دوره آموزشی
دوبله زبان فارسی
اصول مهندسی هوش مصنوعی: اصول و کاربردهای عملی
✅ سرفصل و جزئیات آموزش
مهارتهای مهندسی نرمافزار خود را با این دوره عمیق و عملی، به قابلیتهای مهندسی هوش مصنوعی تبدیل کنید. بیاموزید که چگونه سیستمهای هوش مصنوعی آماده تولید را از تولید تعبیه ها گرفته تا استقرار مدل بسازید.
به پیادهسازیهای عملی مخازن وکتور، سیستمهای RAG و جستجوی ترکیبی مسلط شوید، در حالی که در جنبههای عملیاتی مانند نظارت و CI/CD نیز تخصص کسب میکنید.
علاوه بر این، بیاموزید که چگونه از GitHub Codespaces برای ساخت اپلیکیشن های دنیای واقعی استفاده کنید که نمایشگر شیوههای نوین مهندسی هوش مصنوعی هستند.
اصول مهندسی هوش مصنوعی: اصول و کاربردهای عملی
-
مقدمه 0:00:53
-
آنچه باید بدانید 0:02:53
-
ساختار دوره 0:05:25
-
مهندسی هوش مصنوعی چیست؟ 0:03:36
-
از سیستمهای قطعی به سیستمهای احتمالی 0:04:28
-
اجرای استنتاج در محیط محلی 0:08:24
-
نقشهکشی مجدد مدلهای زبانی بزرگ 0:11:55
-
ترکیب پایپ لاین LLM 0:15:09
-
بررسی استخراج متن 0:05:45
-
اصول استخراج متن 0:10:29
-
تجزیه اسناد و تشخیص ساختار 0:09:24
-
افزودن متاداده و فهرستبندی 0:06:43
-
استراتژیهای تکهتکه کردن 0:10:56
-
مقدمهای بر تعبیه 0:03:48
-
اکوسیستم تعبیه 0:11:06
-
مقایسه مدلهای تعبیه 0:12:44
-
تولید کارآمد تعبیه 0:09:01
-
چالش 0:02:45
-
راه حل 0:06:26
-
مقدمهای بر پایگاههای داده وکتور 0:03:30
-
عملیات اولیه 0:07:17
-
ماندگاری و عملکرد 0:09:39
-
استراتژیهای مقیاسبندی (نزدیکترین همسایه تقریبی، یا ANN) 0:07:26
-
استراتژیهای مقیاسبندی (کشینگ) 0:08:28
-
مقدمهای بر مهندسی بازیابی 0:04:29
-
پیادهسازی جستجوی وکتور و BM25 0:10:59
-
ساخت یک بازیاب ترکیبی 0:12:21
-
بهبود بازیابی با رتبهبندی مجدد 0:12:35
-
ساخت یک پایپلاین بازیابی کامل 0:18:13
-
قابلیت مشاهدهپذیری 0:03:19
-
گامهای بعدی و منابع 0:03:33
مشخصات آموزش
اصول مهندسی هوش مصنوعی: اصول و کاربردهای عملی
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:متوسط
- تعداد درس:31
- مدت زمان :4:03:39
- حجم :624.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy