Jumpstart Python & Gen AI: Zero to Hero برای مبتدیان

Jumpstart Python & Gen AI: Zero to Hero for Beginners new

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: استاد پایتون و شیرجه رفتن به هوش مصنوعی مولد بدون تجربه قبلی: آموزش کدنویسی و ایجاد با استفاده از ابزارهای دنیای واقعی مبتدیانی که در تمام طول عمر خود کدنویسی نمی کنند افرادی که در نقش غیر فنی هستند، مایلند به دنبال فرصت های فنی بگردند افرادی که علاقه زیادی به این موضوع دارند. یادگیری Gen AI درک نحوه عملکرد صنعت Gen AI با ایجاد برنامه های بلادرنگ پیش نیازها: مهارت های برنامه نویسی صفر مورد نیاز است. ما همه چیز را از صفر شروع خواهیم کرد

این دوره 16 سخنرانی برای ارائه پایه ای محکم در برنامه نویسی پایتون و مقدمه ای بر هوش مصنوعی مولد طراحی شده است. این دوره که برای مبتدیان طراحی شده است، شامل درس های تئوری و پروژه های عملی است تا اطمینان حاصل شود که زبان آموزان می توانند دانش خود را در سناریوهای دنیای واقعی به کار گیرند. کل دوره بیشتر یک قالب داستان گویی برای مبتدیان در زمان واقعی است. ضبط‌ها می‌توانند تجربه‌ای فراگیر در کلاس به شما بدهند.

سخنرانی 1: مقدمه ای بر هوش مصنوعی و پایتون

نمای کلی ساختار و اهداف دوره.
مقدمه ای بر پایتون و اهمیت آن در هوش مصنوعی.
نمای کلی از هوش مصنوعی مولد، از جمله کاربردها و ارتباط آن در دنیای امروز.

اصول پایتون (سخنرانی 2-10)

سخنرانی 2: مقدمه ای بر مبانی پایتون

نمای کلی برنامه نویسی و پایتون به عنوان یک زبان.
تنظیم و استفاده از Google Colab برای کدنویسی.
کاوش در GitHub برای ذخیره سازی کد و همکاری.
نحو اساسی در پایتون: چاپ بیانیه ها، نظرات.

سخنرانی 3: متغیرها و انواع داده ها

درک متغیرها و نقش آنها در برنامه نویسی.
کاوش انواع داده های مختلف: اعداد صحیح، شناور، رشته ها.
عملیات ساده ورودی و خروجی با استفاده از توابع input() و print().

سخنرانی 4: ساختارهای کنترل

عبارات شرطی: if، elif، else.
مقایسه و عملگرهای منطقی.
مقدمه‌ای بر حلقه‌ها: حلقه‌های while و استفاده از آن‌ها در کارهای تکراری.

سخنرانی 5: لیست ها و حلقه ها

لیست‌ها: ایجاد، نمایه‌سازی، برش و روش‌های فهرست اولیه.
معرفی حلقه‌های for و کاربردهای آنها در تکرار فهرست‌ها.

سخنرانی 6: مجموعه ها و حلقه ها

کار با مجموعه‌ها: ایجاد و روش‌ها.
ادامه حلقه‌های for، اعمال شده در مجموعه‌ها و سایر ساختارهای داده.

سخنرانی 7: تاپل ها و دیکشنری ها

نمای کلی تاپل ها: ایجاد و ویژگی ها.
کار با فرهنگ لغت: ایجاد، دسترسی به مقادیر، و روش‌های اصلی فرهنگ لغت.

سخنرانی 8: توابع در پایتون

درک و استفاده از توابع داخلی.
تعریف توابع سفارشی، پارامترها و مقادیر بازگشتی.

سخنرانی 9: ماژول ها و کتابخانه ها

مقدمه ای بر ماژول ها و کتابخانه های پایتون.
استفاده از ماژول ریاضی و درک بسته های پایتون.
معرفی PIP برای مدیریت کتابخانه های پایتون.

سخنرانی 10: عملیات رشته و مدیریت فایل

عملیات رشته و قالب‌بندی.
خواندن و نوشتن روی فایل‌ها با استفاده از سیستم فایل Google Colab.
پروژه عملی: برای نشان دادن درک اصول پایتون، یک پروژه ساده پایتون ایجاد کنید.

مقدمه ای بر هوش مصنوعی (سخنرانی 11-13)

سخنرانی 11-12: تولید متن و LLM

نمای کلی ابزارهای تولید متن و مدل‌های زبان بزرگ (LLM) مانند ChatGPT، Gemini، و Claude.
تمرینات عملی با استفاده از OpenAI Playground و Google AI Studio برای تولید متن.
مقایسه عملی خروجی‌های ابزارهای هوش مصنوعی مختلف.

سخنرانی 13: تولید کد مبتنی بر هوش مصنوعی و مهندسی سریع

مقدمه ای بر تولید کد مبتنی بر هوش مصنوعی با استفاده از ابزارهایی مانند ChatGPT و Claude.
درک IDE مکان نما برای کدنویسی به کمک هوش مصنوعی.
پروژه عملی: یک صفحه وب ساده با استفاده از کدهای ایجاد شده توسط هوش مصنوعی بسازید.

مفاهیم هوش مصنوعی مولد پیشرفته (سخنرانی 14-16)

سخنرانی 14: تولید تصویر و اجرای LLM به صورت محلی

نمای کلی ابزارهای تولید تصویر مانند DALL-E، Midjourney، و Stable Diffusion.
تمرین عملی: ایجاد و متحرک کردن تصاویر با استفاده از runwayML.
اجرای LLMهای منبع باز به صورت محلی با استفاده از ابزارهایی مانند Olama و LMStudio.

سخنرانی 15: بازیابی نسل افزوده (RAG)

استفاده از LLM با داده های سفارشی از طریق تکنیک های RAG.
مقدمه ای بر جاسازی ها و فروشگاه های برداری (chromaDB، qdrant).
تمرین عملی: ایجاد خط لوله RAG برای پردازش و ذخیره فایل‌های PDF در ابر qdrant.

سخنرانی 16: ساخت پروژه های واقعی هوش مصنوعی

معرفی Langchain و LlamaIndex.
پروژه عملی: یک سیستم پاسخگویی به پرسش مبتنی بر RAG در یک صفحه وب ایجاد کنید.
کاوش در اکوسیستم AI منبع باز و مراحل بعدی برای ادامه یادگیری.

در پایان دوره، فراگیران درک کاملی از برنامه نویسی پایتون و تجربه عملی با هوش مصنوعی Generative به دست خواهند آورد و آنها را قادر می سازد پروژه های مبتنی بر هوش مصنوعی بسازند.

سرفصل ها و درس ها

مقدمه ای بر پایتون و کلاس هوش مصنوعی مولد Introduction to Python and Generative AI class

مقدمه Introduction

اصول پایتون Python Fundamentals

مقدمه ای بر پایتون Introduction to Python
مقدمه ای بر پایتون - ادامه Introduction to Python - Contd..
ساختارهای کنترلی Control Structures
ساختارهای داده Data Structures
ساختارهای داده (ادامه..) Data Structures (contd..)
ساختارهای داده (ادامه..) Data Structures (contd..)
بررسی دانش Knowledge Check

توابع پایتون، ماژول ها، رشته ها، فایل ها و بررسی موضوعات Python Functions, Modules, Strings, Files and Review of topics

توابع Functions
ماژول ها Modules
کتابخانه ها Libraries
رشته ها، فایل ها، پروژه پایتون و بررسی موضوعات Strings, Files, Python Project and Review of topics
بررسی دانش 2 Knowledge Check 2

مقدمه ای بر هوش مصنوعی مولد Intro to Generative AI

ابزارهای تولید متن و LLM Text Generation Tools and LLMs
ابزارهای تولید متن و LLMs - Contd Text Generation Tools and LLMs - Contd
تولید کد، IDE مکان نما و مهندسی سریع Code Generation, Cursor IDE and Prompt Engineering

مفاهیم هوش مصنوعی مولد پیشرفته Advanced Generative AI Concepts

تولید/تشخیص تصویر، اجرای مدل های زبان بزرگ (LLM) به صورت محلی Image Generation / recognition, Running large language models (LLMs) locally
بازیابی نسل افزوده - شیرجه عمیق Retrieval Augmented Generation - Deep Dive
Langchain، LlamaIndex و مراحل بعدی برای یادگیری Gen AI Langchain, LlamaIndex and next steps for learning Gen AI