آموزش دوره جامع و حرفه‌ای مهندسی هوش مصنوعی [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

معرفی دوره و مدرس Introduction to Course and Instructor

• آنچه در دوره گواهینامه حرفه‌ای مهندسی AI خواهید آموخت What You'll Learn in the AI Engineer Professional Certificate Course

تنظیم و بهینه‌سازی مدل Model Tuning and Optimization

• روز اول: مقدمه‌ای بر تنظیم هایپرپارامترها Day 1: Introduction to Hyperparameter Tuning

• روز دوم: جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی Day 2: Grid Search and Random Search

• روز سوم: تنظیم پیشرفته هایپرپارامترها با بهینه‌سازی Bayesian Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

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

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

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

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

شبکه‌های عصبی کانولوشنال (CNN) Convolutional Neural Networks (CNNs)

• روز اول: مقدمه‌ای بر شبکه‌های عصبی کانولوشنال Day 1: Introduction to Convolutional Neural Networks

• روز دوم: لایه‌های کانولوشنال و فیلترها Day 2: Convolutional Layers and Filters

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

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

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

• روز ششم: Regularization و افزایش داده‌ها (Data Augmentation) برای CNN Day 6: Regularization and Data Augmentation for CNNs

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

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

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

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

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

• روز چهارم: واحدهای بازگشتی گیت‌دار (GRUs) Day 4: Gated Recurrent Units (GRUs)

• روز پنجم: پیش‌پردازش متن و جاسازی کلمات (Word Embeddings) برای RNN Day 5: Text Preprocessing and Word Embeddings for RNNs

• روز ششم: مدل‌های توالی به توالی (Seq2Seq) و کاربردها Day 6: Sequence-to-Sequence Models and Applications

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

ترنسفورمرها و مکانیسم‌های توجه Transformers and Attention Mechanisms

• روز اول: مقدمه‌ای بر مکانیسم‌های توجه (Attention) Day 1: Introduction to Attention Mechanisms

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

• روز سوم: توجه به خود (Self Attention) و توجه چند-سره در ترنسفورمرها Day 3: Self-Attention and Multi-Head Attention in Transformers

• روز چهارم: کدگذاری موقعیتی و شبکه‌های پیش‌خور (Feed Forward) Day 4: Positional Encoding and Feed-Forward Networks

• روز پنجم: کار عملی با ترنسفورمرهای پیش‌آموزش‌دیده – BERT و GPT Day 5: Hands-On with Pre-Trained Transformers – BERT and GPT

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

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

یادگیری انتقالی و تنظیم دقیق Transfer Learning and Fine-Tuning

• روز اول: مقدمه‌ای بر یادگیری انتقالی (Transfer Learning) Day 1: Introduction to Transfer Learning

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

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

• روز چهارم: یادگیری انتقالی در پردازش زبان طبیعی (NLP) Day 4: Transfer Learning in NLP

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

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

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

عامل‌های هوش مصنوعی – بررسی جامع AI Agents – A Comprehensive Overview

• کار عملی با AutoGen | IBM Bee | LangGraph | CrewAI | AutoGPT Hands-On AutoGen | IBM Bee | LangGraph | CrewAI | AutoGPT

• کار عملی با AutoGen Hands-On AutoGen

• کار عملی با فریم‌ورک IBM Bee Hands-On IBM Bee Framework

• کار عملی با LangGraph Hands-On LangGraph

• کار عملی با CrewAI Hands-On CrewAI

• کار عملی با AutoGPT Hands-On AutoGPT

مقدمات و عملیات MLOps Introduction and Hands-On MLOps

• معرفی جلسات MLOps Introduction to MLOps Sessions

• مروری بر MLOps و اهمیت آن Overview of MLOps and Its Importance

• تکامل عملیات یادگیری ماشین Evolution of Machine Learning Operations

• مفاهیم کلیدی MLOps: نسخه‌بندی، اتوماسیون و نظارت Key Concepts in MLOps: Versioning, Automation, and Monitoring

• مقایسه MLOps و DevOps: شباهت‌ها و تفاوت‌ها MLOps vs DevOps: Similarities and Differences

• کار عملی: راه‌اندازی ساختار پایه پروژه MLOps (Git, Docker, Model Pipeline) Hands-On: Set Up a Basic MLOps Project Structure (Git, Docker, Model Pipeline)

• معرفی بخش خط لوله از علوم داده تا تولید Introduction to Data Science to Production Pipeline Section

• مروری بر گردش کار ML: از آماده‌سازی داده‌ها تا استقرار Overview of the ML Workflow: Data Preparation to Deployment

• تفاوت آزمایشگاه (Experimentation) و محیط تولید (Production) Experimentation vs Production

• چالش‌های استقرار مدل‌های یادگیری ماشین Challenges in Deploying ML Models

• کار عملی: ساخت یک خط لوله جامع (End-to-End) برای مدل ML Hands-On: Build an End-to-End Pipeline for an ML Model

• معرفی بخش زیرساخت برای MLOps Introduction to Infrastructure for MLOps Section

• معرفی پلتفرم‌های ابری (AWS, GCP, Azure) Introduction to Cloud Platforms (AWS, GCP, Azure)

• کانتینری‌سازی با Docker Containerization with Docker

• استفاده از Kubernetes برای مدیریت بارهای کاری ML Kubernetes for Orchestrating ML Workloads

• راه‌اندازی محیط‌های محلی MLOps Setting Up Local MLOps Environments

• کار عملی: کانتینری کردن مدل ML ساده و استقرار محلی با Kubernetes Hands-On: Containerize Simple ML Model and Deploy It Locally Using Kubernetes

آزمون نهایی و تبریکات Final Quiz and Congratulations

• تبریک و آرزوی موفقیت Congratulations and Best of Luck