آموزش تسلط بر هوش مصنوعی: Bootcamp کامل AI 2025

سرفصل ها و درس ها

هفته 1: مبانی برنامه نویسی پایتون Week 1: Python Programming Basics

• مقدمه ای بر مبانی برنامه نویسی پایتون هفته اول Introduction to Week 1 Python Programming Basics

• روز اول: آشنایی با پایتون و راه اندازی توسعه Day 1: Introduction to Python and Development Setup

• روز دوم: کنترل جریان در پایتون Day 2: Control Flow in Python

• روز 3: توابع و ماژول ها Day 3: Functions and Modules

• روز 4: ساختارهای داده (فهرست ها، تاپل ها، دیکشنری ها، مجموعه ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

• روز پنجم: کار با رشته ها Day 5: Working with Strings

• روز ششم: رسیدگی به پرونده Day 6: File Handling

• روز هفتم: کد پایتونیک و کار پروژه Day 7: Pythonic Code and Project Work

• تمرین کدنویسی 1 Coding Exercise 1

هفته 2: ملزومات علم داده Week 2: Data Science Essentials

• مقدمه ای بر هفته 2 ضروریات علم داده Introduction to Week 2 Data Science Essentials

• روز 1: مقدمه ای بر NumPy برای محاسبات عددی Day 1: Introduction to NumPy for Numerical Computing

• روز 2: عملیات پیشرفته NumPy Day 2: Advanced NumPy Operations

• روز سوم: معرفی پانداها برای دستکاری داده ها Day 3: Introduction to Pandas for Data Manipulation

• روز چهارم: پاکسازی و آماده سازی داده ها با پانداها Day 4: Data Cleaning and Preparation with Pandas

• روز پنجم: جمع آوری و گروه بندی داده ها در پانداها Day 5: Data Aggregation and Grouping in Pandas

• روز ششم: تجسم داده ها با Matplotlib و Seaborn Day 6: Data Visualization with Matplotlib and Seaborn

• روز هفتم: پروژه تجزیه و تحلیل داده های اکتشافی (EDA). Day 7: Exploratory Data Analysis (EDA) Project

هفته 3: ریاضیات برای یادگیری ماشین Week 3: Mathematics for Machine Learning

• مقدمه ای بر هفته سوم ریاضیات برای یادگیری ماشینی Introduction to Week 3 Mathematics for Machine Learning

• روز اول: مبانی جبر خطی Day 1: Linear Algebra Fundamentals

• روز دوم: مفاهیم جبر خطی پیشرفته Day 2: Advanced Linear Algebra Concepts

• روز 3: حساب برای یادگیری ماشین (مشتقات) Day 3: Calculus for Machine Learning (Derivatives)

• روز 4: حساب برای یادگیری ماشین (انتگرال ها و بهینه سازی) Day 4: Calculus for Machine Learning (Integrals and Optimization)

• روز پنجم: نظریه احتمالات و توزیع ها Day 5: Probability Theory and Distributions

• روز ششم: مبانی آمار Day 6: Statistics Fundamentals

• روز هفتم: پروژه کوچک ریاضی محور - رگرسیون خطی از ابتدا Day 7: Math-Driven Mini Project – Linear Regression from Scratch

هفته 4: احتمال و آمار برای یادگیری ماشین Week 4: Probability and Statistics for Machine Learning

• مقدمه ای بر احتمالات و آمار هفته چهارم برای یادگیری ماشینی Introduction to Week 4 Probability and Statistics for Machine Learning

• روز اول: نظریه احتمال و متغیرهای تصادفی Day 1: Probability Theory and Random Variables

• روز 2: توزیع احتمال در یادگیری ماشین Day 2: Probability Distributions in Machine Learning

• روز سوم: استنباط آماری - فواصل تخمین و اطمینان Day 3: Statistical Inference - Estimation and Confidence Intervals

• روز چهارم: آزمون فرضیه و P-Values Day 4: Hypothesis Testing and P-Values

• روز پنجم: انواع آزمون های فرضیه Day 5: Types of Hypothesis Tests

• روز ششم: تحلیل همبستگی و رگرسیون Day 6: Correlation and Regression Analysis

• روز 7: پروژه تجزیه و تحلیل آماری - تجزیه و تحلیل داده های دنیای واقعی Day 7: Statistical Analysis Project – Analyzing Real-World Data

هفته پنجم: مقدمه ای بر یادگیری ماشین Week 5: Introduction to Machine Learning

• مقدمه ای بر هفته پنجم مقدمه ای بر یادگیری ماشینی Introduction to Week 5 Introduction to Machine Learning

• روز اول: مبانی و اصطلاحات یادگیری ماشین Day 1: Machine Learning Basics and Terminology

• روز دوم: مقدمه ای بر مدل های یادگیری نظارت شده و رگرسیون Day 2: Introduction to Supervised Learning and Regression Models

• روز 3: مدل های رگرسیون پیشرفته - رگرسیون چند جمله ای و منظم سازی Day 3: Advanced Regression Models – Polynomial Regression and Regularization

• روز چهارم: مقدمه ای بر طبقه بندی و رگرسیون لجستیک Day 4: Introduction to Classification and Logistic Regression

• روز پنجم: ارزیابی مدل و اعتبارسنجی متقابل Day 5: Model Evaluation and Cross-Validation

• روز ششم: الگوریتم k-نزدیکترین همسایگان (k-NN). Day 6: k-Nearest Neighbors (k-NN) Algorithm

• روز هفتم: مینی پروژه آموزشی تحت نظارت Day 7: Supervised Learning Mini Project

هفته ششم: مهندسی ویژگی و ارزیابی مدل Week 6: Feature Engineering and Model Evaluation

• مقدمه ای بر هفته ششم مهندسی ویژگی و ارزیابی مدل Introduction to Week 6 Feature Engineering and Model Evaluation

• روز 1: مقدمه ای بر مهندسی ویژگی Day 1: Introduction to Feature Engineering

• روز 2: مقیاس گذاری و عادی سازی داده ها Day 2: Data Scaling and Normalization

• روز 3: رمزگذاری متغیرهای طبقه بندی شده Day 3: Encoding Categorical Variables

• روز 4: تکنیک های انتخاب ویژگی Day 4: Feature Selection Techniques

• روز پنجم: ایجاد و تبدیل ویژگی ها Day 5: Creating and Transforming Features

• روز ششم: تکنیک های ارزیابی مدل Day 6: Model Evaluation Techniques

• روز هفتم: اعتبارسنجی متقاطع و تنظیم فراپارامتر Day 7: Cross-Validation and Hyperparameter Tuning

هفته 7: الگوریتم های پیشرفته یادگیری ماشین Week 7: Advanced Machine Learning Algorithms

• مقدمه ای بر هفته 7 الگوریتم های یادگیری ماشین پیشرفته Introduction to Week 7 Advanced Machine Learning Algorithms

• روز اول: مقدمه ای بر یادگیری گروهی Day 1: Introduction to Ensemble Learning

• روز 2: کوله بری و جنگل های تصادفی Day 2: Bagging and Random Forests

• روز 3: تقویت و افزایش گرادیان Day 3: Boosting and Gradient Boosting

• روز چهارم: معرفی XGBoost Day 4: Introduction to XGBoost

• روز پنجم: LightGBM و CatBoost Day 5: LightGBM and CatBoost

• روز ششم: مدیریت داده های نامتعادل Day 6: Handling Imbalanced Data

• روز 7: پروژه یادگیری گروهی - مقایسه مدل ها در یک مجموعه داده واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

هفته هشتم: تنظیم و بهینه سازی مدل Week 8: Model Tuning and Optimization

• مقدمه ای بر تنظیم و بهینه سازی مدل هفته هشتم Introduction to Week 8 Model Tuning and Optimization

• روز 1: مقدمه ای بر تنظیم فراپارامتر Day 1: Introduction to Hyperparameter Tuning

• روز 2: جستجوی شبکه و جستجوی تصادفی Day 2: Grid Search and Random Search

• روز 3: تنظیم فراپارامتر پیشرفته با بهینه سازی بیزی Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

• روز 4: تکنیک های منظم سازی برای بهینه سازی مدل Day 4: Regularization Techniques for Model Optimization

• روز 5: روش های اعتبارسنجی متقابل و ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

• روز ششم: تنظیم خودکار فراپارامتر با GridSearchCV و RandomizedSearchCV Day 6: Automated Hyperparameter Tuning with GridSearchCV and RandomizedSearchCV

• روز هفتم: پروژه بهینه سازی – ساخت و تنظیم یک مدل نهایی Day 7: Optimization Project – Building and Tuning a Final Model

هفته نهم: شبکه های عصبی و اصول یادگیری عمیق Week 9: Neural Networks and Deep Learning Fundamentals

• مقدمه ای بر هفته نهم شبکه های عصبی و مبانی یادگیری عمیق Introduction to Week 9 Neural Networks and Deep Learning Fundamentals

• روز اول: مقدمه ای بر یادگیری عمیق و شبکه های عصبی Day 1: Introduction to Deep Learning and Neural Networks

• روز 2: توابع انتشار و فعال سازی به جلو Day 2: Forward Propagation and Activation Functions

• روز 3: توابع از دست دادن و پس انتشار Day 3: Loss Functions and Backpropagation

• روز 4: نزول گرادیان و تکنیک های بهینه سازی Day 4: Gradient Descent and Optimization Techniques

• روز پنجم: ساخت شبکه های عصبی با TensorFlow و Keras Day 5: Building Neural Networks with TensorFlow and Keras

• روز ششم: ساخت شبکه های عصبی با PyTorch Day 6: Building Neural Networks with PyTorch

• روز هفتم: پروژه شبکه عصبی – طبقه بندی تصاویر در CIFAR-10 Day 7: Neural Network Project – Image Classification on CIFAR-10

هفته 10: شبکه های عصبی کانولوشن (CNN) Week 10: Convolutional Neural Networks (CNNs)

• مقدمه ای بر هفته دهم شبکه های عصبی کانولوشنال (CNN) Introduction to Week 10 Convolutional Neural Networks (CNNs)

• روز اول: مقدمه ای بر شبکه های عصبی کانولوشنال Day 1: Introduction to Convolutional Neural Networks

• روز 2: لایه ها و فیلترهای کانولوشن Day 2: Convolutional Layers and Filters

• روز 3: ادغام لایه ها و کاهش ابعاد Day 3: Pooling Layers and Dimensionality Reduction

• روز چهارم: ساخت معماری CNN با Keras و TensorFlow Day 4: Building CNN Architectures with Keras and TensorFlow

• روز پنجم: ساخت معماری CNN با PyTorch Day 5: Building CNN Architectures with PyTorch

• روز ششم: منظم سازی و افزایش داده برای CNN ها Day 6: Regularization and Data Augmentation for CNNs

• روز هفتم: پروژه CNN - طبقه بندی تصاویر در مد MNIST یا CIFAR-10 Day 7: CNN Project – Image Classification on Fashion MNIST or CIFAR-10

هفته یازدهم: شبکه های عصبی مکرر (RNN) و مدل سازی توالی Week 11: Recurrent Neural Networks (RNNs) and Sequence Modeling

• مقدمه ای بر هفته یازدهم شبکه های عصبی مکرر (RNN) و مدل سازی توالی Introduction to Week 11 Recurrent Neural Networks (RNNs) and Sequence Modeling

• روز اول: مقدمه‌ای بر مدل‌سازی توالی و RNN Day 1: Introduction to Sequence Modeling and RNNs

• روز 2: درک معماری RNN و انتشار پس‌انداز در طول زمان (BPTT) Day 2: Understanding RNN Architecture and Backpropagation Through Time (BPTT)

• روز 3: شبکه های حافظه کوتاه مدت (LSTM). Day 3: Long Short-Term Memory (LSTM) Networks

• روز 4: واحدهای مکرر دردار (GRU) Day 4: Gated Recurrent Units (GRUs)

• روز پنجم: پیش پردازش متن و جاسازی کلمه برای RNN Day 5: Text Preprocessing and Word Embeddings for RNNs

• روز ششم: مدل ها و برنامه های دنباله به دنباله Day 6: Sequence-to-Sequence Models and Applications

• روز هفتم: پروژه RNN - تولید متن یا تجزیه و تحلیل احساسات Day 7: RNN Project – Text Generation or Sentiment Analysis

هفته دوازدهم: ترانسفورماتورها و مکانیسم های توجه Week 12: Transformers and Attention Mechanisms

• مقدمه ای بر ترانسفورماتورها و مکانیسم های توجه هفته دوازدهم Introduction to Week 12 Transformers and Attention Mechanisms

• روز اول: مقدمه ای بر مکانیسم های توجه Day 1: Introduction to Attention Mechanisms

• روز دوم: مقدمه ای بر معماری ترانسفورماتورها Day 2: Introduction to Transformers Architecture

• روز سوم: توجه به خود و توجه چند سر در ترانسفورماتورها Day 3: Self-Attention and Multi-Head Attention in Transformers

• روز 4: شبکه‌های رمزگذاری موقعیتی و فید فوروارد Day 4: Positional Encoding and Feed-Forward Networks

• روز 5: کار با ترانسفورماتورهای از پیش آموزش دیده - BERT و GPT Day 5: Hands-On with Pre-Trained Transformers – BERT and GPT

• روز ششم: ترانسفورماتورهای پیشرفته - انواع BERT و GPT-3 Day 6: Advanced Transformers – BERT Variants and GPT-3

• روز هفتم: پروژه تبدیل - خلاصه یا ترجمه متن Day 7: Transformer Project – Text Summarization or Translation

هفته 13: آموزش انتقال و تنظیم دقیق Week 13: Transfer Learning and Fine-Tuning

• مقدمه هفته سیزدهم آموزش انتقال و تنظیم دقیق Introduction to Week 13 Transfer Learning and Fine-Tuning

• روز اول: مقدمه ای بر یادگیری انتقالی Day 1: Introduction to Transfer Learning

• روز دوم: آموزش انتقال در کامپیوتر ویژن Day 2: Transfer Learning in Computer Vision

• روز سوم: تکنیک های تنظیم دقیق در بینایی کامپیوتر Day 3: Fine-Tuning Techniques in Computer Vision

• روز 4: آموزش انتقال در NLP Day 4: Transfer Learning in NLP

• روز پنجم: تکنیک های تنظیم دقیق در NLP Day 5: Fine-Tuning Techniques in NLP

• روز ششم: چالش‌های یادگیری انطباق و انتقال دامنه Day 6: Domain Adaptation and Transfer Learning Challenges

• روز 7: پروژه آموزش انتقال - تنظیم دقیق برای یک کار سفارشی Day 7: Transfer Learning Project – Fine-Tuning for a Custom Task

الگوریتم ها و پیاده سازی های یادگیری ماشین Machine Learning Algorithms and Implementations

• بعد چی؟؟؟ Whats Next???

• مقدمه ای بر الگوریتم های یادگیری ماشین Introduction to Machine Learning Algorithms

• پیاده سازی رگرسیون خطی در پایتون Linear Regression Implementation in Python

• پیاده سازی رگرسیون ریج و کمند در پایتون Ridge and Lasso Regression Implementation in Python

• پیاده سازی رگرسیون چند جمله ای در پایتون Polynomial Regression Implementation in Python

• پیاده سازی رگرسیون لجستیک در پایتون Logistic Regression Implementation in Python

• پیاده سازی K-Nearest Neighbors (KNN) در پایتون K-Nearest Neighbors (KNN) Implementation in Python

• پیاده سازی ماشین های بردار پشتیبانی (SVM) در پایتون Support Vector Machines (SVM) Implementation in Python

• پیاده سازی درخت تصمیم در پایتون Decision Trees Implementation in Python

• پیاده سازی تصادفی جنگل ها در پایتون Random Forests Implementation in Python

• پیاده سازی افزایش گرادیان در پایتون Gradient Boosting Implementation in Python

• پیاده سازی Naive Bayes در پایتون Naive Bayes Implementation in Python

• پیاده سازی خوشه بندی K-Means در پایتون K-Means Clustering Implementation in Python

• پیاده سازی خوشه بندی سلسله مراتبی در پایتون Hierarchical Clustering Implementation in Python

• پیاده سازی DBSCAN (خوشه بندی فضایی مبتنی بر چگالی برنامه ها با نویز) DBSCAN (Density-Based Spatial Clustering of Applications w Noise) Implementation

• پیاده سازی مدل های مخلوط گاوسی (GMM) در پایتون Gaussian Mixture Models(GMM) Implementation in Python

• پیاده سازی تجزیه و تحلیل اجزای اصلی (PCA) در پایتون Principal Component Analysis (PCA) Implementation in Python

• پیاده سازی t-Distributed Stochastic Neighbor Embedding (t-SNE) در پایتون t-Distributed Stochastic Neighbor Embedding (t-SNE) Implementation in Python

• پیاده سازی رمزگذارهای خودکار در پایتون Autoencoders Implementation in Python

• پیاده سازی خودآموزی در پایتون Self-Training Implementation in Python

• پیاده سازی Q-Learning در پایتون Q-Learning Implementation in Python

• پیاده سازی Deep Q-Networks (DQN) در پایتون Deep Q-Networks (DQN) Implementation in Python

• پیاده سازی روش های گرادیان خط مشی در پایتون Policy Gradient Methods Implementation in Python

• پیاده سازی SVM یک کلاس در پایتون One-Class SVM Implementation in Python

• پیاده سازی جنگل ایزوله در پایتون Isolation Forest Implementation in Python

• پیاده سازی شبکه های عصبی کانولوشن (CNN) در پایتون Convolutional Neural Networks (CNNs) Implementation in Python

• پیاده سازی شبکه های عصبی مکرر (RNN) در پایتون Recurrent Neural Networks (RNNs) Implementation in Python

• پیاده سازی حافظه کوتاه مدت بلند مدت (LSTM) در پایتون Long Short-Term Memory (LSTM) Implementation in Python

• پیاده سازی ترانسفورماتورها در پایتون Transformers Implementation in Python

مقدمه ای بر یادگیری ماشین و TensorFlow Introduction to Machine Learning and TensorFlow

• یادگیری ماشینی چیست؟ What is Machine Learning?

• مقدمه ای بر TensorFlow Introduction to TensorFlow

• TensorFlow در مقابل سایر چارچوب های یادگیری ماشین TensorFlow vs. Other Machine Learning frameworks

• نصب TensorFlow Installing TensorFlow

• تنظیم محیط توسعه خود Setting up your Development Environment

• تایید نصب Verifying the Installation

مبانی TensorFlow Basics of TensorFlow

• مقدمه ای بر تنسورها Introduction to Tensors

• عملیات تانسور Tensor Operations

• ثابت ها، متغیرها و مکان هایی Constants, Variables, and Placeholders

• نمودار محاسباتی TensorFlow TensorFlow Computational Graph

• ایجاد و اجرای یک جلسه TensorFlow Creating and Running a TensorFlow Session

• مدیریت نمودارها و جلسات Managing Graphs and Sessions

• ساخت یک شبکه عصبی پیشخور ساده Building a Simple Feedforward Neural Network

• توابع فعال سازی Activation Functions

• توابع از دست دادن و بهینه سازها Loss Functions and Optimizers

TensorFlow متوسط Intermediate TensorFlow

• مقدمه ای بر Keras API Introduction to Keras API

• مدل های مجتمع ساختمانی با کراس Building Complex Models with Keras

• آموزش و ارزیابی مدل ها Training and Evaluating Models

• مقدمه ای بر CNN ها Introduction to CNNs

• ساخت و آموزش CNN با TensorFlow Building and Training CNNs with TensorFlow

• انتقال یادگیری با CNN های از پیش آموزش دیده Transfer Learning with Pre-trained CNNs

• مقدمه ای بر RNN ها Introduction to RNNs

• ساخت و آموزش RNN با TensorFlow Building and Training RNNs with TensorFlow

• کاربردهای RNN: مدل‌سازی زبان، پیش‌بینی سری‌های زمانی Applications of RNNs: Language Modeling, Time Series Prediction

TensorFlow پیشرفته Advanced TensorFlow

• ذخیره و بارگذاری مدل ها Saving and Loading Models

• سرویس TensorFlow برای استقرار مدل TensorFlow Serving for Model Deployment

• TensorFlow Lite برای موبایل و دستگاه های جاسازی شده TensorFlow Lite for Mobile and Embedded Devices

• مقدمه ای بر محاسبات توزیع شده با TensorFlow Introduction to Distributed Computing with TensorFlow

• چارچوب اجرای توزیع شده TensorFlow TensorFlow's Distributed Execution Framework

• مقیاس بندی TensorFlow با سرویس TensorFlow و Kubernetes Scaling TensorFlow with TensorFlow Serving and Kubernetes

• مقدمه ای بر TFX Introduction to TFX

• ساخت خطوط لوله ML سرتاسر با TFX Building End-to-End ML Pipelines with TFX

• اعتبارسنجی مدل، تبدیل، و سرویس دهی با TFX Model Validation, Transform, and Serving with TFX

برنامه ها و پروژه های کاربردی Practical Applications and Projects

• طبقه بندی تصویر Image Classification

• پردازش زبان طبیعی Natural Language Processing

• سیستم های توصیه کننده Recommender Systems

• تشخیص شی Object Detection

• ساخت یک مدل تحلیل احساسات Building a Sentiment Analysis Model

• ایجاد یک سیستم تشخیص تصویر Creating an Image Recognition System

• توسعه یک مدل پیش‌بینی سری زمانی Developing a Time Series Prediction Model

• پیاده سازی چت بات Implementing a Chatbot

یادگیری بیشتر و منابع در TensorFlow Further Learning and Resources in TensorFlow

• شبکه های متخاصم مولد (GAN) Generative Adversarial Networks (GANs)

• یادگیری تقویتی با TensorFlow Reinforcement Learning with TensorFlow

• یادگیری ماشین کوانتومی با کوانتوم TensorFlow Quantum Machine Learning with TensorFlow Quantum

• مستندات و آموزش های TensorFlow TensorFlow Documentation and Tutorials

• دوره های آنلاین و کتاب Online Courses and Books

• انجمن و انجمن تنسورفلو TensorFlow Community and Forums

• خلاصه مفاهیم کلیدی Summary of Key Concepts

• مراحل بعدی در سفر تنسورفلو شما Next Steps in Your TensorFlow Journey

مقدمه ای بر یادگیری PyTorch از مقدماتی تا پیشرفته Introduction to Learning PyTorch from Basics to Advanced

• 1. مقدمه ای بر PyTorch 1. Introduction to PyTorch

• 2. شروع به کار PyTorch 2. Getting Started with PyTorch

• 3. کار با تنسورها 3. Working with Tensors

• 4. Autograd و نمودارهای محاسبات پویا 4. Autograd and Dynamic Computation Graphs

• 5. ساخت شبکه های عصبی ساده 5. Building Simple Neural Networks

• 6. بارگذاری و پیش پردازش داده ها 6. Loading and Preprocessing Data

• 7. ارزیابی و اعتبارسنجی مدل 7. Model Evaluation and Validation

• 8. معماری شبکه های عصبی پیشرفته 8. Advanced Neural Network Architectures

• 9. آموزش انتقال و تنظیم دقیق 9. Transfer Learning and Fine-Tuning

• 10. مدیریت داده های پیچیده 10. Handling Complex Data

• 11. استقرار و تولید مدل 11. Model Deployment and Production

• 12. اشکال زدایی و عیب یابی 12. Debugging and Troubleshooting

• 13. آموزش توزیع شده و بهینه سازی عملکرد 13. Distributed Training and Performance Optimization

• 14. لایه های سفارشی و توابع از دست دادن 14. Custom Layers and Loss Functions

• 15. فنون پژوهش محور 15. Research-oriented Techniques

• 16. ادغام با سایر کتابخانه ها 16. Integration with Other Libraries

• 17. کمک به PyTorch و تعامل با جامعه 17. Contributing to PyTorch and Community Engagement

LangChain برای مبتدیان LangChain for Beginners

• 1. مقدمه ای بر LangChain و مدل های زبان 1. Introduction to LangChain and Language Models

• 2. پروژه 1: ربات پاسخگویی به سؤالات مبتنی بر متن ساده 2. Project 1: Simple Text-Based Question Answering Bot

• 3. پروژه 2: تجزیه و تحلیل احساسات با LangChain 3. Project 2: Sentiment Analysis with LangChain

• 4. پروژه 3: ابزار خلاصه سازی اسناد 4. Project 3: Document Summarization Tool

• 5. پروژه 4: استخراج کلمات کلیدی از متن 5. Project 4: Keyword Extraction from Text

• 6. پروژه 5: چت بات مجهز به LangChain 6. Project 5: LangChain-Powered Chatbot

عوامل هوش مصنوعی برای Dummies AI Agents for Dummies

• بخش 1.1: درک عوامل هوش مصنوعی - نحوه عملکرد عوامل هوش مصنوعی Part 1.1: Understanding AI Agents - How AI Agents Function

• بخش 1.2: - مقدمه ای بر عوامل هوش مصنوعی Part 1.2: - Introduction to AI Agents

• بخش 1.3: انواع عوامل هوش مصنوعی Part 1.3: Types of AI Agents

• بخش 2.1: فناوری‌های پشت عوامل هوش مصنوعی - یادگیری ماشین و عوامل هوش مصنوعی Part 2.1: Technologies Behind AI Agents - Machine Learning and AI Agents

• بخش 2.2: پردازش زبان طبیعی در عوامل هوش مصنوعی Part 2.2: Natural Language Processing in AI Agents

• بخش 2.3: عوامل هوش مصنوعی در رباتیک Part 2.3: AI Agents in Robotics

• بخش 3.1: چارچوب ها و معماری های عامل هوش مصنوعی - چارچوب های توسعه عامل هوش مصنوعی Part 3.1: AI Agent Frameworks & Architectures - AI Agent Development Frameworks

• بخش 3.2: مروری بر AutoGPT برای عوامل هوش مصنوعی Part 3.2: Overview of AutoGPT for AI Agents

• بخش 3.3: IBM Bee Framework برای عوامل هوش مصنوعی Part 3.3: IBM Bee Framework for AI Agents

• قسمت 3.4: LangGraph برای عوامل هوش مصنوعی دولتی Part 3.4: LangGraph for Stateful AI Agents

• بخش 3.5: CrewAI برای عوامل هوش مصنوعی مشترک Part 3.5: CrewAI for Collaborative AI Agents

• بخش 4.1: کاربردهای عاملان هوش مصنوعی - عاملان هوش مصنوعی در عملیات تجاری Part 4.1: Applications of AI Agents - AI Agents in Business Operations

• بخش 4.2: عوامل هوش مصنوعی در مراقبت های بهداشتی Part 4.2: AI Agents in Healthcare

• بخش 4.3: عوامل هوش مصنوعی در سیستم های مالی Part 4.3: AI Agents in Financial Systems

• بخش 4.4: عوامل هوش مصنوعی در سرگرمی Part 4.4: AI Agents in Entertainment

• بخش 4.5: عوامل هوش مصنوعی در خانه های هوشمند و اینترنت اشیا Part 4.5: AI Agents in Smart Homes and IoT

• بخش 5.1: روندهای آینده و پیامدهای اخلاقی - آینده عوامل هوش مصنوعی Part 5.1: Future Trends and Ethical Implications - The Future of AI Agents

• بخش 5.2: اخلاق در توسعه عامل هوش مصنوعی Part 5.2: Ethics in AI Agent Development

• بخش 5.3: چالش های قانونی و نظارتی برای عوامل هوش مصنوعی Part 5.3: Legal and Regulatory Challenges for AI Agents

• بخش 6.1: تأثیر گسترده تر عوامل هوش مصنوعی - تأثیرات اجتماعی و اقتصادی عوامل هوش مصنوعی Part 6.1: Broader Impact of AI Agents - Social and Economic Impacts of AI Agents

• بخش 6.2: عوامل هوش مصنوعی و همکاری انسانی Part 6.2: AI Agents and Human Collaboration

• بخش 6.3: نقش عوامل هوش مصنوعی در تحقیقات علمی Part 6.3: The Role of AI Agents in Scientific Research

• بخش 6.4: عوامل هوش مصنوعی در امنیت عمومی و دفاع ملی Part 6.4: AI Agents in Public Safety and National Defense

عوامل هوش مصنوعی: مروری جامع AI Agents: A Comprehensive Overview

• 1. Hands-on AutoGen | IBM Bee | LangGraph | CrewAI | AutoGPT 1. Hands-on AutoGen | IBM Bee | LangGraph | CrewAI | AutoGPT

• 2. Hands-on AutoGen 2. Hands-on AutoGen

• 3. IBM Bee Framework عملی 3. Hands-on IBM Bee Framework

• 4. LangGraph عملی 4. Hands-on LangGraph

• 5. عملی CrewAI 5. Hands-on CrewAI

• 6. AutoGPT عملی 6. Hands-on AutoGPT

پروژه های متفرقه در زمینه هوش مصنوعی برای تمرین روزانه Miscellaneous Projects on AI for Daily Practice

• روز 1: ماشین حساب پایه با استفاده از پایتون Day 1: Basic Calculator using Python

• روز 2: طبقه بندی تصویر با استفاده از Keras و TensorFlow Day 2: Image Classifier using Keras and TensorFlow

• روز 3: چت بات ساده با استفاده از پاسخ های از پیش تعریف شده Day 3: Simple Chatbot using predefined responses

• روز 4: آشکارساز ایمیل هرزنامه با استفاده از Scikit-learn Day 4: Spam Email Detector using Scikit-learn

• روز 5: تشخیص رقم دست نویس با مجموعه داده MNIST Day 5: Handwritten Digit Recognition with MNIST dataset

• روز 6: تجزیه و تحلیل احساسات بر روی داده های متنی با استفاده از NLTK Day 6: Sentiment Analysis on text data using NLTK

• روز هفتم: سیستم توصیه فیلم با استفاده از شباهت کسینوس Day 7: Movie Recommendation System using cosine similarity

• روز هشتم: پیش بینی قیمت خانه با رگرسیون خطی Day 8: Predict House Prices with Linear Regression

• روز نهم: پیش بینی آب و هوا با استفاده از داده های تاریخی Day 9: Weather Forecasting using historical data

• روز دهم: شبکه عصبی پایه از ابتدا Day 10: Basic Neural Network from scratch

• روز یازدهم: پیش‌بینی قیمت سهام با استفاده از داده‌های تاریخی با رگرسیون خطی ساده Day 11: Stock Price Prediction using historical data w/ simple Linear Regression

• روز دوازدهم: پیش بینی دیابت با استفاده از رگرسیون لجستیک Day 12: Predict Diabetes using logistic regression

• روز سیزدهم: طبقه بندی سگ در مقابل گربه با CNN Day 13: Dog vs. Cat Classifier with CNN

• روز چهاردهم: هوش مصنوعی Tic-Tac-Toe با استفاده از الگوریتم Minimax Day 14: Tic-Tac-Toe AI using Minimax Algorithm

• روز 15: شناسایی تقلب در کارت اعتباری با استفاده از Scikit-learn Day 15: Credit Card Fraud Detection using Scikit-learn

• روز شانزدهم: طبقه بندی گل زنبق با استفاده از درختان تصمیم Day 16: Iris Flower Classification using decision trees

• روز هفدهم: دستیار شخصی ساده با استفاده از کتابخانه های گفتاری پایتون Day 17: Simple Personal Assistant using Python speech libraries

• روز هجدهم: خلاصه‌کننده متن با استفاده از Gensim Day 18: Text Summarizer using Gensim

• روز 19: تشخیص بررسی محصولات جعلی با استفاده از تکنیک های NLP Day 19: Fake Product Review Detection using NLP techniques

• روز 20: تشخیص احساسات در متن با استفاده از جعبه ابزار زبان طبیعی (NLTK) Day 20: Detect Emotion in Text using Natural Language Toolkit (NLTK)

• روز 21: سیستم توصیه کتاب با استفاده از فیلتر مشارکتی Day 21: Book Recommendation System using collaborative filtering

• روز 22: پیش بینی قیمت خودرو با استفاده از جنگل تصادفی Day 22: Predict Car Prices using Random Forest

• روز 23: با استفاده از Naive Bayes اخبار جعلی را شناسایی کنید Day 23: Identify Fake News using Naive Bayes

• روز 24: با استفاده از استخراج کلمه کلیدی، یک اسکنر رزومه ایجاد کنید Day 24: Create a Resume Scanner using keyword extraction

• روز 25: پیش‌بینی ریزش مشتری با استفاده از الگوریتم‌های طبقه‌بندی Day 25: Customer Churn Prediction using classification algorithms

• روز 26: شناسایی نهاد نامگذاری شده (NER) با استفاده از spaCy Day 26: Named Entity Recognition (NER) using spaCy

• روز 27: با استفاده از XGBoost، ریزش کارکنان را پیش‌بینی کنید Day 27: Predict Employee Attrition using XGBoost