دوره مهندس هوش مصنوعی 2024: کمپ کامل مهندس هوش مصنوعی

The AI Engineer Course 2024: Complete AI Engineer Bootcamp

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش کامل مهندس هوش مصنوعی: Python، NLP، Transformers، LLMs، LangChain، Hugging Face، APIs این دوره تمام جعبه ابزار مورد نیاز شما برای تبدیل شدن به یک مهندس هوش مصنوعی را فراهم می کند. از آن برای مصاحبه‌گران NLP و AI Impress استفاده کنید، با نشان دادن درک درستی از زمینه هوش مصنوعی، مهارت‌های خود را در پرونده‌های تجاری واقعی به کار ببرید از قدرت مدل‌های زبان بزرگ استفاده کنید. LangChain را برای توسعه بی‌وقفه برنامه‌های مبتنی بر هوش مصنوعی با زنجیر کردن اجزای متقابل آشنا کنید. با Hugging آشنا شوید. Face و ابزارهای هوش مصنوعی که ارائه می دهد از API ها استفاده کنید و به مدل های پایه قدرتمند متصل شوید پیش نیازها: نیازی به تجربه قبلی نیست. ما از اصول اولیه ای که برای نصب Anaconda نیاز دارید شروع می کنیم. ما به شما نشان خواهیم داد که چگونه این کار را مرحله به مرحله انجام دهید

مشکل

مهندسین هوش مصنوعی برای پیشرفت در عصر هوش مصنوعی مناسب‌تر هستند. این به کسب‌وکارها کمک می‌کند تا با ساختن برنامه‌های مبتنی بر هوش مصنوعی در بالای وب‌سایت‌ها، برنامه‌ها و پایگاه‌های داده موجود خود از هوش مصنوعی مولد استفاده کنند. بنابراین، جای تعجب نیست که تقاضا برای مهندسان هوش مصنوعی در بازار کار افزایش یافته است.

اما عرضه حداقل بوده است و کسب مهارت های لازم برای استخدام به عنوان مهندس هوش مصنوعی می تواند چالش برانگیز باشد.

بنابراین، چگونه این امر قابل دستیابی است؟

دانشگاه ها در ایجاد برنامه های تخصصی با تمرکز بر مهارت های عملی مهندسی هوش مصنوعی کند بوده اند. تلاش‌های کمی که وجود دارد معمولاً پرهزینه و زمان‌بر هستند.

اکثر دوره‌های آنلاین هک‌های ChatGPT و مهارت‌های فنی مجزا را ارائه می‌دهند، اما ادغام این مهارت‌ها همچنان چالش برانگیز است.

راه حل

مهندسی هوش مصنوعی یک رشته چند رشته ای است که شامل موارد زیر است:

  • اصول هوش مصنوعی و کاربردهای عملی

  • برنامه نویسی پایتون

  • پردازش زبان طبیعی در پایتون

  • مدل‌ها و ترانسفورماتورهای زبان بزرگ

  • توسعه برنامه‌ها با ابزارهای ارکستراسیون مانند LangChain

  • پایگاه های داده برداری با استفاده از PineCone

  • ایجاد برنامه های کاربردی مبتنی بر هوش مصنوعی

هر مبحث بر اساس موضوع قبلی است و نادیده گرفتن مراحل می تواند منجر به سردرگمی شود. به عنوان مثال، استفاده از مدل‌های زبان بزرگ مستلزم آشنایی با Langchain است—همانطور که مطالعه پردازش زبان طبیعی بدون مهارت‌های اولیه کدنویسی پایتون می‌تواند بسیار دشوار باشد.

بنابراین، ما AI Engineer Bootcamp 2024 را ایجاد کردیم تا مؤثرترین، کارآمدترین، و ساختارمندترین آموزش مهندسی هوش مصنوعی موجود به صورت آنلاین را ارائه دهیم.

این برنامه آموزشی پیشگام با ادغام همه منابع ضروری در یک مکان، بر مهم ترین مانع ورود به حوزه مهندسی هوش مصنوعی غلبه می کند.

دوره آموزشی ما برای آموزش موضوعات مرتبط با یکدیگر به صورت یکپارچه طراحی شده است—و همه آنچه را که برای تبدیل شدن به یک مهندس هوش مصنوعی با هزینه و زمان بسیار کمتری نسبت به برنامه های سنتی نیاز دارید، فراهم می کند.

مهارت ها

1. مقدمه ای بر هوش مصنوعی

داده‌های ساختاریافته و بدون ساختار، یادگیری ماشینی تحت نظارت و بدون نظارت، هوش مصنوعی تولیدی، و مدل‌های بنیادی - این واژه‌های پرکار هوش مصنوعی. منظورشان دقیقا چیست؟

چرا هوش مصنوعی مطالعه کنیم؟ از طریق یک کاوش هدایت‌شده که اصول هوش مصنوعی، اهمیت داده‌های با کیفیت، تکنیک‌های ضروری، هوش مصنوعی تولیدی، و توسعه مدل‌های پیشرفته مانند GPT، Llama، Gemini و Claude را پوشش می‌دهد، بینش عمیقی در این زمینه به دست آورید.

2. برنامه نویسی پایتون

تسلط بر برنامه نویسی پایتون برای تبدیل شدن به یک توسعه دهنده ماهر هوش مصنوعی ضروری است—ابزارهای بدون کد کافی نیستند.

Python یک زبان برنامه نویسی مدرن و همه منظوره است که برای ایجاد برنامه های کاربردی وب، بازی های رایانه ای و کارهای علم داده مناسب است. اکوسیستم کتابخانه ای گسترده آن، آن را برای توسعه مدل های هوش مصنوعی ایده آل می کند.

چرا برنامه نویسی پایتون را مطالعه کنیم؟

برنامه نویسی پایتون ابزار ضروری شما برای برقراری ارتباط با مدل های هوش مصنوعی و ادغام قابلیت های آنها در محصولات شما خواهد بود.

3. مقدمه ای بر NLP در پایتون

پردازش زبان طبیعی (NLP) را کاوش کنید و تکنیک‌هایی را بیاموزید که رایانه‌ها را برای درک، تولید و طبقه‌بندی زبان انسانی توانمند می‌سازد.

چرا NLP مطالعه کنیم؟

NLP اساس مدل‌های پیشرفته هوش مصنوعی مولد را تشکیل می‌دهد. این برنامه شما را به مهارت های ضروری برای توسعه سیستم های هوش مصنوعی مجهز می کند که به طور معناداری با زبان انسان در تعامل است.

4. مقدمه ای بر مدل های زبان بزرگ

این بخش برنامه با آموزش استفاده از قابلیت‌های قدرتمند مدل‌های زبان بزرگ (LLM) مهارت‌های پردازش زبان طبیعی شما را افزایش می‌دهد. ابزارهای حیاتی مانند Transformers Architecture، GPT، Langchain، HuggingFace، BERT و XLNet را بیاموزید.

چرا LLM بخوانید؟

این ماژول دروازه‌ای برای درک نحوه عملکرد مدل‌های زبان بزرگ و نحوه استفاده از آن‌ها برای حل وظایف پیچیده مرتبط با زبان است که نیاز به درک زمینه‌ای عمیق دارند.

5. ساخت برنامه های کاربردی با LangChain

LangChain چارچوبی است که امکان توسعه یکپارچه برنامه‌های کاربردی مبتنی بر هوش مصنوعی را با زنجیره‌بندی اجزای قابل همکاری فراهم می‌کند.

چرا LangChain را مطالعه کنید؟

با نحوه ایجاد برنامه های کاربردی که می توانند استدلال کنند آشنا شوید. LangChain ایجاد سیستم‌هایی را تسهیل می‌کند که در آن قطعات منفرد - مانند مدل‌های زبان، پایگاه‌های اطلاعاتی و الگوریتم‌های استدلال - می‌توانند برای بهبود عملکرد کلی به هم متصل شوند.

6. پایگاه داده برداری

با فناوری‌های نوظهور هوش مصنوعی، اهمیت بردارسازی و پایگاه‌های داده برداری به میزان قابل توجهی افزایش می‌یابد. در این ماژول Vector Databases with Pinecone، شما این فرصت را خواهید داشت که پایگاه داده Pinecone را کاوش کنید - یک راه حل پیشرو در پایگاه داده برداری.

چرا پایگاه های داده برداری را مطالعه کنیم؟

یادگیری در مورد پایگاه داده های برداری بسیار مهم است، زیرا شما را به مدیریت کارآمد و پرس و جو حجم زیادی از داده های با ابعاد بالا مجهز می کند - که در یادگیری ماشین و برنامه های کاربردی هوش مصنوعی معمول است. این مهارت‌های فنی به شما این امکان را می‌دهد که برنامه‌های کاربردی مبتنی بر هوش مصنوعی بهینه‌سازی شده را اجرا کنید.

آنچه دریافت می کنید

  • برنامه آموزش مهندسی هوش مصنوعی 1250 دلاری

  • پشتیبانی فعال Q A

  • مهارت های ضروری برای استخدام مهندسی هوش مصنوعی

  • دسترسی به جامعه یادگیرنده هوش مصنوعی

  • گواهی تکمیل

  • به روز رسانی های آینده

  • راه‌حل‌های موردی کسب‌وکار در دنیای واقعی برای آمادگی شغلی

ما مشتاقیم به شما کمک کنیم از ابتدا مهندس هوش مصنوعی شوید—با ارائه 30 روز ضمانت بازگشت کامل وجه بدون قید و شرط.

با محتوای دوره عالی و بدون خطر، ما مطمئن هستیم که آن را دوست خواهید داشت.

چرا تاخیر؟ هر روز یک فرصت از دست رفته است. روی دکمه «اکنون خرید» کلیک کنید و امروز به برنامه مهندس هوش مصنوعی ما بپیوندید.


سرفصل ها و درس ها

مقدمه ماژول هوش مصنوعی: شروع به کار Intro to AI Module: Getting started

  • دوره شامل چه مواردی می شود What does the course cover

  • هوش مصنوعی در مقابل طبیعی Natural vs Artificial Intelligence

  • تاریخچه مختصر هوش مصنوعی Brief history of AI

  • رمزگشایی هوش مصنوعی، علم داده، یادگیری ماشینی و یادگیری عمیق Demystifying AI, Data science, Machine learning, and Deep learning

  • هوش مصنوعی ضعیف در مقابل قوی Weak vs Strong AI

  • آزمون 1 Quiz 1

مقدمه ماژول هوش مصنوعی: داده ها برای ساختن هوش مصنوعی ضروری هستند Intro to AI Module: Data is essential for building AI

  • داده های ساختاریافته در مقابل داده های بدون ساختار Structured vs unstructured data

  • نحوه جمع آوری داده ها How we collect data

  • داده های برچسب دار و بدون برچسب Labelled and unlabelled data

  • فراداده: داده هایی که داده ها را توصیف می کنند Metadata: Data that describes data

  • آزمون 2 Quiz 2

مقدمه ماژول هوش مصنوعی: تکنیک های کلیدی هوش مصنوعی Intro to AI Module: Key AI techniques

  • یادگیری ماشینی Machine learning

  • یادگیری تحت نظارت، بدون نظارت و تقویتی Supervised, Unsupervised, and Reinforcement learning

  • یادگیری عمیق Deep learning

  • امتحان 3 Quiz 3

مقدمه ماژول هوش مصنوعی: شاخه های مهم هوش مصنوعی Intro to AI Module: Important AI branches

  • رباتیک Robotics

  • بینایی کامپیوتر Computer vision

  • ML سنتی Traditional ML

  • هوش مصنوعی مولد Generative AI

  • آزمون 4 Quiz 4

مقدمه ماژول هوش مصنوعی: درک هوش مصنوعی مولد Intro to AI Module: Understanding Generative AI

  • ظهور Gen AI: معرفی ChatGPT The rise of Gen AI: Introducing ChatGPT

  • رویکردهای اولیه برای پردازش زبان طبیعی (NLP) Early approaches to Natural Language Processing (NLP)

  • پیشرفت های اخیر NLP Recent NLP advancements

  • از مدل های زبان تا مدل های زبان بزرگ (LLM) From Language Models to Large Language Models (LLMs)

  • کارایی آموزش LLM. یادگیری تحت نظارت در مقابل یادگیری نیمه نظارتی The efficiency of LLM training. Supervised vs Semi-supervised learning

  • از N-Gram تا RNN تا Transformers: تکامل NLP From N-Grams to RNNs to Transformers: The Evolution of NLP

  • مراحل ساخت LLM Phases in building LLMs

  • مهندسی سریع در مقابل تنظیم دقیق در مقابل RAG: تکنیک هایی برای بهینه سازی هوش مصنوعی Prompt engineering vs Fine-tuning vs RAG: Techniques for AI optimization

  • اهمیت مدل های فونداسیون The importance of foundation models

  • خرید در مقابل ساخت: مدل های پایه در مقابل مدل های خصوصی Buy vs Make: foundation models vs private models

مقدمه ماژول هوش مصنوعی: چالش های عملی در هوش مصنوعی مولد Intro to AI Module: Practical challenges in Generative AI

  • ناهماهنگی و توهم Inconsistency and hallucination

  • بودجه بندی و هزینه های API Budgeting and API costs

  • تأخیر Latency

  • تمام شدن داده ها Running out of data

مقدمه ماژول هوش مصنوعی: پشته فناوری هوش مصنوعی Intro to AI Module: The AI tech stack

  • برنامه نویسی پایتون Python programming

  • کار با API ها Working with APIs

  • پایگاه های داده برداری Vector databases

  • اهمیت منبع باز The importance of open source

  • صورت در آغوش گرفته Hugging Face

  • LangChain LangChain

  • ابزارهای ارزیابی هوش مصنوعی AI evaluation tools

ماژول پایتون: چرا پایتون؟ Python Module: Why Python?

  • برنامه نویسی در چند دقیقه توضیح داده شد Programming Explained in a Few Minutes

  • چرا پایتون Why Python

ماژول پایتون: تنظیم محیط Python Module: Setting Up the Environment

  • Jupyter - مقدمه Jupyter - Introduction

  • Jupyter - نصب Anaconda Jupyter - Installing Anaconda

  • Jupyter - مقدمه ای بر استفاده از Jupyter Jupyter - Introduction to Using Jupyter

  • Jupyter - کار با فایل های نوت بوک Jupyter - Working with Notebook Files

  • Jupyter - استفاده از میانبرها Jupyter - Using Shortcuts

  • Jupyter - مدیریت پیام های خطا Jupyter - Handling Error Messages

  • Jupyter - راه اندازی مجدد هسته Jupyter - Restarting the Kernel

  • تنظیم محیط - Jupyter Setting Up the Environment - Jupyter

ماژول پایتون: متغیرهای پایتون و انواع داده Python Module: Python Variables and Data Types

  • متغیرهای پایتون Python Variables

  • متغیرهای پایتون - تمرین شماره 1 Python Variables - Exercise #1

  • متغیرهای پایتون - تمرین شماره 2 Python Variables - Exercise #2

  • متغیرهای پایتون - تمرین شماره 3 Python Variables - Exercise #3

  • متغیرهای پایتون - تمرین شماره 4 Python Variables - Exercise #4

  • متغیرهای پایتون Python Variables

  • انواع داده ها - اعداد و مقادیر بولی Types of Data - Numbers and Boolean Values

  • اعداد و مقادیر بولی - تمرین شماره 1 Numbers and Boolean Values - Exercise #1

  • اعداد و مقادیر بولی - تمرین شماره 2 Numbers and Boolean Values - Exercise #2

  • اعداد و مقادیر بولی - تمرین شماره 3 Numbers and Boolean Values - Exercise #3

  • اعداد و مقادیر بولی - تمرین شماره 4 Numbers and Boolean Values - Exercise #4

  • اعداد و مقادیر بولی - تمرین شماره 5 Numbers and Boolean Values - Exercise #5

  • انواع داده ها - اعداد و مقادیر بولی Types of Data - Numbers and Boolean Values

  • انواع داده ها - رشته ها Types of Data - Strings

  • رشته ها - تمرین شماره 1 Strings - Exercise #1

  • رشته ها - تمرین شماره 2 Strings - Exercise #2

  • رشته ها - تمرین شماره 3 Strings - Exercise #3

  • رشته ها - تمرین شماره 4 Strings - Exercise #4

  • رشته ها - تمرین شماره 5 Strings - Exercise #5

  • انواع داده ها - رشته ها Types of Data - Strings

ماژول پایتون: سینتکس پایه پایتون Python Module: Basic Python Syntax

  • نحو پایه پایتون - عملگرهای حسابی Basic Python Syntax - Arithmetic Operators

  • عملگرهای حسابی - تمرین شماره 1 Arithmetic Operators - Exercise #1

  • عملگرهای حسابی - تمرین شماره 2 Arithmetic Operators - Exercise #2

  • عملگرهای حسابی - تمرین شماره 3 Arithmetic Operators - Exercise #3

  • عملگرهای حسابی - تمرین شماره 4 Arithmetic Operators - Exercise #4

  • عملگرهای حسابی - تمرین شماره 5 Arithmetic Operators - Exercise #5

  • عملگرهای حسابی - تمرین شماره 6 Arithmetic Operators - Exercise #6

  • عملگرهای حسابی - تمرین شماره 7 Arithmetic Operators - Exercise #7

  • عملگرهای حسابی - تمرین شماره 8 Arithmetic Operators - Exercise #8

  • نحو پایه پایتون - عملگرهای حسابی Basic Python Syntax - Arithmetic Operators

  • نحو پایه پایتون - علامت برابری دوگانه Basic Python Syntax - The Double Equality Sign

  • علامت برابری دوگانه - تمرین شماره 1 The Double Equality Sign - Exercise #1

  • نحو پایه پایتون - علامت برابری دوگانه Basic Python Syntax - The Double Equality Sign

  • نحو پایه پایتون - مقادیر را مجدداً اختصاص دهید Basic Python Syntax - Reassign Values

  • تخصیص مجدد مقادیر - تمرین شماره 1 Reassign Values - Exercise #1

  • تخصیص مجدد مقادیر - تمرین شماره 2 Reassign Values - Exercise #2

  • تخصیص مجدد مقادیر - تمرین شماره 3 Reassign Values - Exercise #3

  • تخصیص مجدد مقادیر - تمرین شماره 4 Reassign Values - Exercise #4

  • نحو پایه پایتون - مقادیر را مجدداً اختصاص دهید Basic Python Syntax - Reassign Values

  • نحو پایه پایتون - اضافه کردن نظرات Basic Python Syntax - Add Comments

  • نحو پایه پایتون - اضافه کردن نظرات Basic Python Syntax - Add Comments

  • نحو پایه پایتون - ادامه خط Basic Python Syntax - Line Continuation

  • ادامه خط - تمرین شماره 1 Line Continuation - Exercise #1

  • نحو پایه پایتون - عناصر نمایه سازی Basic Python Syntax - Indexing Elements

  • عناصر نمایه سازی - تمرین شماره 1 Indexing Elements - Exercise #1

  • عناصر نمایه سازی - تمرین شماره 2 Indexing Elements - Exercise #2

  • نحو پایه پایتون - عناصر نمایه سازی Basic Python Syntax - Indexing Elements

  • نحو پایه پایتون - تورفتگی Basic Python Syntax - Indentation

  • تورفتگی - تمرین شماره 1 Indentation - Exercise #1

  • نحو پایه پایتون - تورفتگی Basic Python Syntax - Indentation

ماژول پایتون: بیشتر در مورد اپراتورها Python Module: More on Operators

  • اپراتورها - مقایسه اپراتورها Operators - Comparison Operators

  • عملگرهای مقایسه - تمرین شماره 1 Comparison Operators - Exercise #1

  • عملگرهای مقایسه - تمرین شماره 2 Comparison Operators - Exercise #2

  • عملگرهای مقایسه - تمرین شماره 3 Comparison Operators - Exercise #3

  • عملگرهای مقایسه - تمرین شماره 4 Comparison Operators - Exercise #4

  • اپراتورها - مقایسه اپراتورها Operators - Comparison Operators

  • اپراتورها - عملگرهای منطقی و هویتی Operators - Logical and Identity Operators

  • عملگرهای منطقی و هویتی - تمرین شماره 1 Logical and Identity Operators - Exercise #1

  • عملگرهای منطقی و هویتی - تمرین شماره 2 Logical and Identity Operators - Exercise #2

  • عملگرهای منطقی و هویتی - تمرین شماره 3 Logical and Identity Operators - Exercise #3

  • عملگرهای منطقی و هویتی - تمرین شماره 4 Logical and Identity Operators - Exercise #4

  • عملگرهای منطقی و هویتی - تمرین شماره 5 Logical and Identity Operators - Exercise #5

  • عملگرهای منطقی و هویتی - تمرین شماره 6 Logical and Identity Operators - Exercise #6

  • اپراتورها - عملگرهای منطقی و هویتی Operators - Logical and Identity Operators

ماژول پایتون: عبارات شرطی Python Module: Conditional Statements

  • بیانیه های مشروط - بیانیه IF Conditional Statements - The IF Statement

  • بیانیه IF - تمرین شماره 1 The IF Statement - Exercise #1

  • بیانیه IF - تمرین شماره 2 The IF Statement - Exercise #2

  • بیانیه های مشروط - بیانیه IF Conditional Statements - The IF Statement

  • بیانیه های مشروط - بیانیه ELSE Conditional Statements - The ELSE Statement

  • بیانیه ELSE - تمرین شماره 1 The ELSE Statement - Exercise #1

  • بیانیه های مشروط - بیانیه ELIF Conditional Statements - The ELIF Statement

  • بیانیه ELIF - تمرین شماره 1 The ELIF Statement - Exercise #1

  • بیانیه ELIF - تمرین شماره 2 The ELIF Statement - Exercise #2

  • بیانیه های شرطی - یادداشتی در مورد مقادیر بولی Conditional Statements - A Note on Boolean Values

  • بیانیه های شرطی - یادداشتی در مورد مقادیر بولی Conditional Statements - A Note on Boolean Values

ماژول پایتون: توابع Python Module: Functions

  • توابع - تعریف یک تابع در پایتون Functions - Defining a Function in Python

  • توابع - ایجاد یک تابع با یک پارامتر Functions - Creating a Function with a Parameter

  • ایجاد یک تابع با یک پارامتر - تمرین شماره 1 Creating a Function with a Parameter - Exercise #1

  • ایجاد یک تابع با یک پارامتر - تمرین شماره 2 Creating a Function with a Parameter - Exercise #2

  • توابع - راه دیگری برای تعریف یک تابع Functions - Another Way to Define a Function

  • راه دیگری برای تعریف یک تابع - تمرین شماره 1 Another Way to Define a Function - Exercise #1

  • توابع - استفاده از یک تابع در یک تابع دیگر Functions - Using a Function in Another Function

  • استفاده از یک تابع در عملکرد دیگر - تمرین شماره 1 Using a Function in Another Function - Exercise #1

  • توابع - ترکیب عبارات شرطی و توابع Functions - Combining Conditional Statements and Functions

  • ترکیب دستورات و توابع شرطی - تمرین شماره 1 Combining Conditional Statements and Functions - Exercise #1

  • توابع - ایجاد توابع حاوی چند آرگومان Functions - Creating Functions Containing a Few Arguments

  • توابع - توابع داخلی قابل توجه در پایتون Functions - Notable Built-in Functions in Python

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 1 Notable Built-in Functions in Python - Exercise #1

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 2 Notable Built-in Functions in Python - Exercise #2

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 3 Notable Built-in Functions in Python - Exercise #3

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 4 Notable Built-in Functions in Python - Exercise #4

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 5 Notable Built-in Functions in Python - Exercise #5

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 6 Notable Built-in Functions in Python - Exercise #6

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 7 Notable Built-in Functions in Python - Exercise #7

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 8 Notable Built-in Functions in Python - Exercise #8

  • توابع داخلی قابل توجه در پایتون - تمرین شماره 9 Notable Built-in Functions in Python - Exercise #9

  • توابع پایتون Python Functions

ماژول پایتون: دنباله ها Python Module: Sequences

  • دنباله ها - لیست ها Sequences - Lists

  • لیست ها - تمرین شماره 1 Lists - Exercise #1

  • لیست ها - تمرین شماره 2 Lists - Exercise #2

  • لیست ها - تمرین شماره 3 Lists - Exercise #3

  • لیست ها - تمرین شماره 4 Lists - Exercise #4

  • لیست ها - تمرین شماره 5 Lists - Exercise #5

  • دنباله ها - لیست ها Sequences - Lists

  • توالی ها - با استفاده از روش ها Sequences - Using Methods

  • استفاده از روش ها - تمرین شماره 1 Using Methods - Exercise #1

  • استفاده از روش ها - تمرین شماره 2 Using Methods - Exercise #2

  • استفاده از روش ها - تمرین شماره 3 Using Methods - Exercise #3

  • استفاده از روش ها - تمرین شماره 4 Using Methods - Exercise #4

  • توالی ها - با استفاده از روش ها Sequences - Using Methods

  • توالی - برش فهرست Sequences - List Slicing

  • برش فهرست - تمرین شماره 1 List Slicing - Exercise #1

  • برش فهرست - تمرین شماره 2 List Slicing - Exercise #2

  • برش فهرست - تمرین شماره 3 List Slicing - Exercise #3

  • برش فهرست - تمرین شماره 4 List Slicing - Exercise #4

  • برش فهرست - تمرین شماره 5 List Slicing - Exercise #5

  • برش فهرست - تمرین شماره 6 List Slicing - Exercise #6

  • برش فهرست - تمرین شماره 7 List Slicing - Exercise #7

  • دنباله ها - تاپل Sequences - Tuples

  • تاپل ها - تمرین شماره 1 Tuples - Exercise #1

  • تاپل ها - تمرین شماره 2 Tuples - Exercise #2

  • تاپل ها - تمرین شماره 3 Tuples - Exercise #3

  • تاپل ها - تمرین شماره 4 Tuples - Exercise #4

  • دنباله ها - فرهنگ لغت Sequences - Dictionaries

  • دیکشنری ها - تمرین شماره 1 Dictionaries - Exercise #1

  • دیکشنری ها - تمرین شماره 2 Dictionaries - Exercise #2

  • دیکشنری ها - تمرین شماره 3 Dictionaries - Exercise #3

  • دیکشنری ها - تمرین شماره 4 Dictionaries - Exercise #4

  • دیکشنری ها - تمرین شماره 5 Dictionaries - Exercise #5

  • دیکشنری ها - تمرین شماره 6 Dictionaries - Exercise #6

  • دنباله ها - فرهنگ لغت Sequences - Dictionaries

ماژول پایتون: تکرار Python Module: Iteration

  • تکرار - برای حلقه ها Iteration - For Loops

  • برای حلقه ها - تمرین شماره 1 For Loops - Exercise #1

  • برای حلقه ها - تمرین شماره 2 For Loops - Exercise #2

  • تکرار - برای حلقه ها Iteration - For Loops

  • تکرار - در حالی که حلقه ها و افزایش می یابد Iteration - While Loops and Incrementing

  • در حالی که حلقه ها و افزایش - تمرین شماره 1 While Loops and Incrementing - Exercise #1

  • تکرار - Creatie Lists با تابع range(). Iteration - Creatie Lists with the range() Function

  • ایجاد لیست با تابع range() - تمرین شماره 1 Create Lists with the range() Function - Exercise #1

  • ایجاد لیست با تابع range() - تمرین شماره 2 Create Lists with the range() Function - Exercise #2

  • ایجاد لیست با تابع range() - تمرین شماره 3 Create Lists with the range() Function - Exercise #3

  • تکرار - Creatie Lists با تابع range(). Iteration - Creatie Lists with the range() Function

  • Iteraion - از عبارات شرطی و حلقه ها با هم استفاده کنید Iteraion - Use Conditional Statements and Loops Together

  • بیانیه های شرطی و حلقه ها - تمرین شماره 1 Conditional Statements and Loops - Exercise #1

  • بیانیه های شرطی و حلقه ها - تمرین شماره 2 Conditional Statements and Loops - Exercise #2

  • بیانیه های شرطی و حلقه ها - تمرین شماره 3 Conditional Statements and Loops - Exercise #3

  • تکرار - عبارات شرطی، توابع و حلقه ها Iteration - Conditional Statements, Functions, and Loops

  • عبارات شرطی، توابع و حلقه ها - تمرین شماره 1 Conditional Statements, Functions, and Loops - Exercise #1

  • تکرار - تکرار بیش از دیکشنری ها Iteration - Iterating over Dictionaries

  • تکرار بر روی دیکشنری ها - تمرین شماره 1 Iterating over Dictionaries - Exercise #1

  • تکرار بر روی دیکشنری ها - تمرین شماره 2 Iterating over Dictionaries - Exercise #2

ماژول پایتون: چند مفهوم و اصطلاح مهم پایتون Python Module: A Few Important Python Concepts and Terms

  • مقدمه ای بر برنامه نویسی شی گرا (OOP) Introduction to Object Oriented Programming (OOP)

  • ماژول ها، بسته ها و کتابخانه استاندارد پایتون Modules, Packages, and the Python Standard Library

  • وارد کردن ماژول ها Importing Modules

  • مفاهیم و اصطلاحات مهم پایتون Important Python Concepts and Terms

  • مستندات نرم افزار چیست؟ What is Software Documentation

  • مستندات پایتون The Python Documentation

ماژول NLP: مقدمه NLP Module: Introduction

  • معرفی دوره Introduction to the course

  • مواد درسی و دفترچه یادداشت Course materials and notebooks

  • مقدمه ای بر NLP Introduction to NLP

  • NLP در زندگی روزمره NLP in everyday life

  • NLP نظارت شده در مقابل NLP بدون نظارت Supervised vs unsupervised NLP

ماژول NLP: پیش پردازش متن NLP Module: Text Preprocessing

  • اهمیت آماده سازی داده ها The importance of data preparation

  • حروف کوچک Lowercase

  • حذف کلمات توقف Removing stop words

  • عبارات منظم Regular expressions

  • توکن سازی Tokenization

  • ساقه Stemming

  • Lemmatization Lemmatization

  • N-گرم N-grams

  • کار عملی Practical task

ماژول NLP: شناسایی بخش‌های گفتار و موجودیت‌های نام‌گذاری شده NLP Module: Identifying Parts of Speech and Named Entities

  • برچسب گذاری متن Text tagging

  • برچسب‌گذاری بخش‌های گفتار (POS). Parts of Speech (POS) tagging

  • شناسایی نهاد نامگذاری شده (NER) Named Entity Recognition (NER)

  • کار عملی Practical task

ماژول NLP: تجزیه و تحلیل احساسات NLP Module: Sentiment Analysis

  • تحلیل احساسات چیست؟ What is sentiment analysis?

  • تحلیل احساسات مبتنی بر قانون Rule-based sentiment analysis

  • مدل های ترانسفورماتور از قبل آموزش دیده Pre-trained transformer models

  • کار عملی Practical task

ماژول NLP: بردار کردن متن NLP Module: Vectorizing Text

  • نمایش عددی متن Numerical representation of text

  • مدل کیسه کلمات Bag of Words model

  • TF-IDF TF-IDF

ماژول NLP: مدل سازی موضوع NLP Module: Topic Modelling

  • مدل سازی موضوع چیست؟ What is topic modelling?

  • چه زمانی از مدل سازی موضوع استفاده کنیم؟ When to use topic modelling?

  • تخصیص دیریکله نهفته (LDA) Latent Dirichlet Allocation (LDA)

  • LDA در پایتون LDA in Python

  • تحلیل معنایی پنهان (LSA) Latent Semantic Analysis (LSA)

  • LSA در پایتون LSA in Python

  • چند موضوع؟ How many topics?

ماژول NLP: ساختن طبقه‌بندی‌کننده متن خودتان NLP Module: Building Your Own Text Classifier

  • ساخت یک طبقه بندی متن سفارشی Building a custom text classifier

  • رگرسیون لجستیک Logistic regression

  • بیز ساده لوح Naive Bayes

  • ماشین بردار پشتیبان خطی Linear support vector machine

ماژول NLP: دسته بندی اخبار جعلی (مطالعه موردی) NLP Module: Categorizing Fake News (Case Study)

  • معرفی پروژه Introducing the project

  • کاوش داده های ما از طریق تگ های POS Exploring our data through POS tags

  • استخراج موجودیت های نامگذاری شده Extracting named entities

  • در حال پردازش متن Processing the text

  • آیا احساسات بین انواع اخبار متفاوت است؟ Does sentiment differ between news types?

  • چه موضوعاتی در اخبار جعلی ظاهر می شود؟ (قسمت اول) What topics appear in fake news? (Part 1)

  • چه موضوعاتی در اخبار جعلی ظاهر می شود؟ (قسمت 2) What topics appear in fake news? (Part 2)

  • دسته بندی اخبار جعلی با طبقه بندی سفارشی Categorizing fake news with a custom classifier

ماژول NLP: آینده NLP NLP Module: The Future of NLP

  • یادگیری عمیق چیست؟ What is deep learning?

  • یادگیری عمیق برای NLP Deep learning for NLP

  • NLP غیر انگلیسی Non-English NLP

  • آینده NLP چیست؟ What's next for NLP?

ماژول LLMs: مقدمه ای بر مدل های زبان بزرگ LLMs Module: Introduction to Large Language Models

  • معرفی دوره Introduction to the course

  • مواد درسی و دفترچه یادداشت Course materials and notebooks

  • LLM چیست؟ What are LLMs?

  • LLM چقدر است؟ How large is an LLM?

  • مدل های هدف عمومی General purpose models

  • قبل از آموزش و تنظیم دقیق Pre-training and fine tuning

  • LLM ها برای چه چیزی می توانند استفاده شوند؟ What can LLMs be used for?

ماژول LLMs: The Transformer Architecture LLMs Module: The Transformer Architecture

  • خلاصه یادگیری عمیق Deep learning recap

  • مشکل RNN ها The problem with RNNs

  • راه حل: توجه تنها چیزی است که نیاز دارید The solution: attention is all you need

  • معماری ترانسفورماتور The transformer architecture

  • تعبیه های ورودی Input embeddings

  • توجه چند سر Multi-headed attention

  • لایه فید فوروارد Feed-forward layer

  • توجه چند سر پوشیده شده Masked multihead attention

  • پیش بینی خروجی های نهایی Predicting the final outputs

ماژول LLMs: شروع به کار با مدل های GPT LLMs Module: Getting Started With GPT Models

  • GPT به چه معناست؟ What does GPT mean?

  • توسعه ChatGPT The development of ChatGPT

  • OpenAI API OpenAI API

  • تولید متن Generating text

  • سفارشی کردن خروجی GPT Customizing GPT output

  • خلاصه متن کلمه کلیدی Key word text summarization

  • کدنویسی یک چت بات ساده Coding a simple chatbot

  • آشنایی با LangChain در پایتون Introduction to LangChain in Python

  • LangChain LangChain

  • افزودن داده های سفارشی به ربات چت ما Adding custom data to our chatbot

ماژول LLMs: ترانسفورماتورهای صورت در آغوش گرفتن LLMs Module: Hugging Face Transformers

  • بسته صورت در آغوش Hugging Face package

  • خط لوله ترانسفورماتور The transformer pipeline

  • توکنایزرهای از پیش آموزش دیده Pre-trained tokenizers

  • توکن های خاص Special tokens

  • Hagging Face و PyTorch/TensorFlow Hugging Face and PyTorch/TensorFlow

  • ذخیره و بارگذاری مدل ها Saving and loading models

ماژول LLMs: مدل‌های پرسش و پاسخ با BERT LLMs Module: Question and Answer Models With BERT

  • GPT در مقابل BERT GPT vs BERT

  • معماری BERT BERT architecture

  • در حال بارگیری مدل و توکنایزر Loading the model and tokenizer

  • تعبیه‌های BERT BERT embeddings

  • محاسبه پاسخ Calculating the response

  • ایجاد یک ربات QA Creating a QA bot

  • BERT، RoBERTa، DistilBERT BERT, RoBERTa, DistilBERT

ماژول LLMs: طبقه بندی متن با XLNet LLMs Module: Text Classification With XLNet

  • GPT در مقابل BERT در مقابل XLNET GPT vs BERT vs XLNET

  • پیش پردازش داده های ما Preprocessing our data

  • جاسازی های XLNet XLNet Embeddings

  • تنظیم دقیق XLNet Fine tuning XLNet

  • ارزیابی مدل ما Evaluating our model

ماژول LangChain: مقدمه LangChain Module: Introduction

  • معرفی دوره Introduction to the course

  • کاربردهای تجاری LangChain Business applications of LangChain

  • چه چیزی LangChain را قدرتمند می کند؟ What makes LangChain powerful?

  • دوره شامل چه مواردی می شود؟ What does the course cover?

ماژول LangChain: توکن ها، مدل ها و قیمت ها LangChain Module: Tokens, Models, and Prices

  • توکن ها Tokens

  • مدل ها و قیمت ها Models and Prices

ماژول LangChain: تنظیم محیط LangChain Module: Setting Up the Environment

  • راه اندازی یک محیط آناکوندا سفارشی برای ادغام Jupyter Setting up a custom anaconda environment for Jupyter integration

  • دریافت کلید OpenAI API Obtaining an OpenAI API key

  • تنظیم کلید API به عنوان یک متغیر محیطی Setting the API key as an environment variable

ماژول LangChain: OpenAI API LangChain Module: The OpenAI API

  • اولین قدم ها First steps

  • نقش های سیستم، کاربر و دستیار System, user, and assistant roles

  • ایجاد یک چت ربات طعنه آمیز Creating a sarcastic chatbot

  • دما، حداکثر نشانه‌ها و جریان Temperature, max tokens, and streaming

ماژول LangChain: ورودی های مدل LangChain Module: Model Inputs

  • چارچوب LangChain The LangChain framework

  • ChatOpenAI ChatOpenAI

  • سیستم و پیام های انسانی System and human messages

  • پیام های هوش مصنوعی AI messages

  • الگوهای درخواستی و مقادیر اعلان Prompt templates and prompt values

  • الگوهای درخواست چت و مقادیر درخواست چت Chat prompt templates and chat prompt values

  • الگوهای درخواست پیام چت چند شات Few-shot chat message prompt templates

  • LLMCchain LLMChain

ماژول LangChain: تاریخچه پیام و حافظه چت بات LangChain Module: Message History and Chatbot Memory

  • تاریخچه پیام چت Chat message history

  • حافظه بافر مکالمه: در حال پیاده سازی تنظیمات Conversation buffer memory: Implementing the setup

  • حافظه بافر مکالمه: پیکربندی زنجیره Conversation buffer memory: Configuring the chain

  • حافظه پنجره بافر مکالمه Conversation buffer window memory

  • حافظه خلاصه مکالمه Conversation summary memory

  • حافظه ترکیبی Combined memory

ماژول LangChain: تجزیه کننده های خروجی LangChain Module: Output Parsers

  • تجزیه کننده خروجی رشته String output parser

  • تجزیه کننده خروجی لیست جدا شده با کاما Comma-separated list output parser

  • تجزیه کننده خروجی تاریخ Datetime output parser

ماژول LangChain: LangChain Expression Language (LCEL) LangChain Module: LangChain Expression Language (LCEL)

  • لوله کشی یک فرمان، مدل و یک تجزیه کننده خروجی Piping a prompt, model, and an output parser

  • دسته بندی Batching

  • جریان Streaming

  • کلاس های Runnable و RunnableSequence The Runnable and RunnableSequence classes

  • زنجیره های Piping و کلاس RunnablePassthrough Piping chains and the RunnablePassthrough class

  • نمودارهای Runnable Graphing Runnables

  • Runnable Parallel RunnableParallel

  • Piping یک Runnable Parallel با سایر Runnable ها Piping a RunnableParallel with other Runnables

  • RunnableLambda RunnableLambda

  • دکوراتور @chain The @chain decorator

  • افزودن حافظه به یک زنجیره (قسمت 1): پیاده سازی راه اندازی Adding memory to a chain (Part 1): Implementing the setup

  • RunnablePassthrough با کلیدهای اضافی RunnablePassthrough with additional keys

  • آیتم گیر Itemgetter

  • افزودن حافظه به زنجیره (قسمت دوم): ایجاد زنجیره Adding memory to a chain (Part 2): Creating the chain

ماژول LangChain: Retrieval Augmented Generation (RAG) LangChain Module: Retrieval Augmented Generation (RAG)

  • چگونه داده های سفارشی را در یک LLM ادغام کنیم How to integrate custom data into an LLM

  • آشنایی با RAG Introduction to RAG

  • مقدمه ای بر بارگذاری و تقسیم اسناد Introduction to document loading and splitting

  • مقدمه ای بر جاسازی اسناد Introduction to document embedding

  • مقدمه ای بر ذخیره سازی، بازیابی و تولید اسناد Introduction to document storing, retrieval, and generation

  • نمایه سازی: بارگیری سند با PyPDFLoader Indexing: Document loading with PyPDFLoader

  • نمایه سازی: بارگیری سند با Docx2txtLoader Indexing: Document loading with Docx2txtLoader

  • نمایه سازی: تقسیم سند با تقسیم کننده متن کاراکتر (تئوری) Indexing: Document splitting with character text splitter (Theory)

  • نمایه سازی: تقسیم سند با تقسیم کننده متن کاراکتر (کد همراه) Indexing: Document splitting with character text splitter (Code along)

  • نمایه سازی: تقسیم سند با تقسیم کننده متن سرصفحه Markdown Indexing: Document splitting with Markdown header text splitter

  • نمایه سازی: جاسازی متن با OpenAI Indexing: Text embedding with OpenAI

  • نمایه سازی: ایجاد یک Chroma vectorstore Indexing: Creating a Chroma vectorstore

  • نمایه سازی: بازرسی و مدیریت اسناد در فروشگاه بردار Indexing: Inspecting and managing documents in a vectorstore

  • بازیابی: جستجوی تشابه Retrieval: Similarity search

  • بازیابی: جستجوی حداکثر ارتباط حاشیه ای (MMR). Retrieval: Maximal Marginal Relevance (MMR) search

  • Retrieval: Retriever-backed Vectorstore Retrieval: Vectorstore-backed retriever

  • نسل: اسناد پر کردن Generation: Stuffing documents

  • Generation: ایجاد پاسخ Generation: Generating a response

ماژول LangChain: ابزارها و عوامل LangChain Module: Tools and Agents

  • مقدمه ای بر چت بات های استدلالی Introduction to reasoning chatbots

  • ابزارها، جعبه ابزارها، عوامل و مجریان عامل Tools, toolkits, agents, and agent executors

  • رفع GuessedAtParserWarning Fixing the GuessedAtParserWarning

  • ایجاد یک ابزار ویکی پدیا و لوله کشی آن به یک زنجیره Creating a Wikipedia tool and piping it to a chain

  • ایجاد یک رتریور و یک ابزار سفارشی Creating a retriever and a custom tool

  • هاب LangChain LangChain hub

  • ایجاد یک عامل فراخوانی ابزار و یک مجری عامل Creating a tool calling agent and an agent executor

  • AgentAction و AgentFinish AgentAction and AgentFinish

ماژول پایگاه های داده برداری: مقدمه Vector Databases Module: Introduction

  • معرفی دوره Introduction to the course

  • مقایسه پایگاه داده: SQL، NoSQL و Vector Database comparison: SQL, NoSQL, and Vector

  • درک پایگاه های داده برداری Understanding vector databases

ماژول پایگاه های داده برداری: مبانی فضای برداری و داده های با ابعاد بالا Vector Databases Module: Basics of Vector Space and High-Dimensional Data

  • مقدمه ای بر فضای برداری Introduction to vector space

  • معیارهای فاصله در فضای برداری Distance metrics in vector space

  • پیش‌بینی تعبیه‌های برداری Vector embeddings walkthrough

ماژول پایگاه های داده برداری: مقدمه ای بر پایگاه داده های وکتور کاج Vector Databases Module: Introduction to The Pinecone Vector Database

  • پایگاه داده برداری، مقایسه Vector databases, comparison

  • ثبت نام کاج، بررسی و ایجاد یک فهرست Pinecone registration, walkthrough and creating an Index

  • اتصال به Pinecone با استفاده از Python Connecting to Pinecone using Python

  • تکلیف Assignment

  • ایجاد و حذف ایندکس Pinecone با استفاده از Python Creating and deleting a Pinecone index using Python

  • در حال اضافه کردن داده ها به پایگاه داده بردار درخت کاج Upserting data to a pinecone vector database

  • آشنایی با مجموعه داده های وب خوب و بارگذاری آن در Jupyter Getting to know the fine web data set and loading it to Jupyter

  • اضافه کردن داده ها از یک فایل متنی و استفاده از الگوریتم جاسازی Upserting data from a text file and using an embedding algorithm

ماژول پایگاه داده برداری: جستجوی معنایی با کاج و سفارشی (مطالعه موردی) Vector Databases Module: Semantic Search with Pinecone and Custom (Case Study)

  • مقدمه ای بر جستجوی معنایی Introduction to semantic search

  • مقدمه ای بر مطالعه موردی – جستجوی هوشمند برای دوره های علوم داده Introduction to the case study – smart search for data science courses

  • آشنایی با داده های مطالعه موردی Getting to know the data for the case study

  • بارگذاری و پیش پردازش داده ها Data loading and preprocessing

  • Pinecone Python API و اتصال به سرور Pinecone Pinecone Python APIs and connecting to the Pinecone server

  • الگوریتم های تعبیه شده Embedding Algorithms

  • جاسازی داده ها و قرار دادن فایل ها در Pinecone Embedding the data and upserting the files to Pinecone

  • شباهت جستجو و پرس و جو داده ها Similarity search and querying the data

  • نحوه به روز رسانی و تغییر پایگاه داده برداری How to update and change your vector database

  • پیش پردازش و جاسازی داده ها برای دوره هایی با داده های بخش Data preprocessing and embedding for courses with section data

  • تکلیف 2 Assignment 2

  • در حال آپلود فایل های جدید به روز شده در Pinecone Upserting the new updated files to Pinecone

  • شباهت جستجو و پرس و جو دوره ها و داده های بخش ها Similarity search and querying courses and sections data

  • تکلیف 3 Assignment 3

  • با استفاده از الگوریتم تعبیه BERT Using the BERT embedding algorithm

  • پایگاه داده برداری برای موتورهای توصیه Vector database for recommendation engines

  • پایگاه داده برداری برای جستجوی تصویر معنایی Vector database for semantic image search

  • پایگاه داده برداری برای تحقیقات زیست پزشکی Vector database for biomedical research

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

دوره مهندس هوش مصنوعی 2024: کمپ کامل مهندس هوش مصنوعی
جزییات دوره
17 hours
279
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,513
4.5 از 5
دارد
دارد
دارد
365 Careers
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی