آموزش دوره گواهینامه حرفه‌ای مهندسی هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

Introduction to Course and Instructor

• آنچه در دوره گواهینامه حرفه‌ای مهندس هوش مصنوعی خواهید آموخت What You’ll Learn in the AI Engineer Professional Certificate Course

تنظیم و بهینه‌سازی مدل Model Tuning and Optimization

• روز ۱: مقدمه‌ای بر تنظیم هایپرپارامتر Day 1: Introduction to Hyperparameter Tuning

• روز ۲: جستجوی گرید و جستجوی تصادفی Day 2: Grid Search and Random Search

• روز ۳: تنظیم پیشرفته هایپرپارامتر با بهینه‌سازی بیزی Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

• روز ۴: تکنیک‌های رگولاریزاسیون برای بهینه‌سازی مدل Day 4: Regularization Techniques for Model Optimization

• روز ۵: اعتبارسنجی متقابل و تکنیک‌های ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

• روز ۶: تنظیم خودکار هایپرپارامتر با GridSearchCV و RandomizedSearchCV Day 6: Automated Hyperparameter Tuning with GridSearchCV and RandomizedSearchCV

• روز ۷: پروژه بهینه‌سازی – ساخت و تنظیم یک مدل نهایی Day 7: Optimization Project – Building and Tuning a Final Model

• تنظیم و اعتبارسنجی مدل نهایی برای پیش‌بینی تایید وام Tuning and Validating the Final Model for Loan Approval Prediction

شبکه‌های عصبی پیچشی (CNNs) Convolutional Neural Networks (CNNs)

• روز ۱: مقدمه‌ای بر شبکه‌های عصبی پیچشی Day 1: Introduction to Convolutional Neural Networks

• روز ۲: لایه‌های پیچشی و فیلترها Day 2: Convolutional Layers and Filters

• روز ۳: لایه‌های پولینگ و کاهش ابعاد Day 3: Pooling Layers and Dimensionality Reduction

• روز ۴: ساخت معماری‌های CNN با Keras و TensorFlow Day 4: Building CNN Architectures with Keras and TensorFlow

• روز ۵: ساخت معماری‌های CNN با PyTorch Day 5: Building CNN Architectures with PyTorch

• روز ۶: رگولاریزاسیون و افزایش داده برای CNNها Day 6: Regularization and Data Augmentation for CNNs

• روز ۷: پروژه CNN – طبقه‌بندی تصویر در Fashion MNIST یا CIFAR-10 Day 7: CNN Project – Image Classification on Fashion MNIST or CIFAR-10

• ارائه یک طبقه‌بند تصویر CNN برای دسته‌بندی محصولات مد Presenting a CNN Image Classifier for Fashion Product Categorization

شبکه‌های عصبی بازگشتی (RNNs) و مدل‌سازی توالی Recurrent Neural Networks (RNNs) and Sequence Modeling

• روز ۱: مقدمه‌ای بر مدل‌سازی توالی و RNNها Day 1: Introduction to Sequence Modeling and RNNs

• روز ۲: درک معماری RNN و انتشار پس‌گرا در طول زمان (BPTT) Day 2: Understanding RNN Architecture and Backpropagation Through Time (BPTT)

• روز ۳: شبکه‌های حافظه بلند-کوتاه مدت (LSTM) Day 3: Long Short-Term Memory (LSTM) Networks

• روز ۴: واحدهای بازگشتی دروازه‌دار (GRUs) Day 4: Gated Recurrent Units (GRUs)

• روز ۵: پیش‌پردازش متن و جاسازی کلمه برای RNNها Day 5: Text Preprocessing and Word Embeddings for RNNs

• روز ۶: مدل‌های توالی به توالی و کاربردها Day 6: Sequence-to-Sequence Models and Applications

• روز ۷: پروژه RNN – تولید متن یا تحلیل احساسات Day 7: RNN Project – Text Generation or Sentiment Analysis

• طراحی یک RNN برای تحلیل احساسات نظرات مشتریان Designing an RNN for Sentiment Analysis of Customer Reviews

ترنسفورمرها و مکانیزم‌های توجه Transformers and Attention Mechanisms

• روز ۱: مقدمه‌ای بر مکانیزم‌های توجه Day 1: Introduction to Attention Mechanisms

• روز ۲: مقدمه‌ای بر معماری ترنسفورمرها Day 2: Introduction to Transformers Architecture

• روز ۳: سلف-اتنشن و مالتی-هد اتنشن در ترنسفورمرها Day 3: Self-Attention and Multi-Head Attention in Transformers

• روز ۴: رمزگذاری موقعیتی و شبکه‌های فید-فوروارد Day 4: Positional Encoding and Feed-Forward Networks

• روز ۵: کار عملی با ترنسفورمرهای از پیش آموزش‌دیده – BERT و GPT Day 5: Hands-On with Pre-Trained Transformers – BERT and GPT

• روز ۶: ترنسفورمرهای پیشرفته – نسخه‌های BERT و GPT-3 Day 6: Advanced Transformers – BERT Variants and GPT-3

• روز ۷: پروژه ترنسفورمر – خلاصه‌سازی متن یا ترجمه Day 7: Transformer Project – Text Summarization or Translation

• استقرار مدل ترنسفورمر برای خلاصه‌سازی متن در LegalTech Deploying a Transformer Model for Text Summarization in LegalTech

یادگیری انتقالی و تنظیم دقیق Transfer Learning and Fine-Tuning

• روز ۱: مقدمه‌ای بر یادگیری انتقالی Day 1: Introduction to Transfer Learning

• روز ۲: یادگیری انتقالی در بینایی ماشین Day 2: Transfer Learning in Computer Vision

• روز ۳: تکنیک‌های تنظیم دقیق در بینایی ماشین Day 3: Fine-Tuning Techniques in Computer Vision

• روز ۴: یادگیری انتقالی در پردازش زبان طبیعی Day 4: Transfer Learning in NLP

• روز ۵: تکنیک‌های تنظیم دقیق در پردازش زبان طبیعی Day 5: Fine-Tuning Techniques in NLP

• روز ۶: سازگاری دامنه و چالش‌های یادگیری انتقالی Day 6: Domain Adaptation and Transfer Learning Challenges

• روز ۷: پروژه یادگیری انتقالی – تنظیم دقیق برای یک کار سفارشی Day 7: Transfer Learning Project – Fine-Tuning for a Custom Task

• تنظیم دقیق یک مدل از پیش آموزش‌دیده برای طبقه‌بندی ایمیل‌های خاص صنعت Fine-Tuning a Pretrained Model for Industry-Specific Email Classification

عوامل هوش مصنوعی: یک نمای کلی جامع AI Agents: A Comprehensive Overview

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

• 2. کار عملی با AutoGen 2. Hands-on AutoGen

• 3. کار عملی با فریم‌ورک IBM Bee 3. Hands-on IBM Bee Framework

• 4. کار عملی با LangGraph 4. Hands-on LangGraph

• 5. کار عملی با CrewAI 5. Hands-on CrewAI

• 6. کار عملی با AutoGPT 6. Hands-on AutoGPT

• انتخاب فریم‌ورک چندعاملی مناسب برای دستیار تحقیقاتی هوش مصنوعی Selecting the Right Multi-Agent Framework for an AI Research Assistant

مقدمه و کار عملی با MLOps Introduction and Hands-on MLOps

• 1. مقدمه‌ای بر جلسات MLOps 1. Introduction to MLOps Sessions

• 2. مروری بر MLOps و اهمیت آن 2. Overview of MLOps and its Importance

• 3. تکامل عملیات یادگیری ماشین 3. Evolution of Machine Learning Operations

• 4. مفاهیم کلیدی در MLOps: نسخه‌سازی، اتوماسیون و نظارت 4. Key Concepts in MLOps: Versioning, Automation, and Monitoring

• 5. MLOps در مقابل DevOps: شباهت‌ها و تفاوت‌ها 5. MLOps vs. DevOps: Similarities and Differences

• 6. کار عملی: راه‌اندازی ساختار پروژه MLOps پایه (Git، Docker، پایپ‌لاین مدل) 6. Hands-on: Set up a basic MLOps Project Structure (Git, Docker, Model Pipeline

• 7. مقدمه‌ای بر بخش پایپ‌لاین از علم داده تا تولید 7. Introduction to Data Science to Production Pipeline Section

• 8. مروری بر جریان کاری ML: از آماده‌سازی داده تا استقرار 8. Overview of the ML Workflow: Data Preparation to Deployment

• 9. آزمایش در مقابل تولید 9. Experimentation vs. Production

• 10. چالش‌ها در استقرار مدل‌های ML 10. Challenges in Deploying ML Models

• 11. کار عملی: ساخت یک پایپ‌لاین سرتاسری برای مدل ML 11. Hands-on: Build an end-to-end pipeline for an ML model

• 12. مقدمه‌ای بر بخش زیرساخت برای MLOps 12. Introduction to Infrastructure for MLOps Section

• 13. مقدمه‌ای بر پلتفرم‌های ابری (AWS، GCP، Azure) 13. Introduction to Cloud Platforms (AWS, GCP, Azure)

• 14. کانتینرسازی با Docker 14. Containerization with Docker

• 15. Kubernetes برای ارکستراسیون بارهای کاری ML 15. Kubernetes for Orchestrating ML Workloads

• 16. راه‌اندازی محیط‌های MLOps محلی 16. Setting up Local MLOps Environments

• 17. کار عملی: کانتینرسازی مدل ML ساده و استقرار محلی آن با استفاده از Kubernetes 17. Hands-on: Containerize simple ML model & deploy it locally using Kubernetes

• بررسی اولین پایپ‌لاین MLOps سرتاسری شما برای استقرار Reviewing Your First End-to-End MLOps Pipeline for Deployment

آزمون نهایی و تبریک Final Quiz & Congratulations

• آزمون نهایی Final Quiz

• تبریک و با آرزوی موفقیت Congratulations and Best of Luck