توسعه اپلیکیشنهای Generative AI روی AWS (Bedrock)
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به AWS Bedrock: چگونگی استقرار و مدیریت اپلیکیشنهای Generative AI را با استفاده از AWS Bedrock خواهید آموخت.
- مهارتهای عملی در لینوکس و پایتون: مهارتهای کاربردی و ضروری در لینوکس و پایتون را برای توسعه هوش مصنوعی کسب خواهید کرد.
- ساخت مدلهای هوش مصنوعی: تخصص لازم برای طراحی و ساخت مدلهای Generative AI از ابتدا را به دست خواهید آورد.
- تسلط به مفاهیم یادگیری ماشین: مفاهیم و تکنیکهای کلیدی یادگیری ماشین، از جمله یادگیری نظارتشده و نظارتنشده و ارزیابی مدل را یاد خواهید گرفت.
- توسعه اپلیکیشنهای Generative AI: مهارتهای لازم برای ساخت و استقرار مدلهای Generative AI روی AWS Bedrock را با استفاده از تکنیکها و ابزارهای پیشرفته کسب خواهید کرد.
پیش نیازهای دوره
- این یک برنامه "از صفر تا قهرمان" است که برای رساندن یادگیرندگان از سطح مبتدی به پیشرفته طراحی شده و حتی برای افراد بدون دانش کدنویسی نیز قابل دسترس است.
- دوره با مباحث اصولی مانند لینوکس و پایتون شروع میشود، با یادگیری ماشین ادامه مییابد و با توسعه اپلیکیشنهای Generative AI (AWS Bedrock) به اوج خود میرسد.
توضیحات دوره
آنچه خواهید آموخت:
برنامه از صفر تا قهرمان - ما همه چیز را از مبانی تا مباحث پیشرفته و تمام پیشنیازهایی که قبل از یادگیری Generative AI روی AWS نیاز دارید، پوشش دادهایم. حتی افراد غیرتوسعهدهنده نیز تا زمانی که پیشزمینه IT داشته باشند، میتوانند این دوره را شروع کنند.
15% تئوری و %85 جلسات آزمایشگاهی عملی
درک لینوکس و پایتون:
- کسب دانش اساسی از لینوکس و پایتون که برای توسعه و استقرار اپلیکیشنهای هوش مصنوعی ضروری است.
تسلط به مفاهیم یادگیری ماشین:
- یادگیری مفاهیم و تکنیکهای اصلی یادگیری ماشین، شامل یادگیری نظارتشده و نظارتنشده، ارزیابی و بهینهسازی مدل
توسعه اپلیکیشنهای Generative AI:
- دانش عملی در زمینه NLP ،Hugging face ،Langchain، مهندسی پرامپت و تیونینگ دقیق مدلهای زبان بزرگ (LLM)
پیادهسازی تمهیدات ایمنی هوش مصنوعی:
- یادگیری چگونگی اعمال سیاستهای هوش مصنوعی مسئولانه، شامل فیلتر کردن محتوای مضر و حذف اطلاعات حساس، برای اطمینان از استقرار اخلاقی اپلیکیشنهای هوش مصنوعی
چرا در این دوره شرکت کنید؟
- تدریس تخصصی: از تخصص Anil Bidari، یک متخصص باتجربه با بیش از 18 سال سابقه در رایانش ابری، DevOps و Generative AI بهرهمند شوید.
- یادگیری عملی: با پروژههای کاربردی و واقعی تعامل برقرار کنید تا درک خود را تثبیت کنید.
- برنامه درسی جامع: پوشش همه چیز از دانش اساسی تا تکنیکهای پیشرفته استقرار
به این دوره بپیوندید تا در توسعه اپلیکیشنهای Generative AI روی AWS مهارت پیدا کرده و اطمینان حاصل کنید که در حوزه هوش مصنوعی که به سرعت در حال تحول است، پیشرو باقی میمانید.
این دوره برای چه کسانی مناسب است؟
- این دوره برای هر کسی که علاقهمند به ورود به حوزه هوش مصنوعی است، از جمله مبتدیان بدون تجربه قبلی کدنویسی، ایدهآل است. همچنین برای متخصصانی که به دنبال گسترش دانش خود در لینوکس، پایتون، یادگیری ماشین و Generative AI هستند، مناسب است. چه دانشجو باشید، چه یک دانشمند داده مشتاق یا یک علاقهمند به فناوری، این مسیر جامع شما را با مهارتهای لازم برای درخشش در حوزه هوش مصنوعی مجهز میکند.
توسعه اپلیکیشنهای Generative AI روی AWS (Bedrock)
-
مفاهیم لینوکس - قسمت 1 06:09
-
مفاهیم لینوکس - قسمت 2 07:01
-
انتخاب محیط ابری لینوکس 01:15
-
دمو: ایجاد ماشین مجازی لینوکس در AWS Cloud 05:05
-
دمو: ایجاد ماشین مجازی لینوکس در Azure Cloud 05:43
-
دمو: ایجاد ماشین مجازی لینوکس در Google Cloud 03:02
-
دمو: دایرکتوریهای لینوکس 04:32
-
دمو: پکیجهای لینوکس - قسمت 1 04:13
-
دمو: پکیجهای لینوکس - قسمت 2 05:24
-
دمو: فرمان های ضروری لینوکس 06:08
-
مفاهیم پایتون - قسمت 1 06:16
-
مفاهیم پایتون - قسمت 2 03:49
-
مفاهیم پایتون - قسمت 3 05:58
-
مفاهیم پایتون - قسمت 4 08:26
-
دمو: عملگرهای پایتون - قسمت 1 08:04
-
دمو: عملگرهای پایتون - قسمت 2 06:32
-
دمو: پاسخهای اختصاصی عبارات پایتون 02:48
-
دمو: انواع داده پایتون - قسمت 1 06:00
-
دمو: انواع داده پایتون - قسمت 2 07:09
-
دمو: پاسخهای اختصاصی انواع داده پایتون 02:25
-
دمو: لیست پایتون - قسمت 1 06:09
-
دمو: لیست پایتون - قسمت 2 06:29
-
دمو: پاسخهای اختصاصی لیست پایتون 02:13
-
دمو: تاپلهای پایتون - قسمت 1 05:39
-
دمو: تاپلهای پایتون - قسمت 2 05:42
-
دمو: دیکشنریهای پایتون - قسمت1 08:55
-
دمو: دیکشنریهای پایتون - قسمت 2 09:15
-
دمو: پاسخهای اختصاصی دیکشنریهای پایتون 03:27
-
دمو: مدیریت فایلهای پایتون - قسمت 1 08:17
-
دمو: مدیریت فایلهای پایتون - قسمت 2 07:09
-
دمو: توابع پایتون - قسمت 1 07:26
-
دمو: توابع پایتون - قسمت 2 07:52
-
دمو: متغیرهای پایتون - قسمت 1 04:38
-
دمو: متغیرهای پایتون - قسمت 2 05:37
-
دمو: پاسخهای اختصاصی متغیرهای پایتون 02:08
-
تعریف یادگیری ماشین - قسمت 1 08:02
-
تعریف یادگیری ماشین - قسمت 2 05:28
-
یادگیری تحت نظارت و بدون نظارت - قسمت 1 05:28
-
یادگیری تحت نظارت و بدون نظارت - قسمت 2 04:09
-
یادگیری تقویتی 04:11
-
تفاوت بین انواع یادگیری ماشین 07:32
-
شبکههای عصبی 03:57
-
کاربردهای یادگیری عمیق 02:10
-
الگوریتمهای یادگیری ماشین: درخت تصمیم 03:48
-
الگوریتمهای یادگیری ماشین: رگرسیون خطی 05:37
-
الگوریتمهای یادگیری ماشین: CNN 05:06
-
الگوریتمهای یادگیری ماشین: RNN 05:30
-
خلاصهای از الگوریتمهای یادگیری ماشین 03:07
-
آمادهسازی و پاکسازی داده 03:59
-
ارزیابی مدلهای یادگیری ماشین 04:32
-
اخلاق در یادگیری ماشین 01:57
-
آینده یادگیری ماشین 03:00
-
دمو: آزمایشگاههای Numpy 08:03
-
دمو: Pandas 08:34
-
دمو: Numpy و Pandas 03:57
-
دمو: یادگیری تحت نظارت - قسمت 1 08:48
-
دمو: یادگیری تحت نظارت - قسمت 2 06:24
-
دمو: یادگیری تحت نظارت - قسمت 3 02:39
-
دمو: یادگیری تحت نظارت - قسمت 4 02:39
-
دمو: یادگیری بدون نظارت - قسمت 1 05:21
-
دمو: یادگیری بدون نظارت - قسمت 1 09:10
-
دمو: رگرسیون خطی تکمتغیره 07:40
-
دمو: رگرسیون خطی چند متغیره 06:25
-
بررسی دوره GenAI 02:09
-
تعریف GenAI 05:42
-
دمو: تولید ویدئو در یک پرامپت 04:31
-
کاربردهای GenAI 07:35
-
فناوریهای پشت GenAI 04:18
-
دمو: تولید ppt در 30 ثانیه 05:26
-
اخلاق و قانون در هوش مصنوعی 08:47
-
مدیریت پروژههای GenAI 08:20
-
امنیت در GenAI 04:08
-
آینده هوش مصنوعی 04:20
-
دمو: تولید صدای هوش مصنوعی در یک پرامپت 04:33
-
GenAI در امور مالی 06:58
-
GenAI در فروش و بازاریابی 06:24
-
GenAI در مدیریت منابع انسانی 03:17
-
دمو: تولید ویدئوهای آواتار هوش مصنوعی 04:58
-
GenAI در بهداشت و درمان 02:52
-
تعریف مهندسی پرامپت 06:48
-
تکنیکهای پرامپت نویسی 07:30
-
از پشت صحنه: پرامپت تا خروجی 03:31
-
دمو: پرامپت با ChatGPT - 3.5 10:32
-
دمو: پرامپت با ChatGPT - 4.0 11:04
-
دمو: پرامپت با Anthropic Claude 14:47
-
دمو: پرامپت با Google Gemini 02:57
-
مقدمهای بر NLP 10:57
-
کاربردهای NLP 05:50
-
تحول NLP - قسمت 1 05:17
-
تحول NLP - قسمت 2 07:05
-
چالشها در NLP 11:11
-
تسک های NLP - قسمت 1 07:55
-
تسک های NLP - قسمت 2 06:40
-
تسک های NLP - قسمت 3 07:46
-
پایپ لاین NLP - قسمت 1 05:37
-
پایپ لاین NLP - قسمت 2 06:21
-
دمو: فیلتر کردن اسپَم ایمیل - قسمت 1 13:51
-
دمو: خلاصهسازی متن - قسمت 2 07:22
-
دمو: پیشپردازش داده NLP 07:45
-
آشنایی با دوره LLM 02:04
-
آشنایی با LLM 06:53
-
کاربردهای LLM 04:42
-
مدل با تنظیمات سفارشی و دقیق 05:41
-
مدلهای زبانی چندوجهی 03:09
-
دمو: دسترسی به OpenAI به صورت برنامهنویسی 06:19
-
دمو: تسک های NLP با OpenAI LLM 05:41
-
دمو: دسترسی به Anthropic Claude به صورت برنامهنویسی 05:04
-
دمو: Claude LLM - تسک های NLP 04:32
-
دمو: تیونینگ دقیق Bert LLM 13:46
-
دمو: توسعه چتبات OpenAI 15:20
-
دمو: توسعه چتبات PDF OpenAI 07:20
-
دمو: توسعه ربات OpenAI برای متن به صدا 11:00
-
دمو: مدیریت پیشنیازها 09:05
-
دمو: چتبات وبسایت B 13:47
-
دمو: کراول کردن وبسایت C 09:05
-
دمو: ربات تلگرام OpenAI 08:11
-
آشنایی با Hugging Face 08:47
-
دمو: تسک های Hugging Face 11:32
-
آشنایی با Langchain - قسمت 1 05:37
-
آشنایی با Langchain - قسمت 2 09:54
-
دمو: Langchain OpenAI 06:22
-
دمو: Langchain Anthropi 05:56
-
دمو: جستجوی Google با Langchain 08:21
-
دمو: Langchain GPT 4o 07:26
-
بررسی سرویس AWS 05:19
-
دمو: کنسول AWS 03:09
-
بررسی سرویسهای رایانش AWS 08:49
-
دمو: ساخت سرور ویندوز EC2 - قسمت 1 05:30
-
دمو: ساخت سرور ویندوز EC2 - قسمت 2 05:33
-
دمو: نصب وبسرور بر روی Windows 05:32
-
دمو: ایجاد ماشین مجازی لینوکس 08:37
-
دمو: استقرار وب روی لینوکس 04:38
-
دمو: دمو AWS Beanstalk 04:16
-
بررسی سرویسهای ذخیرهسازی AWS - قسمت 1 05:03
-
بررسی سرویسهای ذخیرهسازی AWS - قسمت 2 05:22
-
دمو: AWS EBS 08:41
-
دمو: S3 06:40
-
سرویسهای پایگاه داده AWS - قسمت 1 04:52
-
سرویسهای پایگاه داده AWS - قسمت 2 04:44
-
دمو: AWS RDS 08:44
-
بررسی سرویسهای شبکه AWS - قسمت 1 05:33
-
بررسی سرویسهای شبکه AWS - قسمت 2 06:47
-
دمو: AWS VPC 06:42
-
دمو: AWS لود بالانسینگ - قسمت 1 06:16
-
دمو: AWS لود بالانسینگ - قسمت 2 06:10
-
دمو: AWS Route 53 04:02
-
بررسی سرویسهای امنیتی AWS 06:44
-
دمو: کاربر IAM AWS 07:48
-
دمو: ایجاد نقش IAM 03:07
-
دمو: تأیید نقش IAM 04:11
-
نکات کلیدی 03:42
-
آشنایی با AWS Bedrock 07:38
-
دمو: محیط آزمایش Bedrock 05:44
-
موارد استفاده Bedrock 04:23
-
ویژگیهای Bedrock 03:43
-
ایجنتها در Bedrock 03:11
-
امنیت در Bedrock 03:32
-
قیمتگذاری Bedrock 07:09
-
مطالعات موردی مشتریان 03:47
-
روشهای دسترسی به Bedrock 02:07
-
دمو: نقش IAM و Sagemaker 04:44
-
دمو: دسترسی به Bedrock از طریق Sagemaker 03:56
-
دمو: دسترسی به Bedrock از طریق Google Collab 06:07
-
دمو: دسترسی به Bedrock از طریق لپتاپ 03:44
-
دمو: دسترسی به Titan LLM Bedrock 08:17
-
دمو: دسترسی به LLM Anthropi در Bedrock 06:32
-
دمو: دسترسی به LLM Diffusion در Bedrock 06:10
-
دمو: دسترسی به Llama2 Bedrock 07:03
-
دمو: دسترسی به LLM Jurassic در Bedrock - قسمت 2 07:32
-
دمو: دسترسی به Mistral AI در Bedrock 06:13
-
دمو: دسترسی به تصویر Titan در Bedrock 07:25
-
دمو: تسک های NLP در AWS Bedrock 11:26
-
دمو: توسعه چتبات وب Bedrock - قسمت 1 06:37
-
دمو: توسعه وباپ برای چتبات وب - قسمت 2 05:40
-
دمو: توسعه چتبات PDF Bedrock 11:00
-
دمو: ربات تلگرام Bedrock 11:59
-
دمو: ربات تبدیل متن به صدا Bedrock 12:32
-
دمو: Langchain Bedrock 06:04
-
دمو: پایگاه دانش Bedrock: GPT خصوصی 07:24
-
دمو: چت با هر فایلی با استفاده از کنسول Bedrock 03:00
-
دمو: پایگاه دانش Bedrock برای شرکت مسافرتی 07:23
-
دمو: Guardrail Bedrock برای شرکت مسافرتی 09:06
-
دمو: ایجنتهای Bedrock 07:59
-
دمو: لاگ کردن Bedrock 06:41
-
دمو: توسعه محیط آزمایش Bedrock 11:39
مشخصات آموزش
توسعه اپلیکیشنهای Generative AI روی AWS (Bedrock)
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:متخصص
- تعداد درس:185
- مدت زمان :19:28:44
- حجم :18.21GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy