مقدمهای بر هوش مصنوعی و یادگیری ماشین با Go (Golang)
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- یاد بگیرید اصول اولیه هوش مصنوعی را درک کنید.
- یاد بگیرید از الگوریتمهای جستجوی AI (BFS ،DFS ،GBFS ،Dijkstra و A* Search) استفاده کنید.
- یاد بگیرید اصول اولیه پشت پرده یادگیری ماشین را درک کنید.
- یاد بگیرید جهانهایی با قوانین مشخص برای هوش مصنوعی ایجاد کنید.
- یاد بگیرید چگونه احتمالات را با هوش مصنوعی مدیریت کنید.
- یاد بگیرید چگونه یک مدل را با استفاده از رگرسیون خطی و رگرسیون خطی چندگانه آموزش دهید.
- یاد بگیرید چگونه یک شبکه عصبی را پیادهسازی و استفاده کنید.
- یاد بگیرید چگونه به مدلهای راه دور در سرویسهایی مانند Hugging Face متصل شده و از آنها استفاده کنید.
- یاد بگیرید چگونه یک اپلیکیشن Go را با LLMها مانند ChatGPT و LLMهای میزبانیشده محلی یکپارچه کنید.
پیش نیازهای دوره
- درک اولیه از دانش برنامهنویسی Go
- درک اولیه از زبان برنامهنویسی Python
- ترجیحاً، یک کامپیوتر با GPU (مفید است، اما اکیداً ضروری نیست)
توضیحات دوره
آیا شما یک توسعهدهنده Go هستید که برای بررسی در دنیای هیجانانگیز AI و یادگیری ماشین آمادگی دارید؟ این دوره راهنمای جامع شماست که بهطور خاص برای Gophers طراحی شده است که میخواهند مهارتهای قدرتمند AI را به مجموعه ابزار خود اضافه کنند.
بخش زیادی از کدهای این دوره به زبان Go نوشته شده است، اما بخشی از آن، جایی که منطقی بوده، به زبان Python نوشته شده است. این بدان معناست که قبل از گذراندن این دوره باید درک اولیهای از هر دو زبان داشته باشید.
دوره با مفاهیم اساسی AI آغاز میشود و پایهای قوی با پروژههای عملی و کاربردی ایجاد میکند. سپس، وارد دنیای یادگیری ماشین میشود و همهچیز، از مدلهای رگرسیون کلاسیک گرفته تا شبکههای عصبی مدرن را پوشش میدهد. شما یاد خواهید گرفت که چگونه از Go برای اپلیکیشنهای AI با کارایی بالا استفاده کنید و کشف خواهید کرد که چگونه آن را با Python و ابزارهای پیشرفتهای مانند Hugging Face و LLMها برای راهحلهای بروز یکپارچه کنید.
آنچه یاد خواهید گرفت:
- الگوریتمهای جستجو و عاملهای هوشمند: با حل مازها و ساختن یک جاروبرقی رباتیک، به الگوریتمهای جستجوی هستهای AI مانند A* و Dijkstra مسلط شوید.
- منطق گزارهای و بررسی مدل: عاملهای AI مبتنی بر دانش اغلب نیاز دارند بر اساس اطلاعات موجود در جهانی که در آن فعالیت میکنند، تصمیمگیری کنند. منطق گزارهای و بررسی مدل دو رویکرد متفاوت برای حل این مشکل هستند.
- عدم قطعیت: با ایجاد یک AI برای بازی Battleship و یک بازیکن Blackjack شمارشگر کارت، یاد بگیرید که چگونه عاملهای AI با تصادفی بودن برخورد میکنند.
- اصول یادگیری ماشین: با ساختن مدلهایی در Python و Go برای پیشبینی قیمت مسکن، به درک عملی از رگرسیون خطی دست پیدا کنید.
- یادگیری عمیق و شبکههای عصبی: یک شبکه عصبی از ابتدا برای پیشبینی قیمت مسکن و یک شبکه عصبی کانولوشنی (CNN) برای طبقهبندی تصویر بسازید.
- پردازش زبان طبیعی (NLP): با ایجاد یک برنامه خلاصهسازی استخراجی در Go، قدرت NLP را کشف کنید. همچنین یاد خواهید گرفت که چگونه با مدلهای خارجی از Hugging Face ارتباط برقرار کنید و از قدرت مدلهای زبان بزرگ (LLM) برای ایجاد سیستمهای خلاصهسازی ترکیبی بهره ببرید.
- مدلهای زبان بزرگ (LLMs): یاد بگیرید که چگونه برنامههای Go خود را به مدلهای زبان بزرگ مانند ChatGPT متصل کنید. در این دوره از یک LLM میزبانیشده محلی با استفاده از Ollama استفاده میشود، اما کدی که نوشته خواهد شد، 100% با OpenAI (که برای اتصال به اکثر LLMها استفاده میشود) سازگار خواهد بود.
نیازمندیهای دوره
این دوره برای توسعهدهندگان Go در سطح متوسط تا پیشرفته است. شما باید با سینتکس Go و مفاهیم اصلی آن راحت باشید. درک اولیه از ساختارهای داده مانند گرافها و درختها نیز مفید است، اما الزامی نیست. همچنین باید درک اولیهای از Python داشته باشید.
تنها چیزی که نیاز دارید یک کامپیوتر با سیستمعامل Windows ،macOS یا Linux است. اگرچه GPU برخی از تسک های یادگیری عمیق را تسریع میکند، اما ضروری نیست؛ همهچیز روی CPU نیز اجرا خواهد شد.
چرا این دوره؟
این فقط یک دوره یادگیری ماشین دیگر نیست؛ بلکه بهطور خاص برای برنامهنویسان Go طراحی شده است. شما یاد خواهید گرفت که چگونه اپلیکیشنهای AI و یادگیری ماشین آمادهی استقرار در محیط عملیاتی بسازید که از کارایی و همزمانی زبان Go بهره میبرند. در پایان، شما مجموعهای از پروژهها و مهارتهای لازم برای ساختن مطمئن اپلیکیشنهای هوشمند خود را خواهید داشت.
آمادهاید تا آینده AI را با Go بسازید؟ اکنون در این دوره شرکت کنید و سفر خود را آغاز کنید!
این دوره برای چه کسانی مناسب است؟
توسعهدهندگانی که میخواهند ببینند چگونه AI و یادگیری ماشین میتوانند مهارتهای توسعهی آنها را حین کار با زبان برنامهنویسی Go بهبود بخشند.
مقدمهای بر هوش مصنوعی و یادگیری ماشین با Go (Golang)
-
معرفی 10:00
-
مقداری درباره من 01:01
-
نصب Go 01:31
-
نصب IDE 02:01
-
راهاندازی VS Code برای Python 02:29
-
آنچه در این بخش پوشش میدهیم 03:39
-
تعریف ماز 03:21
-
بارگیری ماز از دیسک 22:52
-
جستجوی عدم آگاهی 02:36
-
شروع با Depth First Search (DFS) 43:22
-
آزمایش الگوریتم DFS 13:09
-
افزودن خروجی تصویر به پروژه 33:58
-
تولید انیمیشن فرآیند حل ماز 17:51
-
پیادهسازی Breadth First Search (BFS) 23:54
-
پیادهسازی جستجوی Dijkstra 24:29
-
افزودن هزینه Manhattan به تصاویر تولیدی 05:37
-
جستجوی آگاهانه 01:29
-
پیادهسازی Greedy Best First Search (GBFS) 10:58
-
جستجوی A*: نگاهی کلی 03:20
-
پیادهسازی جستجوی A* 18:24
-
افزودن موانع به ماز ما 08:02
-
محاسبه هزینه با موانع 04:57
-
خلاصه 03:15
-
آنچه در این بخش پوشش میدهیم 03:07
-
شروع با روبات خشککن 13:34
-
بارگیری تنظیمات اتاق 13:03
-
شروع با چاپ اتاق در ترمینال 13:25
-
پایان دادن به چاپ اتاق در ترمینال 13:32
-
بارگیری مبلمان و موانع 03:21
-
بررسی الگوریتم Random Walk 03:09
-
راهاندازی توابع مورد نیاز همه الگوریتمهای تمیزکاری 08:16
-
پیادهسازی A* برای الگوریتم Random Walk 28:45
-
شروع با الگوریتم Random Walk 07:18
-
الگوریتم خط Bresenham و حرکت در طول خط تا رسیدن به مانع 15:14
-
پایان دادن به تابع CleanRandomWalk 18:38
-
آزمایش کد با CleanRandomWalk 02:49
-
الگوریتم SLAM 07:10
-
شروع با الگوریتم SLAM 11:06
-
افزودن همسایه به frontier 04:55
-
ادامه با الگوریتم SLAM 08:45
-
افزودن بررسی frontier کامل و بررسی پوشش کافی 07:38
-
پایان دادن و آزمایش الگوریتم SLAM 08:08
-
الگوریتم مارپیچ 01:03
-
شروع با الگوریتم مارپیچ spiral 04:53
-
یافتن مرکز اتاق و ایجاد الگوی مارپیچ 17:38
-
پایان دادن به الگوریتم مارپیچ spiral 08:34
-
الگوریتم Snaking (یا مسیر Boustrophedon) 01:07
-
شروع با الگوریتم مارپیچ 08:44
-
پایان دادن به الگوریتم مارپیچ 07:24
-
افزودن شناسایی موانع 05:13
-
پیچیدگی مساله با گربه 16:40
-
پایان دادن به منطق گربه 09:36
-
آنچه در این بخش پوشش میدهیم 07:41
-
شروع با چندین اتاق 18:46
-
اجرای کد برای چندین اتاق، بدون منطق 05:02
-
تعریف جدول درستی و قوانین منطق گزارهای 03:36
-
شروع با دنیای منطقی 10:37
-
پایان دادن به روشهای دنیای منطقی 13:35
-
شروع با ربات فعالشده منطقی 17:19
-
آزمایش ربات آگاه از منطق جدید و دنیای آن 17:12
-
پایان دادن به ربات منطق گزارهای 07:51
-
آنچه در این بخش ساختار میدهیم 02:18
-
شروع با کد ما 10:24
-
بارگیری متقاضیان از فایل CSV 26:09
-
راهاندازی ویژگی عدالت 18:29
-
راهاندازی ویژگی ریسک 08:52
-
پایان دادن به منطق بررسی مدل و آزمایش موارد 17:08
-
آنچه در این بخش پوشش میدهیم 01:55
-
شروع با بازی Battleship 09:18
-
راهاندازی بازیکن انسانی 10:52
-
راهاندازی بازیکن AI 10:51
-
قرار دادن کشتیهای بازیکن AI 24:50
-
قرار دادن کشتیهای بازیکن انسانی 29:08
-
نوبت دادن به بازیکن انسانی 20:12
-
شروع کار با نوبتدهی به بازیکن AI 22:25
-
راهاندازی huntModeBoosts 16:17
-
پایان دادن به اجازه دادن بازیکن AI برای نوبت 19:43
-
نمایش نقشه حرارتی و آزمایش موارد 05:35
-
بهبود عملکرد نقشه حرارتی 03:55
-
غرق کردن کشتیها 10:12
-
آزمایش بازی کامل 03:56
-
آنچه در این بخش پوشش میدهیم 02:06
-
شروع با بازی بلاکجک 03:55
-
پاکسازی صفحه، ایجاد دسته کارت و شافل کردن 16:49
-
استراتژی شمارنده کارت ما 01:57
-
توانایی شمارش کارت برای بازیکن AI 25:27
-
بررسی نیاز به دوباره شافل کردن دسته و ایجاد بازیکنان 09:07
-
توزیع کارت به سه بازیکن و محاسبه امتیاز 06:44
-
نمایش دستهای بازیکنان 05:07
-
بازی یک دور برای بازیکن انسانی 18:16
-
بازی یک دور برای بازیکن AI 20:27
-
بازی یک دور برای دیلر و آزمایش موارد 15:15
-
آنچه در این بخش پوشش میدهیم 05:36
-
شروع با اپلیکیشن: بارگیری و پیشپردازش داده 35:05
-
آمادهسازی داده برای مدلسازی، تقسیم داده و آموزش مدل 10:48
-
ارزیابی مدل 08:32
-
چاپ نتایج آموزش به کنسول 13:16
-
نمایش یک مصورسازی از داده 19:15
-
پیشبینی قیمت خانه بر اساس دادههای خارج از مجموعه داده 08:03
-
شروع با رگرسیون خطی چندگانه در Python 15:01
-
پیادهسازی قابلیتهای پردازش داده 21:44
-
توسعه عملیات مدل - بخش اول 14:53
-
توسعه عملیات مدل - بخش دوم 19:58
-
آزمایش کد نوشتهشده تا کنون 28:57
-
مصورسازی: نمایش نتایج 12:41
-
ایجاد داده برای مصورسازی ها 12:34
-
ایجاد مصورسازی دو بعدی 19:49
-
ایجاد مصورسازی سهبعدی 16:11
-
آنچه در این بخش پوشش میدهیم 01:49
-
شروع با اپلیکیشن: پارس کردن پرچمهای خط فرمان 18:42
-
راهاندازی انواع و بارگیری و اعتبارسنجی داده 24:04
-
راهاندازی نوع رگرسیون خطی و ذخیرهسازی داده مدل 16:18
-
بارگیری داده و چاپ خلاصه 17:03
-
راهاندازی هندلر مدل و آزمایش بارگیری داده 07:05
-
نرمالسازی ویژگیها 09:53
-
آموزش مدل 29:41
-
نمایش اطلاعات مدل آموزشدیده 08:58
-
آزمایش آموزش مدل 04:01
-
ذخیره و بارگیری مدل آموزشدیده 04:48
-
راهاندازی متد Predict در نوع LinearRegression 10:32
-
راهاندازی تابع handlePrediction 10:48
-
نمایش پیشبینیها 08:44
-
نصب اپلیکیشن sidecar برای ایجاد مصورسازی داده (رسم) 02:33
-
نوشتن کد Go برای فراخوانی اپلیکیشن sidecar: بخش اول 19:54
-
نوشتن کد Go برای فراخوانی اپلیکیشن sidecar: بخش دوم 19:17
-
آزمایش قابلیت رسم 02:51
-
بروزرسانی اپلیکیشن Python برای ذخیره به فرمت JSON 16:39
-
بارگیری مدل آموزشدیده در Python در اپلیکیشن Go 02:29
-
آنچه در این بخش پوشش میدهیم 05:33
-
راهاندازی پروژه Python برای شبکه عصبی 10:24
-
بارگیری و پیشپردازش دادهها 20:35
-
آزمایش بارگیری داده 02:15
-
راهاندازی بقیه پرچمهای خط فرمان 07:27
-
شروع با آموزش شبکه عصبی 09:01
-
راهاندازی حلقه آموزش 23:12
-
آزمایش حلقه آموزش 03:34
-
ذخیره مدل آموزشدیده 11:13
-
بارگیری فایل ONNX ذخیرهشده و ایجاد پیشبینی 16:06
-
آزمایش تابع پیشبینی 03:29
-
گربه در مقابل سگ: شبکههای عصبی کانولوشنی 04:06
-
شروع با CNN ما 26:55
-
راهاندازی GPUها، در صورت موجود 04:15
-
شروع با آموزش مدل: بارگیری دادهها 27:39
-
تعریف شبکه عصبی ما 24:23
-
راهاندازی انتشار مستقیم برای شبکه 09:46
-
راهاندازی تابع خطا، بهینهساز و زمانبند نرخ یادگیری 11:17
-
راهاندازی تابع train_model 26:46
-
پیادهسازی توقف زودهنگام 10:14
-
بازیابی بهترین مدل 05:21
-
ذخیره وضعیت مدل 11:03
-
راهاندازی استنتاج 21:48
-
آزمایش موارد 12:17
-
آنچه در این بخش پوشش میدهیم 05:35
-
شروع با بسته خلاصهسازی متن 01:51
-
راهاندازی اپلیکیشن ساده 27:18
-
شروع با ماژول summarizer 18:23
-
پیکربندی summarizer 10:06
-
شروع با خلاصهسازی استخراجی 31:21
-
استخراج نهادهای نامی 05:29
-
محاسبه وزن موقعیت جملات 05:12
-
ایجاد یک Map از جملات حاوی نهادهای مهم 04:09
-
یافتن کلیدواژههای عنوان در صورت موجود بودن 04:36
-
ایجاد نمایش گراف برای الگوریتم شبیه TextRank 16:04
-
تحلیل روابط جملات 19:03
-
امتیاز نهادهای نامی 04:54
-
همپوشانی کلیدواژه عنوان 03:35
-
نمره شبیه TextRank با استفاده از ماتریس شباهت 04:25
-
نمره انسجام، امتیاز جمله و انتخاب جملات برتر 19:47
-
استخراج کلیدواژهها 06:55
-
پیادهسازی GetResponse 09:55
-
راهاندازی وب اپلیکیشن 15:55
-
فراخوانی بسته summarizer از وب اپلیکیشن 13:22
-
دریافت کلید API Hugging Face 01:41
-
راهاندازی Taskfile 05:46
-
راهاندازی Hugging Face در بسته summarizer 13:40
-
راهاندازی تابع summarizer برای Hugging Face 22:00
-
بهروزرسانی GenerateSummary برای Hugging Face 03:16
-
راهاندازی Hugging Face در وب اپلیکیشن 03:33
-
آزمایش موارد 02:51
-
نصب و پیکربندی Ollama 06:51
-
راهاندازی OpenAI در بسته summarizer 15:58
-
بروزرسانی GenerateSummary برای OpenAI 01:58
-
بروزرسانی وب اپلیکیشن برای OpenAI 02:14
-
آزمایش موارد 03:19
-
راهاندازی خلاصهسازی ترکیبی در بسته summarizer 09:21
-
بهروزرسانی GenerateSummary برای خلاصهسازی ترکیبی 02:33
-
بروزرسانی وب اپلیکیشن برای خلاصهسازی ترکیبی 04:08
-
اجرای حالت CLI 03:47
مشخصات آموزش
مقدمهای بر هوش مصنوعی و یادگیری ماشین با Go (Golang)
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:متوسط
- تعداد درس:188
- مدت زمان :36:12:20
- حجم :16.96GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy