آموزش جامع آمادگی آزمون AWS Certified AI Practitioner (AIF-C01) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه‌ای بر آزمون AWS Certified AI Practitioner (AIF C01) AWS Certified AI Practitioner (AIF-C01): Introduction

1. راهنمای آزمون 1. Exam Guide

• اهداف یادگیری Learning objectives

• توصیف داوطلبان هدف Target candidate description

• محتوای آزمون Exam content

• مقدمه Introduction

• ماژول 1: مقدمه‌ای بر مبانی آزمون Module 1: Exam foundation introduction

• دامنه سوالات آزمون Exam question domains

2. مفاهیم پایه هوش مصنوعی 2. Basic AI Concepts

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• تحلیل سوالات، بخش اول Question breakdown, part 1

• مقدمه‌ای بر یادگیری ماشین Introduction to machine learning

• اهداف یادگیری Learning objectives

• ماژول 2: مقدمه‌ای بر مبانی AI و ML Module 2: Fundamentals of AI and ML introduction

• مقدمه‌ای بر یادگیری عمیق Introduction to deep learning

• اصطلاحات پایه هوش مصنوعی Basic AI terminology

3. موارد کاربرد عملی هوش مصنوعی 3. Practical Use Cases for AI

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• الگوها و ضد الگوهای AI AI patterns and anti-patterns

• تکنیک‌های یادگیری ماشین ML techniques

• تحلیل سوالات، بخش اول Question breakdown, part 1

• اهداف یادگیری Learning objectives

• سرویس‌های مدیریت شده AI/ML در AWS AWS-managed AI/ML services

• کاربردهای دنیای واقعی هوش مصنوعی Real-world AI applications

4. چرخه حیات توسعه یادگیری ماشین 4. ML Development Lifecycle

• سرویس‌های خط لوله (Pipeline) یادگیری ماشین AWS AWS ML pipeline services

• مقدمه‌ای بر MLOps Introduction to MLOps

• تحلیل سوالات، بخش اول Question breakdown, part 1

• اهداف یادگیری Learning objectives

• معیارهای عملکرد مدل ML ML model performance metrics

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• اجزای خط لوله یادگیری ماشین ML pipeline components

• منابع مدل‌های ML و انواع استقرار ML model sources and deployment types

5. مفاهیم پایه هوش مصنوعی مولد 5. Basic Concepts of Generative AI

• اصطلاحات پایه هوش مصنوعی مولد Basic generative AI terminology

• موارد استفاده از هوش مصنوعی مولد Generative AI use cases

• چرخه حیات مدل‌های پایه Foundation model lifecycle

• تحلیل سوالات، بخش اول Question breakdown, part 1

• ماژول 3: مقدمه‌ای بر مبانی هوش مصنوعی مولد Module 3: Fundamentals of generative AI introduction

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• اهداف یادگیری Learning objectives

6. قابلیت‌ها و محدودیت‌های هوش مصنوعی مولد 6. Generative AI Capabilities and Limitations

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• معایب هوش مصنوعی مولد Generative AI disadvantages

• تحلیل سوالات، بخش اول Question breakdown, part 1

• درخت تصمیم‌گیری برای انتخاب مدل Model selection decision tree

• مزایای هوش مصنوعی مولد Generative AI advantages

• ارزش تجاری و معیارهای هوش مصنوعی مولد Generative AI business value and metrics

• اهداف یادگیری Learning objectives

7. سرویس‌های هوش مصنوعی مولد AWS 7. AWS Generative AI Offerings

• سرویس‌ها و ویژگی‌های هوش مصنوعی مولد AWS AWS generative AI services and features

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• تحلیل سوالات، بخش اول Question breakdown, part 1

• موازنه هزینه‌های هوش مصنوعی مولد در AWS AWS generative AI cost tradeoffs

• مزایا و فواید هوش مصنوعی مولد AWS AWS generative AI advantages and benefits

• اهداف یادگیری Learning objectives

8. طراحی مدل‌های پایه 8. Foundation Model Design

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• مقدمه‌ای بر RAG (تولید تقویت شده با بازیابی) Introduction to RAG

• تحلیل سوالات، بخش اول Question breakdown, part 1

• معیارهای انتخاب مدل‌های پیش‌آموزش‌دیده Pretrained model selection criteria

• موازنه هزینه سفارشی‌سازی مدل‌های پایه Foundation model customization cost tradeoffs

• سرویس پایگاه داده برداری AWS AWS vector database service

• اهداف یادگیری Learning objectives

• مقدمه‌ای بر پایگاه داده‌های برداری Introduction to vector databases

• ماژول 4: مقدمه‌ای بر کاربردهای مدل‌های پایه Module 4: Applications of foundation models introduction

• پارامترهای استنتاج مدل Model inference parameters

• عامل‌های هوش مصنوعی مولد Generative AI agents

9. عملکرد مدل‌های پایه 9. Foundation Model Performance

• ارزیابی و معیارهای عملکرد مدل‌های پایه Foundation model performance metrics and evaluation

• معیارهای اهداف تجاری مدل پایه Foundation model business objective criteria

• تحلیل سوالات، بخش اول Question breakdown, part 1

• اهداف یادگیری Learning objectives

• تحلیل سوالات، بخش دوم Question breakdown, part 2

10. آموزش و تنظیم دقیق مدل‌های پایه 10. Foundation Model Training and Fine-Tuning

• تحلیل سوالات، بخش اول Question breakdown, part 1

• اهداف یادگیری Learning objectives

• تنظیم دقیق (Fine Tuning) مدل‌های پایه Foundation model fine-tuning

• آموزش مدل‌های پایه Foundation model training

• آماده‌سازی داده‌ها برای مدل پایه Foundation model data preparation

• تحلیل سوالات، بخش دوم Question breakdown, part 2

11. مهندسی پرامپت (Prompt Engineering) 11. Prompt Engineering

• اهداف یادگیری Learning objectives

• تحلیل سوالات، بخش اول Question breakdown, part 1

• ریسک‌ها و محدودیت‌های مهندسی پرامپت Prompt engineering risks and limitations

• بهترین روش‌های مهندسی پرامپت Prompt engineering best practices

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• گردش کار پرامپت Prompt workflow

• مفاهیم مهندسی پرامپت Prompt engineering concepts

• تکنیک‌های مهندسی پرامپت Prompt engineering techniques

12. توسعه سیستم‌های هوش مصنوعی مسئولانه 12. Responsible AI System Development

• ویژگی‌های هوش مصنوعی مسئولانه Responsible AI features

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• روش‌های انتخاب مدل برای هوش مصنوعی مسئولانه Responsible AI model selection practices

• ویژگی‌های مجموعه‌داده‌های AI AI dataset characteristics

• بایاس (سوگیری) و واریانس در AI AI bias and variance

• تحلیل سوالات، بخش اول Question breakdown, part 1

• ابزارهای شناسایی سوگیری AI در AWS AWS AI bias detection tools

• ماژول 5: مقدمه‌ای بر راهکارهای AI امن و مسئولانه Module 5: Responsible and secure AI solutions introduction

• اهداف یادگیری Learning objectives

• ابزارهای هوش مصنوعی مسئولانه AWS AWS responsible AI tools

• ریسک‌های قانونی هوش مصنوعی مولد Generative AI legal risks

13. مدل‌های هوش مصنوعی شفاف و قابل توضیح 13. Transparent and Explainable AI Models

• تحلیل سوالات، بخش اول Question breakdown, part 1

• اصول طراحی AI انسان‌محور Human-centered AI design principles

• موازنه بین امنیت و شفافیت مدل AI AI model safety and transparency tradeoffs

• تعاریف شفافیت و قابلیت توضیح Transparency and explainability definitions

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• اهداف یادگیری Learning objectives

• ابزارهای شفافیت و توضیح‌پذیری AWS AWS transparency and explainability tools

14. امنیت هوش مصنوعی 14. AI Security

• بهترین روش‌های مهندسی داده‌های امن Secure data engineering best practices

• اهداف یادگیری Learning objectives

• سرویس‌ها و ویژگی‌های امنیتی AI در AWS AWS AI security services and features

• تحلیل سوالات، بخش اول Question breakdown, part 1

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• ارجاع داده‌ها و مستندات منشأ Data citations and origin documentation

• ملاحظات امنیتی و حریم خصوصی AI AI security and privacy considerations

15. حاکمیت و انطباق هوش مصنوعی 15. AI Governance and Compliance

• اهداف یادگیری Learning objectives

• استراتژی‌های حاکمیت داده Data governance strategies

• تحلیل سوالات، بخش اول Question breakdown, part 1

• تحلیل سوالات، بخش دوم Question breakdown, part 2

• پروتکل‌های حاکمیتی و استانداردهای انطباق Governance protocols and compliance standards

• سرویس‌های حاکمیت و انطباق AWS AWS governance and compliance services

جمع‌بندی Conclusion

• خلاصه دوره AWS Certified AI Practitioner (AIF C01) AWS Certified AI Practitioner (AIF-C01): Summary