آموزش عوامل هوش مصنوعی برای همه و چکمه اطلاعات مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

درک عوامل هوش مصنوعی Understanding AI Agents

• آشنایی با عوامل هوش مصنوعی Introduction to AI Agents

• عملکرد عوامل AI چگونه How AI Agents Function

• انواع عوامل هوش مصنوعی Types of AI Agents

فن آوری های پشت عوامل هوش مصنوعی Technologies Behind AI Agents

• یادگیری ماشین و عوامل هوش مصنوعی Machine Learning and AI Agents

• پردازش زبان طبیعی در عوامل هوش مصنوعی Natural Language Processing in AI Agents

• عوامل هوش مصنوعی در رباتیک AI Agents in Robotics

چارچوب ها و معماری های عامل AI AI Agent Frameworks & Architectures

• چارچوب های توسعه عامل هوش مصنوعی AI Agent Development Frameworks

• نمای کلی از Autogpt برای عوامل AI Overview of AutoGPT for AI Agents

• چارچوب زنبور IBM برای نمایندگان AI IBM Bee Framework for AI Agents

• langgraph برای نمایندگان AI دولتی LangGraph for Stateful AI Agents

• خدمه برای عوامل مشترک AI CrewAI for Collaborative AI Agents

برنامه های کاربردی AI Applications of AI Agents

• نمایندگان هوش مصنوعی در عملیات تجاری AI Agents in Business Operations

• عوامل هوش مصنوعی در مراقبت های بهداشتی AI Agents in Healthcare

• عوامل هوش مصنوعی در سیستم های مالی AI Agents in Financial Systems

• عوامل هوش مصنوعی در سرگرمی AI Agents in Entertainment

• عوامل هوش مصنوعی در خانه های هوشمند و IoT AI Agents in Smart Homes and IoT

روندهای آینده و پیامدهای اخلاقی Future Trends and Ethical Implications

• آینده عوامل هوش مصنوعی The Future of AI Agents

• اخلاق در توسعه عامل هوش مصنوعی Ethics in AI Agent Development

• چالش های قانونی و نظارتی برای نمایندگان هوش مصنوعی Legal and Regulatory Challenges for AI Agents

تأثیر گسترده تر عوامل هوش مصنوعی Broader Impact of AI Agents

• تأثیرات اجتماعی و اقتصادی عوامل هوش مصنوعی Social and Economic Impacts of AI Agents

• عوامل هوش مصنوعی و همکاری انسانی AI Agents and Human Collaboration

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

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

AI Agents: یک مرور کلی جامع AI Agents: A Comprehensive Overview

• Autogen Hand-on | IBM Bee | langgraph | خدمه | خودجایی Hands-on AutoGen | IBM Bee | LangGraph | CrewAI | AutoGPT

• خودروژن Hands-on AutoGen

• چارچوب زنبور عسل IBM Hands-on IBM Bee Framework

• لنگوگراف دست در دست Hands-on LangGraph

• خدمه دستی Hands-on CrewAI

• دستگیره Hands-on AutoGPT

AI BOOTCAMP هفته 1: اصول اولیه برنامه نویسی پایتون برای هوش مصنوعی AI Bootcamp Week 1: Python Programming Basics for Artificial Intelligence

• آشنایی با اصول اولیه برنامه نویسی پایتون Introduction to Week 1 Python Programming Basics

• روز اول: مقدمه ای بر پایتون و راه اندازی توسعه Day 1: Introduction to Python and Development Setup

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

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

• روز چهارم: ساختار داده ها (لیست ها ، Tuples ، فرهنگ لغت ، مجموعه ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

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

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

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

AI Bootcamp Week 2: Essentials Science Data برای هوش مصنوعی AI Bootcamp Week 2: Data Science Essentials for Artificial Intelligence

• آشنایی با موارد ضروری علوم داده هفته 2 Introduction to Week 2 Data Science Essentials

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

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

• روز 3: مقدمه ای برای پاندا برای دستکاری داده ها Day 3: Introduction to Pandas for Data Manipulation

• روز چهارم: تمیز کردن و آماده سازی داده ها با پاندا Day 4: Data Cleaning and Preparation with Pandas

• روز 5: جمع آوری داده ها و گروه بندی در پاندا 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 7: پروژه تجزیه و تحلیل داده های اکتشافی (EDA) Day 7: Exploratory Data Analysis (EDA) Project

AI Bootcamp هفته 3: ریاضیات برای یادگیری ماشین و هوش مصنوعی AI Bootcamp Week 3: Mathematics for Machine Learning and Artificial Intelligence

• آشنایی با ریاضیات هفته 3 برای یادگیری ماشین Introduction to Week 3 Mathematics for Machine Learning

• روز 1: اصول جبر خطی Day 1: Linear Algebra Fundamentals

• روز 2: 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 چهارم: حساب برای یادگیری ماشین (انتگرال و بهینه سازی) Day 4: Calculus for Machine Learning (Integrals and Optimization)

• روز 5: نظریه احتمال و توزیع Day 5: Probability Theory and Distributions

• روز ششم: اصول آمار Day 6: Statistics Fundamentals

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

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

• آشنایی با احتمال و آمار هفته 4 برای یادگیری ماشین 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 - تخمین و فواصل اطمینان Day 3: Statistical Inference - Estimation and Confidence Intervals

• روز چهارم: آزمایش فرضیه و مقادیر p Day 4: Hypothesis Testing and P-Values

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

• روز ششم: همبستگی و تحلیل 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 5 Bootcamp AI: مقدمه ای برای یادگیری ماشین AI Bootcamp Week 5: Introduction to Machine Learning

• مقدمه ای برای هفته 5 آشنایی با یادگیری ماشین Introduction to Week 5 Introduction to Machine Learning

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

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

• روز 3: مدل های رگرسیون پیشرفته - رگرسیون چند جمله ای و تنظیم منظم 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 5: ارزیابی مدل و اعتبار سنجی متقابل Day 5: Model Evaluation and Cross-Validation

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

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

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

• آشنایی با مهندسی ویژگی هفته 6 و ارزیابی مدل Introduction to Week 6 Feature Engineering and Model Evaluation

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

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

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

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

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

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

• روز 7: اعتبار سنجی متقابل و تنظیمات هیپرپارامتر Day 7: Cross-Validation and Hyperparameter Tuning

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

• آشنایی با الگوریتم های یادگیری ماشین پیشرفته هفته 7 Introduction to Week 7 Advanced Machine Learning Algorithms

• روز اول: مقدمه ای برای یادگیری گروه Day 1: Introduction to Ensemble Learning

• روز 2: کیسه های کیسه ای و تصادفی Day 2: Bagging and Random Forests

• روز 3: تقویت و تقویت شیب Day 3: Boosting and Gradient Boosting

• روز چهارم: آشنایی با XGBOOST Day 4: Introduction to XGBoost

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

• روز ششم: رسیدگی به داده های نامتوازن Day 6: Handling Imbalanced Data

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

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

• آشنایی با تنظیم و بهینه سازی مدل هفته 8 Introduction to Week 8 Model Tuning and Optimization

• روز اول: مقدمه تنظیم Hyperparameter Day 1: Introduction to Hyperparameter Tuning

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

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

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

• روز 5: اعتبار سنجی متقابل و تکنیک های ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

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

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

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

• آشنایی با شبکه های عصبی هفته 9 و اصول 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 رو به جلو Day 2: Forward Propagation and Activation Functions

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

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

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

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

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

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

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

• روز اول: آشنایی با شبکه های عصبی حلقوی Day 1: Introduction to Convolutional Neural Networks

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

• روز 3: لایه های جمع آوری و کاهش ابعاد Day 3: Pooling Layers and Dimensionality Reduction

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

• روز 5: ساختمان معماری CNN با Pytorch Day 5: Building CNN Architectures with PyTorch

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

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

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

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

• روز اول: مقدمه ای برای مدل سازی دنباله و RNN ها Day 1: Introduction to Sequence Modeling and RNNs

• روز 2: درک معماری RNN و بازگشت به زمان 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 چهارم: واحدهای مکرر دروازه (GRUS) Day 4: Gated Recurrent Units (GRUs)

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

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

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

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

• آشنایی با ترانسفورماتورها و مکانیسم های توجه هفته 12 Introduction to Week 12 Transformers and Attention Mechanisms

• روز اول: آشنایی با مکانیسم های توجه Day 1: Introduction to Attention Mechanisms

• روز دوم: آشنایی با معماری ترانسفورماتور Day 2: Introduction to Transformers Architecture

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

• روز چهارم: رمزگذاری موقعیت و شبکه های تغذیه ای Day 4: Positional Encoding and Feed-Forward Networks

• روز 5: دستی 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 برت و GPT-3 Day 6: Advanced Transformers – BERT Variants and GPT-3

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

AI BOOTCAMP هفته 13: یادگیری و تنظیم دقیق AI Bootcamp Week 13: Transfer Learning and Fine-Tuning

• مقدمه ای برای یادگیری و تنظیم دقیق هفته 13 Introduction to Week 13 Transfer Learning and Fine-Tuning

• روز اول: مقدمه ای برای انتقال یادگیری Day 1: Introduction to Transfer Learning

• روز 2: یادگیری را در چشم انداز رایانه انتقال دهید Day 2: Transfer Learning in Computer Vision

• روز 3: تکنیک های تنظیم دقیق در دید رایانه Day 3: Fine-Tuning Techniques in Computer Vision

• روز چهارم: انتقال یادگیری در NLP Day 4: Transfer Learning in NLP

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

• روز ششم: سازگاری دامنه و چالش های یادگیری انتقال Day 6: Domain Adaptation and Transfer Learning Challenges

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