آموزش 7 روز برگزاری بوت کمپ توسعه هوش مصنوعی و صدور گواهینامه

دانلود 7 Days of Hands-On AI Development Bootcamp and Certification

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: از صفر تا هوش مصنوعی: راهنمای مبتدیان برای ساخت و استقرار پروژه‌های هوش مصنوعی مدل‌های یادگیری ماشینی را برای برنامه‌های کاربردی دنیای واقعی مانند طبقه‌بندی، رگرسیون و وظایف NLP بسازید، آموزش دهید، و استقرار دهید. بر مفاهیم ضروری هوش مصنوعی، از جمله شبکه های عصبی، پیش پردازش داده ها، ارزیابی مدل و پردازش متن مسلط شوید. مدل‌های هوش مصنوعی را به‌عنوان سرویس‌های وب با استفاده از Flask مستقر کنید، که امکان تعامل بی‌درنگ با کاربر و استقرار ابری روی پلت‌فرم‌هایی مانند Heroku را فراهم می‌کند. از مدل های از پیش آموزش دیده و انتقال تکنیک های یادگیری برای اجرای سریع NLP و وظایف طبقه بندی تصویر استفاده کنید. پیش نیازها: بدون نیاز به دانش کدنویسی قبلی: دوره از اصول پایتون شروع می شود، بنابراین نیازی به تجربه قبلی در برنامه نویسی نیست. استفاده اولیه از رایانه: زبان آموزان باید بدانند که چگونه رایانه خود را پیمایش کنند، نرم افزار نصب کنند و از مرورگر وب استفاده کنند. دانش ریاضی پایه: درک جبر و جبر خطی پایه (ماتریس، بردار) مفید خواهد بود. رایانه با دسترسی به اینترنت: برای نصب نرم افزار، دانلود داده ها و پیگیری درس ها به یک لپ تاپ یا دسکتاپ نیاز است.

به «7 روز بوت کمپ توسعه هوش مصنوعی دستی: ساخت پروژه‌های هوش مصنوعی در دنیای واقعی از ابتدا» خوش آمدید، دوره‌ای که برای مبتدیانی طراحی شده است که مشتاق ورود به دنیای هوش مصنوعی (AI) هستند. این دوره برای کسانی ایده آل است که تجربه قبلی در برنامه نویسی یا هوش مصنوعی ندارند اما کنجکاوی و انگیزه یادگیری دارند. چه دانش‌آموز باشید، چه یک تغییر شغل، یا صرفاً علاقه‌مند به ساخت اولین پروژه هوش مصنوعی خود باشید، این دوره به گونه‌ای طراحی شده است که شما را از دانش صفر به استفاده از مدل‌های هوش مصنوعی در دنیای واقعی ببرد.

در طول ۷ روز، هر روز پروژه‌هایی را می‌سازید، از اصول برنامه‌نویسی پایتون تا استقرار یک مدل هوش مصنوعی کاملاً کاربردی در وب. هر روز مملو از پروژه‌های عملی، برنامه‌های کاربردی، و دستورالعمل‌های ساده است تا اطمینان حاصل شود که نه تنها دانش نظری، بلکه مهارت‌های دنیای واقعی را به دست می‌آورید که می‌توانید فوراً از آنها استفاده کنید.


آنچه خواهید آموخت:

این دوره همه چیزهایی را که برای شروع توسعه هوش مصنوعی نیاز دارید را پوشش می دهد. هر روز بر روی یک موضوع جدید متمرکز است، به تدریج بر روی آنچه قبلاً آموخته اید، تمرکز می کند. در اینجا یک نمای کلی از آنچه می توانید انتظار داشته باشید آورده شده است:

روز 1: پایتون برای اصول هوش مصنوعی

ما با پایه و اساس برنامه نویسی پایتون شروع می کنیم. پایتون محبوب‌ترین زبان برای هوش مصنوعی است و در پایان روز اول، نحو اصلی پایتون، انواع داده‌ها، جریان کنترل و نحوه استفاده از کتابخانه‌های ضروری مانند NumPy و Pandas را خواهید فهمید. شما همچنین اولین برنامه ساده خود را می سازید و زمینه را برای پروژه های هوش مصنوعی آینده فراهم می کنید.

روز 2: تجزیه و تحلیل داده های اکتشافی (EDA)

داده ها ستون فقرات هوش مصنوعی هستند و قبل از اینکه بتوانید مدل ها را آموزش دهید، باید بدانید که چگونه آن ها را تجزیه و تحلیل کنید. در روز دوم، نحوه پاکسازی، دستکاری و تجسم داده ها را خواهید آموخت. با استفاده از کتابخانه هایی مانند Matplotlib و Seaborn، مجموعه داده ها را کاوش می کنید، داده های از دست رفته را مدیریت می کنید و روابط بین ویژگی های مختلف را تجسم می کنید. شما با داده های دنیای واقعی کار خواهید کرد تا بینش های پنهان را کشف کنید.

روز 3: مقدمه ای بر یادگیری ماشینی

در روز سوم، با تمرکز بر رگرسیون خطی، به یادگیری ماشین می‌رویم. شما اصول یادگیری تحت نظارت را خواهید آموخت، از جمله نحوه تقسیم مجموعه داده های خود به مجموعه های آموزشی و آزمایشی، آموزش یک مدل و ارزیابی عملکرد آن. در پایان روز، اولین مدل پیش‌بینی خود را برای پیش‌بینی متغیرهای پیوسته مانند قیمت خانه خواهید ساخت.

روز 4: مدل‌های طبقه‌بندی در یادگیری ماشینی

در مرحله بعد، با استفاده از رگرسیون لجستیک با مشکلات طبقه بندی مقابله خواهید کرد. چه پیش‌بینی هرزنامه بودن ایمیل یا طبقه‌بندی ریزش مشتری، این روز به شما می‌آموزد که چگونه یک مدل طبقه‌بندی بسازید و آن را با استفاده از معیارهایی مانند دقت، یادآوری و دقت ارزیابی کنید. همچنین یاد خواهید گرفت که چگونه ماتریس های سردرگمی را برای درک عملکرد مدل خود تفسیر کنید.

روز پنجم: شبکه های عصبی و یادگیری عمیق

روز پنجم دنیای شگفت انگیز شبکه های عصبی را معرفی می کند. شما یک شبکه عصبی پیشخور ساده برای طبقه بندی ارقام دست نویس با استفاده از مجموعه داده MNIST خواهید ساخت. شما با کتابخانه هایی مانند TensorFlow یا PyTorch تجربه عملی کسب خواهید کرد و در مورد مفاهیم کلیدی مانند توابع فعال سازی، انتشار پس زمینه و آموزش مدل های یادگیری عمیق اطلاعات کسب خواهید کرد.

روز ششم: پردازش زبان طبیعی (NLP)

روز 6 بر پردازش زبان طبیعی (NLP) متمرکز است، که در آن یک مدل تجزیه و تحلیل احساسات با استفاده از داده های متنی ایجاد خواهید کرد. با استفاده از مدل های از پیش آموزش دیده از Hugging Face یا ساختن مدل های خود با TensorFlow، متن را به عنوان مثبت یا منفی طبقه بندی می کنید. این روز مقدمه ای بر پیش پردازش متن، توکن سازی و یادگیری انتقال در NLP است.

روز 7: استقرار یک مدل هوش مصنوعی به عنوان یک سرویس وب

در روز پایانی، می‌آموزید که چگونه مدل‌های هوش مصنوعی خود را به‌عنوان یک سرویس وب با استفاده از Flask استفاده کنید. شما مدل های هوش مصنوعی خود را در یک برنامه وب ادغام خواهید کرد و آنها را از طریق مرورگر در دسترس کاربران قرار خواهید داد. علاوه بر این، برنامه خود را در یک پلتفرم ابری مانند Heroku مستقر خواهید کرد. در پایان روز، یک برنامه وب مبتنی بر هوش مصنوعی خواهید داشت که هر کسی می تواند به صورت آنلاین با آن تعامل داشته باشد.


این دوره برای چه کسانی است:

  • مبتدیان مطلق: نیازی به برنامه نویسی یا دانش هوش مصنوعی قبلی نیست. این دوره برای مبتدیان طراحی شده است.

  • دانش‌آموزان: اگر در حال مطالعه هوش مصنوعی، یادگیری ماشین یا علم داده هستید، این دوره به شما تجربه عملی عملی برای تقویت یادگیری شما می‌دهد.

  • تغییرات شغلی: اگر به دنبال تغییر شغل در هوش مصنوعی یا یادگیری ماشینی هستید، این دوره به شما پایه ای برای شروع سفرتان می دهد.

  • علاقمندان و علاقه مندان: اگر به سادگی در مورد هوش مصنوعی کنجکاو هستید و می خواهید پروژه هایی برای سرگرمی بسازید، این دوره دستورالعمل های ساده ای را در اختیار شما قرار می دهد.

چرا این دوره را بگذرانید؟

این دوره فقط در مورد تئوری نیست، بلکه در مورد ساخت است. تا پایان هفته پروژه های واقعی را در کارنامه خود خواهید داشت. هر روز مملو از تمرین‌های کدنویسی عملی و پروژه‌سازی است که یادگیری توسعه هوش مصنوعی را آسان و قابل دسترس می‌کند. چه بخواهید شغل خود را تقویت کنید، کارفرمایان را تحت تأثیر قرار دهید، یا برای علاقه شخصی به کاوش در دنیای هوش مصنوعی بپردازید، این دوره به گونه ای طراحی شده است که آن سفر را جذاب، تعاملی و پرارزش کند.


بنابراین، آیا آماده ساختن پروژه های هوش مصنوعی از ابتدا تنها در 7 روز هستید؟ بیایید شروع کنیم!


سرفصل ها و درس ها

مقدمه دوره Introduction to Course

  • مقدمه دوره Introduction to Course

روز اول: پایتون برای اصول هوش مصنوعی Day 1: Python for AI Basics

  • مقدمه روز 1: پایتون برای مبانی هوش مصنوعی Introduction to Day 1: Python for AI Basics

  • مقدمه ای بر برنامه نویسی پایتون Introduction to Python Programming

  • مبانی پایتون Python Basics

  • کار با لیست ها و دیکشنری ها Working with Lists and Dictionaries

  • مقدمه ای بر NumPy Introduction to NumPy

  • آشنایی با پانداها Introduction to Pandas

  • پروژه عملی: دستکاری داده ها و مدیریت فایل ها Hands-on Project: Basic Data Manipulation and File Handling

  • روز 1: تمرین کدنویسی Day 1: Coding Exercise

روز 2: تجزیه و تحلیل داده های اکتشافی (EDA) Day 2: Exploratory Data Analysis (EDA)

  • مقدمه روز 2: تجزیه و تحلیل داده های اکتشافی (EDA) Introduction to Day 2: Exploratory Data Analysis (EDA)

  • بارگیری و بازرسی داده ها Loading and Inspecting Data

  • رسیدگی به داده های از دست رفته Handling Missing Data

  • تبدیل داده ها و مهندسی ویژگی Data Transformation and Feature Engineering

  • تجسم داده ها با Matplotlib و Seaborn Visualizing Data with Matplotlib and Seaborn

  • آمار توصیفی Descriptive Statistics

  • پروژه عملی: تجزیه و تحلیل داده های اکتشافی بر روی یک مجموعه داده واقعی Hands-on Project: Exploratory Data Analysis on a Real Dataset

  • روز 2: تمرین کدنویسی Day 2: Coding Exercise

روز 3: مقدمه ای بر یادگیری ماشین (ML) Day 3: Introduction to Machine Learning (ML)

  • مقدمه روز 3: مقدمه ای بر یادگیری ماشینی (ML) Introduction to Day 3: Introduction to Machine Learning (ML)

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • آموزش نظارت شده و آماده سازی مجموعه داده ها Supervised Learning and Dataset Preparation

  • ساخت مدل رگرسیون خطی Building a Linear Regression Model

  • ارزیابی مدل Evaluating the Model

  • مقیاس بندی و منظم سازی ویژگی ها Feature Scaling and Regularization

  • پروژه عملی: پیش بینی قیمت خانه با استفاده از رگرسیون خطی Hands-on Project: Predicting House Prices using Linear Regression

  • روز 3: تمرین کدنویسی Day 3: Coding Exercise

روز 4: مدل های طبقه بندی در یادگیری ماشینی Day 4: Classification Models in Machine Learning

  • مقدمه ای بر روز 4: مدل های طبقه بندی در یادگیری ماشینی Introduction to Day 4: Classification Models in Machine Learning

  • طبقه بندی چیست؟ What is Classification?

  • رگرسیون لجستیک برای طبقه بندی Logistic Regression for Classification

  • ساخت یک طبقه بندی رگرسیون لجستیک Building a Logistic Regression Classifier

  • ارزیابی مدل طبقه بندی Evaluating the Classification Model

  • تجسم مرز تصمیم Visualizing the Decision Boundary

  • پروژه عملی: تشخیص هرزنامه با استفاده از رگرسیون لجستیک Hands-on Project: Spam Detection Using Logistic Regression

  • روز چهارم: تمرین کدنویسی Day 4: Coding Exercise

روز پنجم: مقدمه ای بر شبکه های عصبی و یادگیری عمیق Day 5: Introduction to Neural Networks and Deep Learning

  • مقدمه ای بر روز پنجم: مقدمه ای بر شبکه های عصبی و یادگیری عمیق Introduction to Day 5: Introduction to Neural Networks and Deep Learning

  • شبکه عصبی چیست؟ What is a Neural Network?

  • مقدمه ای بر چارچوب های یادگیری عمیق Introduction to Deep Learning Frameworks

  • بررسی اجمالی مجموعه داده های MNIST MNIST Dataset Overview

  • ساخت یک شبکه عصبی ساده برای طبقه بندی MNIST Building a Simple Neural Network for MNIST Classification

  • ارزیابی شبکه عصبی Evaluating the Neural Network

  • درک توابع فعال سازی Understanding Activation Functions

  • پروژه عملی: دسته‌بندی رقم دست‌نویس با استفاده از شبکه‌های عصبی Hands-on Project: Handwritten Digit Classification using Neural Networks

  • روز پنجم: تمرین کدنویسی Day 5: Coding Exercise

روز ششم: ساخت مدل تحلیل احساسات با استفاده از پردازش زبان طبیعی Day 6: Building a Sentiment Analysis Model Using Natural Language Processing

  • مقدمه روز ششم: ساخت یک مدل تحلیل احساسات با استفاده از NLP Introduction to Day 6: Building a Sentiment Analysis Model Using NLP

  • مقدمه ای بر پردازش زبان طبیعی (NLP) Introduction to Natural Language Processing (NLP)

  • تجزیه و تحلیل احساسات: درک طبقه بندی متن Sentiment Analysis: Understanding Text Classification

  • پیش پردازش متن Text Preprocessing

  • استفاده از مدل های از پیش آموزش دیده برای NLP (صورت در آغوش گرفته) Using Pre-trained Models for NLP (Hugging Face)

  • ساخت یک مدل تحلیل احساسات با TensorFlow Building a Sentiment Analysis Model with TensorFlow

  • ارزیابی مدل Evaluating the Model

  • پروژه عملی: تجزیه و تحلیل احساسات با استفاده از مدل های NLP از قبل آموزش دیده Hands-on Project: Sentiment Analysis Using Pre-trained NLP Models

  • روز ششم: تمرین کدنویسی Day 6: Coding Exercise

روز هفتم: استقرار یک مدل هوش مصنوعی به عنوان یک وب سرویس Day 7: Deploying an AI Model as a Web Service

  • مقدمه روز هفتم: استقرار یک مدل هوش مصنوعی به عنوان یک وب سرویس Introduction to Day 7: Deploying an AI Model as a Web Service

  • مقدمه ای بر Flask برای توسعه وب Introduction to Flask for Web Development

  • ایجاد یک رابط وب برای مدل شما Creating a Web Interface for Your Model

  • استقرار برنامه Flask در Heroku Deploying the Flask App to Heroku

  • تست وب سرویس Testing the Web Service

  • روز هفتم: تمرین کدنویسی Day 7: Coding Exercise

نمایش نظرات

آموزش 7 روز برگزاری بوت کمپ توسعه هوش مصنوعی و صدور گواهینامه
جزییات دوره
4 hours
50
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,003
4.4 از 5
ندارد
دارد
دارد
Vivian Aranha
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Vivian Aranha Vivian Aranha

معمار راه حل های موبایل و مربی حرفه ای