آموزش مسترکلاس سواد هوش مصنوعی: ChatGPT و مهندسی پرامپت [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

معرفی دوره و منابع Course Introduction and Resources

• مقدمه مسترکلاس سواد هوش مصنوعی: ChatGPT و پرامپت‌نویسی AI Literacy Masterclass: ChatGPT and Prompting Introduction

تسلط بر هوش مصنوعی — مقدمه‌ای بر سواد AI، ChatGPT و مهارت‌های کاربردی AI AI Mastery — Introduction to AI Literacy, ChatGPT, and Real-World AI Skills

• تسلط بر AI: مقدمه‌ای بر هوش مصنوعی، ابزارهای AI و کاربردهای عملی AI Mastery: Introduction to Artificial Intelligence, AI Tools, and Practical AI

• چرا هوش مصنوعی همه چیز را تغییر می‌دهد: درک مفهوم AI Why Artificial Intelligence Changes Everything: Understanding the AI

• انقلاب AI: چگونه هوش مصنوعی آینده مشاغل را شکل می‌دهد The AI Revolution: How Artificial Intelligence Is Shaping the Future of Work

• تفاوت AI، اتوماسیون و الگوریتم‌ها: درک تفاوت‌های کلیدی در دنیای مدرن AI vs Automation vs Algorithms: Understanding the Key Differences in Modern

• چرا سواد AI اکنون ضروری است: مهارت پایه جدید برای کار و شغل Why AI Literacy Is Now Essential: The New Baseline Skill for Work and Career

• آینده کار در اقتصاد AI: نحوه تکامل مشاغل، نقش‌ها و مهارت‌ها The Future of Work in an AI Economy: How Jobs, Roles, and Skills Are Evolving

• این دوره چگونه مهارت‌های شما را متحول می‌کند: از مبتدی تا کاربر عملی AI How This Course Will Transform Your Skills: From AI Beginner to Practical AI Use

• نقشه راه دوره و بررسی پروژه‌ها: آنچه خواهید آموخت، ساختید و اجرا کردید Course Roadmap and Projects Overview: What You Will Learn, Build, and Apply

تاریخچه هوش مصنوعی — ایده‌های اولیه درباره هوش ماشینی History of AI — Early Ideas About Machine Intelligence

• ایده‌های اولیه AI: ریشه‌های هوش ماشینی و ماشین‌های متفکر Early Ideas of AI: Origins of Machine Intelligence and Thinking Machines

• آلان تورینگ و AI: تست تورینگ و هوش ماشینی Alan Turing and AI: The Turing Test and Machine Intelligence

• تولد هوش مصنوعی: بررسی تحقیقات اولیه و اولین سیستم‌های AI The Birth of AI: Early Research and First AI Systems Explained

• هوش مصنوعی نمادین: نحوه استفاده AIهای اولیه از منطق و قوانین برای شبیه‌سازی تفکر Symbolic AI: How Early AI Used Logic and Rules to Simulate Thinking

• زمستان‌های AI و چالش‌های پژوهشی: چرا پیشرفت هوش مصنوعی کند شد AI Winters and Research Challenges: Why AI Progress Slowed

• ظهور یادگیری ماشین: از قوانین به AI مبتنی بر داده The Rise of Machine Learning: From Rules to Data-Driven AI

• شبکه‌های عصبی و پیشرفت‌های اولیه در هوش مصنوعی Neural Networks and Early Breakthroughs in Artificial Intelligence

• داده‌های حجیم و رنسانس AI: چگونه داده‌ها هوش مصنوعی را متحول کردند Big Data and the AI Renaissance: How Data Transformed AI

• یادگیری عمیق و AI مدرن: از شبکه‌های عصبی تا سیستم‌های پیشرفته Deep Learning and Modern AI: From Neural Networks to Advanced Systems

• ظهور مدل‌های زبانی بزرگ: درک سیستم‌های مدرن هوش مصنوعی The Rise of Large Language Models: Understanding Modern AI Systems

• توضیح اصطلاحات کلیدی AI: مفاهیم اصلی برای درک هوش مصنوعی Key AI Terminology Explained: Core Concepts for Understanding AI

• مرور بخش و نکات کلیدی: درک مبانی هوش مصنوعی Section Reflection and Key Takeaways: Understanding AI Foundations

هوش مصنوعی چیست — درک هوش مصنوعی و یادگیری ماشین What Is AI — Understanding Artificial Intelligence, Machine Learning

• هوش مصنوعی واقعاً چیست: ساخت یک مدل ذهنی برای درک AI What AI Really Is: Building a Mental Model for Understanding AI

• انواع هوش مصنوعی: درک دسته‌بندی‌های AI Types of Artificial Intelligence: Understanding AI Categories

• هوش مصنوعی محدود در مقابل هوش مصنوعی general: درک تفاوت‌های کلیدی Narrow AI vs General AI: Understanding the Key Differences

• یادگیری ماشین در مقابل یادگیری عمیق: رویکردهای کلیدی یادگیری AI Machine Learning vs Deep Learning: Key AI Learning Approaches

• درک داده‌های آموزشی: پایه و اساس یادگیری هوش مصنوعی Understanding Training Data: The Foundation of AI Learning

• مدل‌های AI چگونه یاد می‌گیرند: درک فرآیند یادگیری هوش مصنوعی How AI Models Learn: Understanding the AI Learning Process

• یادگیری نظارت شده: نحوه یادگیری AI از داده‌های برچسب‌دار Supervised Learning: How AI Learns from Labeled Data

• یادگیری بدون نظارت: یافتن الگوها در داده‌ها با استفاده از AI Unsupervised Learning: Finding Patterns in Data with AI

• یادگیری تقویت شده: نحوه یادگیری AI از طریق پاداش‌ها Reinforcement Learning: How AI Learns Through Rewards

• مرور روش‌های یادگیری: اتصال تکنیک‌های یادگیری AI Learning Methods Overview: Connecting AI Learning Techniques

توضیح شبکه‌های عصبی — نحوه یادگیری، پردازش داده‌ها و تولید در مدل‌های AI Neural Networks Explained — How AI Models Learn, Process Data, and Generate

• توضیح شبکه‌های عصبی: نحوه یادگیری و پردازش داده‌ها توسط مدل‌های AI Neural Networks Explained: How AI Models Learn and Process Data

• نورون‌ها و لایه‌ها: درک ساختار شبکه‌های عصبی Neurons and Layers: Understanding the Structure of Neural Networks

• ترانسفورمرها و مدل‌های زبانی: معماری پشت پرده هوش مصنوعی Transformers and Language Models: The Architecture Behind AI

• ChatGPT چگونه کار می‌کند: از ورودی تا پاسخ تولید شده توسط AI How ChatGPT Works: From Input to AI-Generated Response

• آموزش مدل‌های زبانی بزرگ: نحوه ساخت سیستم‌های هوش مصنوعی Training Large Language Models: How AI Systems Are Built

• تنظیم دقیق (Fine Tuning) و هم‌راستایی: بهبود رفتار مدل AI Fine Tuning and Alignment: Improving AI Model Behavior

• توهمات AI و محدودیت‌ها: درک نقاط ضعف سیستم AI Hallucinations and Limitations: Understanding System Weaknesses

• ارزیابی و تست AI: اندازه‌گیری عملکرد مدل AI Evaluation and Testing: Measuring Model Performance

• درک سوگیری مدل‌های AI: چگونه داده‌ها خروجی AI را شکل می‌دهند Understanding AI Model Bias: How Data Shapes AI Output

• آینده معماری‌های AI: نحوه تکامل سیستم‌های هوش مصنوعی The Future of AI Architectures: How AI Systems Will Evolve

ابزارهای مدرن هوش مصنوعی — ChatGPT، هوش مصنوعی مولد و برنامه‌های محبوب AI Modern AI Tools — ChatGPT, Generative AI, and Popular AI Applications

• مرور ابزارهای مدرن AI: درک اکوسیستم فعلی هوش مصنوعی Overview of Modern AI Tools: Understanding Today's AI Ecosystem

• ابزارهای نوشتاری AI: ایجاد، پیش‌نویس و اصلاح محتوا با هوش مصنوعی AI Writing Tools: Creating, Drafting, and Refining Content with AI

• دستیاران کدنویسی AI: ساخت، توضیح و عیب‌یابی کد با AI AI Coding Assistants: Building, Explaining, and Debugging Code with AI

• ابزارهای تولید تصویر AI: خلق محتوای بصری از طریق پرامپت‌های متنی AI Image Generation Tools: Creating Visual Content from Text Prompts

• ابزارهای تولید ویدیو AI: تبدیل سناریوها به محتوای ویدیویی ساختاریافته AI Video Generation Tools: Turning Scripts into Structured Video Content

• تولید صدا و موسیقی با AI: خلق صدا، افکت و موسیقی با هوش مصنوعی AI Audio and Music Generation: Creating Voice, Sound, and Music with AI

• ابزارهای تحلیل داده AI: تبدیل داده‌ها به بینش و تصمیمات بهتر AI Data Analysis Tools: Turning Data into Insights and Better Decisions

• ابزارهای پژوهشی AI: یافتن، خلاصه‌سازی و سازماندهی سریع‌تر اطلاعات AI Research Tools: Finding, Summarizing, and Organizing Information Faster

• پلتفرم‌های بهره‌وری AI: ترکیب ابزارهای AI در سیستم‌های جریان کاری AI Productivity Platforms: Combining AI Tools into Workflow Systems

• انتخاب ابزار AI مناسب: تطبیق قابلیت‌های AI با وظایف واقعی Choosing the Right AI Tools: Matching AI Capabilities to Real Tasks

سیستم‌عامل شخصی AI — ساخت جریان‌های کاری و سیستم‌های هوش مصنوعی AI Personal Operating System — Build AI Workflows, Systems

• طراحی سیستم‌عامل شخصی AI برای جریان کاری و بهره‌وری Designing Your AI Personal Operating System for Workflow and Productivity

• جریان‌های کاری پژوهشی AI: ساخت سیستم‌های پژوهشی ساختاریافته با AI AI Research Workflows: Building Structured Research Systems with AI

• جریان‌های کاری نوشتاری AI: ساخت سیستم‌های تکرارپذیر برای تولید محتوا AI Writing Workflows: Building Repeatable Systems for Content Creation

• سیستم‌های ایده‌پردازی AI: تولید و گسترش ایده‌ها با هوش مصنوعی AI Brainstorming Systems: Generating and Expanding Ideas with AI

• دستیاران جلسات AI: ثبت یادداشت‌ها، خلاصه‌ها و موارد اجرایی AI Meeting Assistants: Capturing Notes, Summaries, and Action Items

• سیستم‌های مدیریت وظایف AI: سازماندهی، اولویت‌بندی و ردیابی کارها AI Task Management Systems: Organizing, Prioritizing, and Tracking Work

• مدیریت دانش با AI: سازماندهی اطلاعات برای استفاده مجدد و بازیابی AI Knowledge Management: Organizing Information for Reuse and Retrieval

• سیستم‌های یادگیری AI: استفاده از حلقه‌های بازخورد برای بهبود توسعه مهارت AI Learning Systems: Using Feedback Loops to Improve Skill Development

• ابزارهای پشتیبانی تصمیم‌گیری AI: استفاده از AI برای تحلیل و انتخاب‌های بهتر AI Decision Support Tools: Using AI for Better Analysis and Choices

• ساخت جریان کاری شخصی AI: ادغام ابزارها در یک سیستم واحد Building Your Personal AI Workflow: Integrating Tools into One System

مهندسی پرامپت — نحوه نوشتن پرامپت‌های بهتر برای ChatGPT و ابزارهای AI Prompt Engineering — How to Write Better Prompts for ChatGPT and AI Tools

• مهندسی پرامپت چیست: نحوه ارتباط موثر با هوش مصنوعی What Is Prompt Engineering: How to Communicate with AI Effectively

• کالبدشناسی یک پرامپت عالی: دستورالعمل، زمینه (Context) و فرمت خروجی Anatomy of a Great Prompt: Instruction, Context, and Output Format

• الگوها و قالب‌های پرامپت: سیستم‌های قابل استفاده مجدد برای نتایج بهتر Prompt Patterns and Templates: Reusable Systems for Better Results

• پرامپت‌نویسی تکرارشونده: اصلاح گام‌به‌گام خروجی AI Iterative Prompting: Refining AI Output Step by Step

• تکنیک‌های پیشرفته پرامپت‌نویسی: ورودی ساختاریافته برای خروجی دقیق Advanced Prompting Techniques: Structured Input for Precision Output

• پرامپت‌نویسی نقش-محور: استفاده از دیدگاه‌ها برای بهبود خروجی AI Role-Based Prompting: Using Perspective to Improve AI Output

• پرامپت‌نویسی گام‌به‌گام: هدایت AI از طریق استدلال ساختاریافته Step by Step Prompting: Guiding AI Through Structured Reasoning

• پرامپت‌نویسی مبتنی بر محدودیت: کنترل خروجی با استفاده از قوانین Constraint-Based Prompting: Controlling Output with Rules

• زنجیره‌سازی پرامپت (Prompt Chaining): ساخت جریان‌های کاری چندمرحله‌ای AI Prompt Chaining: Building Multi-Step AI Workflows

• حافظه و زمینه در پرامپت‌ها: حفظ تداوم در تعامل با AI Memory and Context in Prompts: Maintaining Continuity in AI

• سیستم‌های پرامپت چندمرحله‌ای: ترکیب تکنیک‌ها در جریان‌های کاری AI Multi-Step Prompt Systems: Combining Techniques into AI Workflows

• بهینه‌سازی پرامپت: اصلاح پرامپت‌ها برای بهترین عملکرد AI Prompt Optimization: Refining Prompts for Best AI Performance

تولید محتوا با AI — استفاده از هوش مصنوعی برای نوشتن، طراحی، ویدیو و کارهای خلاقانه AI Content Creation — Using AI for Writing, Design, Video, and Creative

• هوش مصنوعی در تولید محتوا: ساخت جریان‌های کاری خلاقانه و کارآمد AI in Content Creation: Building Efficient Creative Workflows

• هوش مصنوعی در عملیات تجاری: بهبود کارایی و جریان‌های کاری AI in Business Operations: Improving Efficiency and Workflows

• هوش مصنوعی در آموزش: سیستم‌های یادگیری و بازخورد شخصی‌سازی شده AI in Education: Personalized Learning and Feedback Systems

• هوش مصنوعی در بازاریابی: کمپین‌های مبتنی بر داده و هدف‌گذاری مخاطبان AI in Marketing: Data-Driven Campaigns and Audience Targeting

• هوش مصنوعی در توسعه نرم‌افزار: ارتقای کدنویسی و جریان‌های کاری AI in Software Development: Enhancing Coding and Workflows

• هوش مصنوعی در بهداشت و درمان: بهبود تشخیص و مراقبت از بیمار AI in Healthcare: Improving Diagnosis and Patient Care

• هوش مصنوعی در امور مالی: بینش‌های مبتنی بر داده و تصمیم‌گیری AI in Finance: Data-Driven Insights and Decision Making

• آینده هوش مصنوعی: روندها، فرصت‌ها و سیستم‌های نوظهور The Future of AI: Trends, Opportunities, and Emerging Systems

سیستم‌های کاربردی AI — جریان‌های کاری واقعی، اتوماسیون و کاربردهای عملی Applied AI Systems — Real-World AI Workflows, Automation, and Practical

• مرور سیستم‌های کاربردی AI: از مفاهیم تا اجرای واقعی Applied AI Systems Overview: From Concepts to Real Execution

• تفکر طراحی سیستم: برنامه‌ریزی جریان‌های کاری AI قبل از اجرا System Design Thinking: Planning AI Workflows Before Execution

• ساخت سیستم AI: تبدیل طراحی به اجرای ساختاریافته Building the AI System: Turning Design into Structured Execution

• اصلاح سیستم: بهبود عملکرد جریان کاری AI در طول زمان System Refinement: Improving AI Workflow Performance Over Time

• جریان‌های کاری چندمرحله‌ای AI: طراحی فرآیندهای ساختاریافته برای خروجی بهتر Multi-Step AI Workflows: Designing Structured Processes for Better Output

• ترکیب ابزارها و پرامپت‌ها: ساخت سیستم‌های یکپارچه AI Combining Tools and Prompts: Building Integrated AI Systems

• تفکر اتوماسیون با AI: مقیاس‌بندی جریان‌های کاری به سیستم‌های تکرارپذیر Automation Thinking with AI: Scaling Workflows into Repeatable Systems

• مثال واقعی از سیستم AI: درک اجرای کامل یک جریان کاری Real World AI System Example: Understanding Complete Workflow Execution

• ساخت جریان کاری AI خودتان: طراحی سیستم‌های سفارشی برای وظایف واقعی Building Your Own AI Workflow: Designing Custom Systems for Real Tasks

• اجرای نهایی سیستم: اجرای یک جریان کاری کامل AI از ابتدا تا انتها Capstone System Execution: Running a Complete AI Workflow End to End

هوش مصنوعی در دنیای واقعی — کسب‌وکار، آموزش، بهره‌وری و صنعت AI in the Real World — Business, Education, Productivity, and Industry

• هوش مصنوعی در دنیای واقعی: درک جاهایی که AI در حال حاضر استفاده می‌شود AI in the Real World: Understanding Where AI Is Already Used

• مسیرهای شغلی AI: تبدیل مهارت‌های AI به فرصت‌های واقعی AI Career Paths: Turning AI Skills into Real Opportunities

• خلق ارزش با AI: حل مسائل و ایجاد تاثیر Building Value with AI: Solving Problems and Creating Impact

• مجموعه مهارت‌های AI شما: ساخت مهارت‌های فنی، خلاقانه و تحلیلی Your AI Skill Stack: Building Technical, Creative, and Analytical Skills

• تفکر انتقادی در AI: ارزیابی خروجی برای دقت و قابلیت اطمینان AI Critical Thinking: Evaluating Output for Accuracy and Reliability

• درک توهمات AI: چرا هوش مصنوعی پاسخ‌های نادرست تولید می‌کند Understanding AI Hallucinations: Why AI Generates Incorrect Answers

• ارزیابی خروجی AI: روشی ساختاریافته برای نتایج قابل اعتماد Evaluating AI Output: A Structured Method for Reliable Results

• سوگیری در AI: درک تاثیر داده‌ها و محدودیت‌های خروجی Bias in AI: Understanding Data Influence and Output Limitations

• قضاوت انسانی و AI: ترکیب خروجی AI با تصمیمات بهتر Human Judgment and AI: Combining AI Output with Better Decisions

• استفاده مسئولانه از AI: شیوه‌های اخلاقی و ایمن هوش مصنوعی Responsible Use of AI: Ethical and Safe AI Practices

• جریان کاری تاییدیه: ساخت سیستم‌هایی برای تضمین خروجی قابل اعتماد AI Verification Workflow: Building Systems to Ensure Reliable AI Output

• سواد AI در عمل: به‌کارگیری جریان‌های کاری کامل AI برای نتایج واقعی AI Literacy in Practice: Applying Full AI Workflows for Real Results

هوش مصنوعی به عنوان شریک خلاق — همکاری، ایده‌پردازی و ارتقای کیفیت کار AI as a Creative Partner — Collaboration, Idea Generation, and Enhancing Work

• هوش مصنوعی به عنوان شریک خلاق: گسترش ایده‌ها و تفکر خلاقانه AI as a Creative Partner: Expanding Ideas and Creative Thinking

• نوشتن با AI: ایجاد محتوای ساختاریافته از ایده تا خروجی نهایی Writing with AI: Creating Structured Content from Idea to Final Output

• تولید تصویر با AI: خلق محتوای بصری از طریق پرامپت‌ها Image Generation with AI: Creating Visual Content from Prompts

• ویدیو و صدا با AI: تولید محتوای چندرسانه‌ای با ابزارهای AI Video and Audio with AI: Creating Multimedia Content with AI Tools

• سیستم‌های خلاق با AI: ساخت جریان‌های کاری تکرارپذیر برای محتوا Creative Systems with AI: Building Repeatable Content Workflows

• مقیاس‌بندی جریان‌های کاری خلاق: تولید محتوای بیشتر با تلاش کمتر Scaling Creative Workflows: Producing More Content with Less Effort

• خلاقیت انسانی در مقابل AI: ترکیب قصد انسانی و تولیدات AI Human vs AI Creativity: Combining Intent and AI Generation

• مالکیت خلاقانه و اخلاق در AI: تولید محتوای مسئولانه Creative Ownership and Ethics in AI: Responsible Content Creation

داده‌ها و هوش مصنوعی — نحوه قدرت‌بخشی داده‌ها به مدل‌های AI، دقت و تصمیم‌گیری Data and AI — How Data Powers AI Models, Accuracy, and Decision-Making

• چرا داده‌ها به AI قدرت می‌دهند: درک زیربنای سیستم‌های هوش مصنوعی Why Data Powers AI: Understanding the Foundation of AI Systems

• داده‌های آموزشی در AI: نحوه یادگیری الگوها و تولید خروجی توسط مدل‌ها Training Data in AI: How Models Learn Patterns and Generate Output

• کیفیت داده‌ها در AI: نحوه تاثیر کیفیت ورودی بر نتایج خروجی Data Quality in AI: How Input Quality Affects Output Results

• سوگیری داده‌ها در AI: درک داده‌های منحرف و اثرات آن بر خروجی Data Bias in AI: Understanding Skewed Data and Output Effects

• خط لوله‌های داده (Data Pipelines) در AI: نحوه جریان داده‌ها از جمع‌آوری تا خروجی Data Pipelines in AI: How Data Flows from Collection to Output

• معماری سیستم AI: درک لایه‌های ورودی، مدل و خروجی AI System Architecture: Understanding Input, Model, and Output Layers

• اجزای سیستم AI: درک داده‌ها، مدل‌ها و رابط‌های کاربری AI System Components: Understanding Data, Models, and Interfaces

• استراتژی داده برای AI: برنامه‌ریزی برای جمع‌آوری، پردازش و استفاده از داده‌ها Data Strategy for AI: Planning Data Collection, Processing, and Use

بهینه‌سازی و بهبود سیستم‌های AI — بررسی، اصلاح و مقیاس‌بندی جریان‌های کاری AI Optimize and Improve AI Systems — Review, Refine, and Scale Your AI Workflows

• مرور سیستم‌های AI شما: بهبود جریان‌های کاری و دستیابی به تسلط Reviewing Your AI Systems: Improve Workflows and Build Mastery

• ساخت پورتفولیو AI: نمایش جریان‌های کاری، سیستم‌ها و نتایج Build an AI Portfolio: Showcase Workflows, Systems, and Results

• ذهنیت AI: یادگیری مستمر و رشد بلندمدت با هوش مصنوعی AI Mindset: Continuous Learning and Long-Term Growth with AI

• برنامه رشد AI شما: ایجاد یک نقشه راه برای توسعه مهارت‌ها و مسیر شغلی Your AI Growth Plan: Create a Roadmap for Skills and Career Development

• پایان دوره AI: به‌کارگیری مهارت‌ها، ساخت سیستم‌ها و حرکت به جلو AI Course Completion: Apply Skills, Build Systems, and Move Forward