آموزش دوره جامع گواهینامه AWS Certified AI Practitioner - آخرین آپدیت

مبانی هوش مصنوعی و یادگیری ماشین Fundamentals of AI and ML

• مقدمه Introduction

• مرور کلی دوره Course Overview

• چرا مدرک AWS AI Practitioner و متخصص AI کیست؟ Why AWS AI Practitioner Certification and what is an AI Practitioner?

• ثبت‌نام و شرکت در آزمون برای اولین بار: نکات و دمو Registering/Taking an exam for the first time - What to know - Demo

• راهنمای آزمون AI Practitioner: جزئیات و دامنه‌های آزمون AI Practitioner Exam Guide - Exam Details and Domains

• راهنمای گام‌به‌گام ایجاد حساب کاربری AWS Setting up your own AWS Account - A walk through

• مفاهیم پایه و اصطلاحات هوش مصنوعی Basic AI Concepts and Terminologies

• تفاوت‌ها و شباهت‌های AI، ML و یادگیری عمیق AI, ML, and Deep Learning; Similarities and Differences

• انواع استنتاج (Inferencing) Types of Inferencing

• انواع داده‌ها در مدل‌های هوش مصنوعی Data Types in AI Models

• یادگیری نظارت شده، نظارت نشده و یادگیری تقویتی Supervised, Unsupervised, and Reinforcement Learning

• شناسایی موارد استفاده عملی برای AI/ML Identifying Practice Use cases for AI/ML

• چرخه توسعه ML و خط لوله (Pipeline) یادگیری ماشین ML Development Lifecycle and the ML Pipeline

• مقدمه‌ای بر مفاهیم MLOps از طراحی تا معیارها Introduction to MLOps concepts from design to metrics

• مروری بر سرویس‌های AI و ML در AWS Overview of AI and ML Services on AWS

مبانی هوش مصنوعی مولد Fundamentals of Generative AI

• مفاهیم پایه AI مولد: توکن‌ها، تکه سازی، امبدینگ‌ها و بیشتر Basic Concepts of Generative AI - tokens, chunking, embeddings, and more

• موارد استفاده و کاربردهای هوش مصنوعی مولد Generative AI Use Cases and Applications

• چرخه حیات مدل‌های پایه (Foundation Model) Foundation Model Lifecycle

• قابلیت‌ها و محدودیت‌های برنامه‌های AI مولد Capabilities and Limitations of Generative AI Applications

• زیرساخت AWS برای ساخت برنامه‌های Gen AI AWS Infrastructure for Building Gen AI Applications

• ملاحظات هزینه در سرویس‌های Gen AI آمازون: پایداری، در دسترس بودن و عملکرد Cost Consideration for AWS Gen AI Services - redundancy, availability, performance, and more

کاربردهای مدل‌های پایه Applications of Foundation Models

• ملاحظات طراحی برای برنامه‌های مبتنی بر مدل پایه Design considerations for Foundation Model Applications

• انتخاب مدل‌های پیش‌آموزش‌دیده Selecting Pre-Trained Models

• پارامترهای استنتاج و تأثیرات آن‌ها Inference Parameters and their effects

• تولید تقویت شده با بازیابی (RAG) و کاربردهای آن Retrieval Augmented Generation (RAG) and its uses

• پایگاه‌های داده برداری (Vector Databases) در AWS Vector Databases on AWS

• روش‌های شخصی‌سازی مدل‌های پایه Foundation Model Customization Approaches

• عوامل (Agents) برای انجام تسک‌های چند مرحله‌ای Agents for Multi-step tasks

• تکنیک‌ها و بهترین روش‌های مهندسی پرامپت Prompt Engineering Techniques and Best Practices

• فرآیند آموزش و Fine-tuning برای مدل‌های پایه Training and Fine-tuning Process for Foundation Models

• ارزیابی عملکرد مدل‌های پایه Evaluating Foundation Model Performance

دستورالعمل‌های هوش مصنوعی مسئولانه Guidelines for Responsible AI

• ویژگی‌های هوش مصنوعی مسئولانه Features of Responsible AI

• ابزارهای شناسایی ویژگی‌های AI مسئولانه Tools for Identifying Responsible AI Features

• روش‌های انتخاب مدل مسئولانه Responsible Model Selection Practices

• ریسک‌های قانونی در هوش مصنوعی مولد Legal Risks in Generative AI

• ویژگی‌های مجموعه‌داده‌ها و سوگیری (Bias) Dataset Characteristics and Bias

• مدل‌های شفاف و قابل توضیح Transparent and Explainable Models

• طراحی انسان‌محور برای هوش مصنوعی قابل توضیح Human-centered Design for Explainable AI

امنیت، انطباق و حاکمیت در راهکارهای AI Security, Compliance, and Governance for AI Solutions

• ایمن‌سازی سیستم‌های AI با سرویس‌های AWS Securing AI Systems with AWS Services

• ارجاع به منابع و تتبع داده‌ها (Data Lineage) Source Citation and Data Lineage

• بهترین روش‌ها برای مهندسی داده امن Best Practices for Secure Data Engineering

• ملاحظات امنیتی و حریم خصوصی در سیستم‌های AI Security and Privacy Considerations for AI Systems

• استانداردهای انطباق نظارتی برای سیستم‌های AI Regulatory Compliance Standards for AI Systems

• سرویس‌های AWS برای حاکمیت و انطباق AWS Services for Governance and Compliance

• استراتژی‌های حاکمیت داده‌های AI AI Data Governance Strategies

مسیرهای شغلی و منابع AI/ML AI/ML Career Paths and Resources

• گام‌های بعدی و منابع برای دریافت گواهینامه Next Steps and Resources in Certification

• یادگیری مستمر در فضای AI/ML برای AWS Continual Learning in the AI/ML Space for AWS

• سخن نهایی: تأثیر آینده AI در AWS و فراتر از آن A Final Word - The future impact of AI in AWS and beyond