent variables truly independent?

  • دانش خود را بیازمایید ۷ Test your understanding 7

یادگیری عمیق Deep Learning

  • معرفی تنسور Tensor Intro

  • محاسبات تانسور Tensor Computations

  • درک یادگیری عمیق به زبان ساده Understanding Deep Learning in Simple Terms

  • تابع فعال سازی Activation Function

  • بهینه سازی محدب Convex Optimization

  • ANN ANN

  • پیچیدگی در CNN Convolution in CNN

  • استقرار یک مدل CNN Deploying a CNN Model

یادگیری عمیق Deep Learning

  • معرفی تنسور Tensor Intro

  • محاسبات تانسور Tensor Computations

  • درک یادگیری عمیق به زبان ساده Understanding Deep Learning in Simple Terms

  • تابع فعال سازی Activation Function

  • بهینه سازی محدب Convex Optimization

  • ANN ANN

  • پیچیدگی در CNN Convolution in CNN

  • استقرار یک مدل CNN Deploying a CNN Model

روز هفتم: درخت تصمیم، PCA و الگوریتم‌های بدون نظارت Day 7: Decision Tree, PCA & Unsupervised Algorithms

  • درخت تصمیم، جنگل تصادفی، XG Boost Decision Tree, Random Forest, XG Boost

  • تحلیل مؤلفه‌های اصلی Principal Component Analysis

  • یادگیری بدون نظارت | خوشه‌بندی Unsupervised Learning | Clustering

  • آزمونک Quiz

خودکار ML با استفاده از Vertex Auto ML Using Vertex

  • AutoML چیست؟ What is AutoML

  • مقدمه ای بر هوش مصنوعی Google Cloud Vertex Introduction to Google Cloud Vertex AI

  • رگرسیون خطی چندگانه در راس Multiple Linear Regression in Vertex

  • طبقه بندی در Vertex Classification in Vertex

  • NLP در Vertex NLP in Vertex

خودکار ML با استفاده از Vertex Auto ML Using Vertex

  • AutoML چیست؟ What is AutoML

  • مقدمه ای بر هوش مصنوعی Google Cloud Vertex Introduction to Google Cloud Vertex AI

  • رگرسیون خطی چندگانه در راس Multiple Linear Regression in Vertex

  • طبقه بندی در Vertex Classification in Vertex

  • NLP در Vertex NLP in Vertex

روز هشتم: مقدمه‌ای بر تنسور Day 8: Tensor Intro

  • مقدمه‌ای بر تنسور Tensor Intro

  • عملیات تنسور Tensor Computations

برنامه نویسی پایتون با استفاده از google colab Python Programming using google colab

  • مقدمه ای بر Colab: محیط توسعه ابری گوگل Introduction to Colab: Google Cloud Development Environment

  • شروع کار با پایتون Getting Started with Python

  • متغیرها Variables

  • اپراتورها Operators

  • شرایط Conditions

  • حلقه ها Loops

  • کارکرد Functions

  • آرایه ها Arrays

  • فهرست کنید List

  • چندتایی Tuple

  • تنظیم Set

  • فرهنگ لغت Dictionary

  • شروع کار با NumPy Getting Started with NumPy

  • NumPy: شکل در آرایه ها NumPy: Shape in Arrays

  • NumPy: آرایه های تکرار شونده NumPy: Iterating Arrays

  • NumPy: پیوستن به آرایه ها NumPy: Joining Arrays

  • NumPy: تقسیم آرایه ها NumPy: Splitting Arrays

  • NumPy: جستجو و مرتب سازی آرایه ها NumPy: Searching and Sorting Arrays

  • شروع کار با پانداها Getting Started with Pandas

  • پانداها: Dataframe Pandas: Dataframe

  • پانداها: آمار توصیفی Pandas: Descriptive Statistics

  • پانداها: مرتب سازی، برش، چرخاندن، گروه بندی داده ها Pandas: Sorting, Slicing, Flipping, Grouping Data

برنامه نویسی پایتون با استفاده از google colab Python Programming using google colab

  • مقدمه ای بر Colab: محیط توسعه ابری گوگل Introduction to Colab: Google Cloud Development Environment

  • شروع کار با پایتون Getting Started with Python

  • متغیرها Variables

  • اپراتورها Operators

  • شرایط Conditions

  • حلقه ها Loops

  • کارکرد Functions

  • آرایه ها Arrays

  • فهرست کنید List

  • چندتایی Tuple

  • تنظیم Set

  • فرهنگ لغت Dictionary

  • شروع کار با NumPy Getting Started with NumPy

  • NumPy: شکل در آرایه ها NumPy: Shape in Arrays

  • NumPy: آرایه های تکرار شونده NumPy: Iterating Arrays

  • NumPy: پیوستن به آرایه ها NumPy: Joining Arrays

  • NumPy: تقسیم آرایه ها NumPy: Splitting Arrays

  • NumPy: جستجو و مرتب سازی آرایه ها NumPy: Searching and Sorting Arrays

  • شروع کار با پانداها Getting Started with Pandas

  • پانداها: Dataframe Pandas: Dataframe

  • پانداها: آمار توصیفی Pandas: Descriptive Statistics

  • پانداها: مرتب سازی، برش، چرخاندن، گروه بندی داده ها Pandas: Sorting, Slicing, Flipping, Grouping Data

روز نهم: درک یادگیری عمیق Day 9: Understanding Deep Learning

  • درک یادگیری عمیق به زبان ساده Understanding Deep Learning in Simple Terms

  • تابع فعال‌سازی Activation Function

  • بهینه‌سازی محدب Convex Optimization

  • ANN ANN

روز دهم: کانولوشن Day 10: Convolution

  • کانولوشن در CNN Convolution in CNN

  • استقرار مدل CNN Deploying a CNN Model

روز یازدهم: RNN Day 11: RNN

  • چرا RNN Why RNN

  • ریاضیات پشت RNN Math behind RNN

  • LSTM LSTM

  • تشخیص اسپم - RNN و LSTM Spam Detection - RNN & LSTM

  • ANN در مقابل CNN در مقابل RNN ANN Vs CNN Vs RNN

روز دوازدهم: یادگیری عمیق بدون نظارت Day 12: Unsupervised Deep Learning

  • شبکه مولد تخاصمی Generative Adversarial Network

  • ماشین‌های بولتزمن محدود و شبکه‌های باور عمیق Restricted Boltzmann Machines and Deep Belief Networks

  • رمزگذار خودکار Auto Encoder

  • ساخت مدل‌ها Building The Models

روز سیزدهم: مدل‌های زبان بزرگ Day 13: Large Language Models

  • درک تکامل Understanding the evolution

  • مفاهیم کلیدی NLP پشت LLMها Core NLP Concepts behind LLMs

  • Embedding | BSE | Sentencepiece Embedding | BSE | Sentencepiece

روز چهاردهم: استقرار برنامه‌های LLM با استفاده از Streamlit Day 14: Deploying LLM Applications using Streamlit

  • ربات چت LLM LLM Chatbot

  • ربات چت PDF PDF Chatbot

  • خلاصه‌ساز صفحه وب Webpage Summarizer

روز پانزدهم: Langchain Day 15: Langchain

  • درک Langchain Understanding Langchain

  • مهندسی پرامپت با Langchain Prompt Engineering with Langchain

  • چت با سند اکسل Chat with an Excel document

روز شانزدهم: ارزیابی مدل زبان بزرگ Day 16: Evaluating a Large Language Model

  • معیارهای مختلف برای ارزیابی LLM Different Measures to evaluate LLM

  • Perplexity Perplexity

  • ROUGE ROUGE

  • ارزیابی سوگیری Assessing Bias

روز هفدهم: تولید افزوده بازیابی (RAG) Day 17: Retrieval Augmented Generation (RAG)

  • RAG چیست | RAG در مقابل Fine Tuning What is RAG | RAG Vs Fine Tuning

  • پیشرفت‌های اخیر در RAG Recent Advancements in RAG

  • کاربرد RAG: ربات چت PDF RAG Application : PDF Chatbot

  • کاربرد RAG - سوالات متداول RAG Application - FAQ

روز هجدهم: ایجنت‌های هوش مصنوعی Day 18: AI Agents

  • RAG در مقابل ایجنت‌ها RAG Vs Agents

  • ایجنت تحلیلگر مالی Financial Analyst Agent

  • ایجنت مشاور مدیریت Management Consultant Agent

  • ایجنت تحلیل داده Data Analysis Agent

  • تیم چند ایجنتی Multi Agent Team

روز نوزدهم: هوش مصنوعی توضیح‌دهنده Day 19: Explainer AI

  • مدل پیش‌بینی ریزش مشتری Churn prediction model

  • تشخیص ناهنجاری - کلاهبرداری بیمه Anomaly Detection - Insurance Fraud

روز بیستم: AutoML با استفاده از Vertex بخش اول Day 20: Auto ML Using Vertex Part 1

  • AutoML چیست What is AutoML

  • مقدمه‌ای بر Google Cloud Vertex AI Introduction to Google Cloud Vertex AI

  • رگرسیون خطی چندگانه در Vertex Multiple Linear Regression in Vertex

روز بیست و یکم: AutoML با استفاده از Vertex بخش دوم Day 21: AutoML Using Vertex Part 2

  • طبقه‌بندی در Vertex Classification in Vertex

  • NLP در Vertex NLP in Vertex

برنامه‌نویسی پایتون با استفاده از google colab Python Programming using google colab

  • مقدمه‌ای بر Colab: محیط توسعه Google Cloud Introduction to Colab: Google Cloud Development Environment

  • شروع کار با پایتون Getting Started with Python

  • متغیرها Variables

  • عملگرها Operators

  • شرط‌ها Conditions

  • حلقه‌ها Loops

  • توابع Functions

  • آرایه‌ها Arrays

  • لیست List

  • تاپل Tuple

  • مجموعه Set

  • دیکشنری Dictionary

  • شروع کار با NumPy Getting Started with NumPy

  • NumPy: شکل در آرایه‌ها NumPy: Shape in Arrays

  • NumPy: پیمایش آرایه‌ها NumPy: Iterating Arrays

  • NumPy: الحاق آرایه‌ها NumPy: Joining Arrays

  • NumPy: تقسیم آرایه‌ها NumPy: Splitting Arrays

  • NumPy: جستجو و مرتب‌سازی آرایه‌ها NumPy: Searching and Sorting Arrays

  • شروع کار با Pandas Getting Started with Pandas

  • Pandas: DataFrame Pandas: Dataframe

  • Pandas: آماره‌های توصیفی Pandas: Descriptive Statistics

  • Pandas: مرتب‌سازی، برش، واژگونی، گروه‌بندی داده‌ها Pandas: Sorting, Slicing, Flipping, Grouping Data

  • شناسایی نمونه‌هایی از پروژه‌های یادگیری ماشین Identify examples of machine learning projects

آموزش مدل سازی کاراکتر پیشرفته در ZBrush و Photoshop

آموزش مدل سازی کاراکتر پیشرفته در ZBrush و Photoshop

Advanced Character Modeling in ZBrush and Photoshop

آموزش معرفی V-Ray For SketchUp | اصول رندرینگ

آموزش معرفی V-Ray For SketchUp | اصول رندرینگ

Intro to V-Ray For SketchUp | Basics of Rendering

آموزش Microsoft 365 Copilot: The Art of Firstrate (ژوئن 2024)

آموزش Microsoft 365 Copilot: The Art of Firstrate (ژوئن 2024)

دانلود Microsoft 365 Copilot: The Art of Prompt Writing (June 2024)

نمایش نظرات

آموزش کلاس کارشناسی ارشد هوش مصنوعی ۲۰۲۵ | با LLM، RAG، عوامل هوش مصنوعی، XAI
جزییات دوره
10 hours
82
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
16,722
4.1 از 5
دارد
دارد
دارد
Govind Kumar

https://donyad.com/d/e17fbf

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Govind Kumar Govind Kumar

کارشناس هوش مصنوعی و تحول تجاری خلاصه: بیش از 2 دهه تجربه در MNC ها و استارت آپ های برتر. ایفای نقش رهبری و مدیریت مشاغل در سراسر آسیا و اقیانوسیه و منطقه ژاپن تخصص: هوش مصنوعی ، شش سیگما و نوآوری تجربیات کلیدی: با موفقیت در مراکز تعالی برای جلوگیری از کلاهبرداری و تجزیه و تحلیل خدمات انکوبه شد. تجربه قابل توجهی در توسعه و مدیریت محصول مبتنی بر تفکر طراحی. نقشی اساسی در توسعه محصولات برای بازارهای نوظهور ایفا کرد. آموزش و گواهینامه: B. فنی و MBA تمام وقت از موسسات برتر هند گواهینامه ها در شش سیگما و مدیریت پروژه.