دوره آموزشی
دوبله زبان فارسی
دوره مهندس هوش مصنوعی 2026: بوتکمپ کامل مهندس هوش مصنوعی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- این دوره مجموعه کامل ابزارهایی را فراهم میکند که برای تبدیل شدن به مهندس هوش مصنوعی نیاز دارید.
- درک مفاهیم کلیدی هوش مصنوعی و ایجاد پایهای محکم
- شروع برنامهنویسی با Python و یادگیری نحوه استفاده از آن برای پردازش زبان طبیعی و هوش مصنوعی
- جلب توجه مصاحبهکنندگان با نشان دادن درک عمیق از حوزه هوش مصنوعی
- بهکارگیری مهارتهایتان در موارد واقعی کسبوکار
- استفاده از قدرت مدلهای زبانی بزرگ
- بهرهگیری از LangChain برای توسعه بیوقفه برنامههای مبتنی بر هوش مصنوعی با اتصال کامپوننت های قابل همکاری
- آشنایی با Hugging Face و ابزارهای هوش مصنوعی آن
- استفاده از APIها و اتصال به مدلهای پایه قدرتمند
- کاربرد Transformers برای تبدیل پیشرفته گفتار به متن
پیشنیازهای دوره
- هیچ تجربه قبلی لازم نیست. از اصول پایه شروع خواهیم کرد.
- باید Anaconda را نصب کنید. ما مراحل نصب را گام به گام به شما نشان خواهیم داد.
توضیحات دوره
مشکل
مهندسان هوش مصنوعی بهترین شرایط را برای موفقیت در دوران هوش مصنوعی دارند. آنها به کسبوکارها کمک میکنند تا با ساخت برنامههای مبتنی بر هوش مصنوعی روی وبسایتها، اپلیکیشنها و پایگاههای داده موجود خود، از مزایای هوش مصنوعی مولد بهره ببرند. بنابراین، جای تعجب نیست که تقاضا برای مهندسان هوش مصنوعی در بازار کار به شدت افزایش یافته است.
اما عرضه این مهارتها کم است و یادگیری مهارتهای لازم برای استخدام به عنوان مهندس هوش مصنوعی چالشبرانگیز است.
پس چگونه میتوان این مهارت را کسب کرد؟
دانشگاهها در ارائه برنامههای تخصصی و عملی در زمینه مهندسی هوش مصنوعی کند عمل کردهاند. اندک تلاشهای موجود نیز معمولاً پرهزینه و زمانبر هستند.
بیشتر دورههای آنلاین فقط ترفندهای ChatGPT و مهارتهای فنی جداگانه ارائه میدهند، اما تلفیق این مهارتها هنوز دشوار است.
راهحل
مهندسی هوش مصنوعی یک حوزه چندرشتهای است که شامل موارد زیر میشود:
- اصول هوش مصنوعی و کاربردهای عملی آن
- برنامهنویسی Python
- پردازش زبان طبیعی در Python
- مدلهای بزرگ زبانی و Transformers
- توسعه برنامهها با ابزارهای orchestration مانند LangChain
- پایگاههای داده برداری با استفاده از PineCone
- ساخت برنامههای مبتنی بر هوش مصنوعی
هر بخش بر بخش قبلی ساخته میشود و رد کردن گامها میتواند گیجکننده باشد. بهعنوان مثال، استفاده از مدلهای زبانی بزرگ مستلزم آشنایی با LangChain است، همانگونه که مطالعه پردازش زبان طبیعی بدون مهارتهای پایه برنامهنویسی Python دشوار است.
این برنامه آموزشی پیشگامانه بزرگترین مانع ورود به حوزه مهندسی هوش مصنوعی را با گردآوری تمام منابع ضروری در یک مکان از بین میبرد.
دوره ما طوری طراحی شده است که مباحث مرتبط را بهصورت یکپارچه آموزش دهد، و همه موارد لازم برای تبدیل شدن به مهندس هوش مصنوعی را با هزینه و زمان بسیار کمتر از برنامههای سنتی فراهم کند.
مهارتها
1. مقدمهای بر هوش مصنوعی
دادههای ساختاریافته و بدون ساختار، یادگیری نظارتشده و نظارتنشده، هوش مصنوعی مولد و مدلهای پایه؛ این واژههای کلیدی هوش مصنوعی دقیقاً چه معنایی دارند؟
چرا باید هوش مصنوعی را مطالعه کرد؟ درک عمیقی از این حوزه به دست آورید با یک مرور راهنمای شامل اصول هوش مصنوعی، اهمیت کیفیت دادهها، تکنیکهای اصلی، هوش مصنوعی مولد و توسعه مدلهای پیشرفتهای مانند GPT، Llama، Gemini و Claude.
2. برنامهنویسی Python
تسلط به برنامهنویسی Python برای تبدیل شدن به یک توسعهدهنده توانمند هوش مصنوعی ضروری است - ابزارهای بدون کد کافی نیستند.
Python یک زبان برنامهنویسی مدرن و چندمنظوره است که برای ساخت برنامههای وب، بازیهای کامپیوتری و کارهای علم داده مناسب است. اکوسیستم گسترده کتابخانههای آن برای توسعه مدلهای هوش مصنوعی ایدهآل است.
چرا برنامهنویسی Python را بیاموزیم؟
برنامهنویسی Python ابزار اصلی شما برای ارتباط با مدلهای هوش مصنوعی و یکپارچهسازی قابلیتهای آنها در محصولات شما خواهد بود.
3. مقدمهای بر NLP در Python
پردازش زبان طبیعی (NLP) را کاوش کنید و تکنیکهایی بیاموزید که به رایانهها امکان درک، تولید و دستهبندی زبان انسانی را میدهند.
چرا NLP را مطالعه کنیم؟
NLP پایه مدلهای پیشرفته هوش مصنوعی مولد است. این برنامه شما را به مهارتهای ضروری برای توسعه سیستمهای هوش مصنوعی که با زبان انسان به طور معنادار تعامل دارند، مجهز میکند.
4. معرفی مدلهای بزرگ زبانی
این بخش مهارتهای پردازش زبان طبیعی شما را با آموزش استفاده از قابلیتهای قدرتمند مدلهای بزرگ زبانی (LLMs) ارتقا میدهد. ابزارهای کلیدی مانند معماری Transformers ،GPT ،LangChain ،HuggingFace ،BERT و XLNet را بیاموزید.
چرا LLMها را یاد بگیریم؟
این ماژول دروازه شما برای درک عملکرد مدلهای بزرگ زبانی و کاربردهای آنها در حل مسائل پیچیده زبانی است که نیازمند درک عمیق متنی میباشند.
5. ساخت برنامهها با LangChain
LangChain یک فریمورک است که امکان توسعه یکپارچه برنامههای مبتنی بر هوش مصنوعی را با اتصال کامپوننت های قابل همکاری فراهم میکند.
چرا LangChain را بیاموزیم؟
یاد بگیرید چگونه برنامههایی بسازید که قابلیت استدلال داشته باشند. LangChain ساخت سیستمهایی را ممکن میسازد که اجزای آن مانند مدلهای زبانی، پایگاههای داده و الگوریتمهای استدلال به هم متصل شده و عملکرد کلی را بهبود میبخشند.
6. پایگاه دادههای برداری
با فناوریهای نوظهور هوش مصنوعی، اهمیت بردارسازی و پایگاه دادههای برداری به شدت افزایش یافته است. در ماژول پایگاه دادههای برداری با Pinecone فرصت دارید پایگاه داده Pinecone - راهکار پیشرو در پایگاه دادههای برداری - را بررسی کنید.
چرا پایگاه دادههای برداری مهماند؟
یادگیری پایگاه دادههای برداری ضروری است چون شما را قادر میسازد حجم عظیمی از دادههای با ابعاد بالا را بهصورت مؤثر مدیریت و پرسوجو کنید - موضوعی رایج در کاربردهای یادگیری ماشین و هوش مصنوعی. این مهارتهای فنی به شما ابزار لازم برای پیادهسازی برنامههای مبتنی بر هوش مصنوعی با عملکرد بهینه را میدهد.
7. تشخیص گفتار با Python
دنبال کردن حوزه جذاب تشخیص گفتار و کشف چگونگی تبدیل زبان گفتاری به دادههای کاربردی توسط سیستمهای هوش مصنوعی. این ماژول مفاهیم پایه مانند پردازش صوتی، مدلسازی آکوستیک و تکنیکهای پیشرفته ساخت برنامههای تبدیل گفتار به متن با Python را پوشش میدهد.
چرا تشخیص گفتار را بیاموزیم؟
تشخیص گفتار قلب دستیارهای صوتی، ابزارهای رونویسی خودکار و رابطهای کاربری صوتی است. تسلط بر این مهارت امکان ساخت برنامههایی را میدهد که بهصورت طبیعی با کاربران تعامل کنند و پتانسیل کامل دادههای صوتی را در راهحلهای هوش مصنوعی باز کنند.
این دوره برای چه کسانی مناسب است؟
- اگر میخواهید مهندس هوش مصنوعی شوید یا در این حوزه آموزش ببینید، این دوره برای شماست.
- اگر به دنبال شغلی عالی هستید، این دوره مناسب شماست.
- این دوره برای مبتدیها نیز مناسب است، زیرا از اصول پایه شروع کرده و بهتدریج مهارتهای شما را میسازد.
دوره مهندس هوش مصنوعی 2026: بوتکمپ کامل مهندس هوش مصنوعی
-
ساخت یک ابزار هوش مصنوعی در 5 دقیقه: یک دموی سریع 10:16
-
این دوره چه مواردی را پوشش میدهد؟ 03:17
-
هوش طبیعی در برابر هوش مصنوعی 02:06
-
تاریخچهی کوتاه هوش مصنوعی 04:43
-
شفافسازی مفاهیم AI، علم داده، یادگیری ماشین و یادگیری عمیق 02:27
-
هوش مصنوعی ضعیف در برابر قوی 02:43
-
آزمون 1 None
-
دادههای ساختیافته در برابر ساختنیافته 01:47
-
چگونه داده جمعآوری میکنیم؟ 04:02
-
دادههای برچسبدار و بدون برچسب 02:06
-
فراداده: دادهای که داده را توصیف میکند 01:42
-
آزمون 2 None
-
یادگیری ماشین 06:15
-
یادگیری نظارتشده، بدوننظارت و تقویتی 05:34
-
یادگیری عمیق 08:27
-
آزمون 3 None
-
رباتیک 04:35
-
بینایی ماشین 04:34
-
یادگیری ماشین سنتی 01:18
-
هوش مصنوعی مولد 04:05
-
آزمون 4 None
-
ظهور Gen AI: معرفی ChatGPT 02:09
-
رویکردهای اولیه به پردازش زبان طبیعی (NLP) 02:42
-
پیشرفتهای اخیر NLP 03:01
-
از مدلهای زبانی تا مدلهای زبانی بزرگ (LLMها) 06:11
-
کارایی آموزش LLMها. یادگیری نظارتشده در برابر نیمهنظارتشده 03:35
-
از N-Gramها تا RNNها تا Transformers: تکامل NLP 05:22
-
مراحل ساخت LLMها 04:40
-
مهندسی پرامپت در برابر Fine-tuning در برابر RAG: تکنیکهای بهینهسازی هوش مصنوعی 04:24
-
اهمیت مدلهای پایه 02:49
-
خرید در برابر ساخت: مدلهای پایه در برابر مدلهای خصوصی 02:36
-
ناسازگاری و توهم 02:43
-
بودجهبندی و هزینههای API 02:58
-
تأخیر 01:26
-
تمامشدن داده 02:25
-
برنامهنویسی Python 02:07
-
کار با APIها 01:35
-
پایگاههای دادهی برداری 03:11
-
اهمیت متنباز بودن 06:10
-
Hugging Face 01:46
-
LangChain 02:54
-
ابزارهای ارزیابی هوش مصنوعی 03:07
-
استراتژیست هوش مصنوعی 05:08
-
توسعهدهندهی هوش مصنوعی 04:27
-
مهندس هوش مصنوعی 03:53
-
اخلاق هوش مصنوعی 05:39
-
آیندهی AI 04:39
-
برنامهنویسی در چند دقیقه توضیح داده شد 05:29
-
چرا Python 04:32
-
Jupyter - مقدمه 03:28
-
Jupyter - نصب Anaconda 03:34
-
Jupyter - مقدمهای بر استفاده از Jupyter 04:53
-
Jupyter - کار با فایلهای Notebook 04:30
-
Jupyter - استفاده از میانبرها 07:24
-
Jupyter - مدیریت پیامهای خطا 05:52
-
Jupyter - راهاندازی مجدد Kernel 02:03
-
راهاندازی محیط - Jupyter None
-
متغیرهای Python 03:37
-
تمرینهای کدنویسی Python 07:54
-
متغیرهای Python - تمرین 1 None
-
متغیرهای Python - تمرین 2 None
-
متغیرهای Python - تمرین 3 None
-
متغیرهای Python - تمرین 4 None
-
متغیرهای Python None
-
انواع داده - اعداد و مقادیر بولی 03:05
-
اعداد و مقادیر بولی - تمرین 1 None
-
اعداد و مقادیر بولی - تمرین 2 None
-
اعداد و مقادیر بولی - تمرین 3 None
-
اعداد و مقادیر بولی - تمرین 4 None
-
اعداد و مقادیر بولی - تمرین 5 None
-
انواع داده - اعداد و مقادیر بولی None
-
انواع داده - رشتهها 05:40
-
رشتهها - تمرین 1 None
-
رشتهها - تمرین 2 None
-
رشتهها - تمرین 3 None
-
رشتهها - تمرین 4 None
-
رشتهها - تمرین 5 None
-
انواع داده - رشتهها None
-
Anaconda AI - مقدمه 02:27
-
استفاده از Anaconda Assistant: رشتهها 04:07
-
سینتکس پایهی Python - عملگرهای حسابی 03:23
-
عملگرهای حسابی - تمرین 1 None
-
عملگرهای حسابی - تمرین 2 None
-
عملگرهای حسابی - تمرین 3 None
-
عملگرهای حسابی - تمرین 4 None
-
عملگرهای حسابی - تمرین 5 None
-
عملگرهای حسابی - تمرین 6 None
-
عملگرهای حسابی - تمرین 7 None
-
عملگرهای حسابی - تمرین 8 None
-
سینتکس پایهی Python - عملگرهای حسابی None
-
سینتکس پایهی Python - علامت برابری دوگانه 01:33
-
علامت برابری دوگانه - تمرین 1 None
-
سینتکس پایهی Python - علامت برابری دوگانه None
-
سینتکس پایهی Python - تخصیص مجدد مقادیر 01:08
-
تخصیص مجدد مقادیر - تمرین 1 None
-
تخصیص مجدد مقادیر - تمرین 2 None
-
تخصیص مجدد مقادیر - تمرین 3 None
-
تخصیص مجدد مقادیر - تمرین 4 None
-
سینتکس پایهی Python - تخصیص مجدد مقادیر None
-
سینتکس پایهی Python - افزودن توضیحات 01:34
-
سینتکس پایهی Python - افزودن توضیحات None
-
سینتکس پایهی Python - ادامهی خط 00:49
-
ادامهی خط - تمرین 1 None
-
سینتکس پایهی Python - ایندکس کردن عناصر 01:18
-
ایندکس کردن عناصر - تمرین 1 None
-
ایندکس کردن عناصر - تمرین 2 None
-
سینتکس پایهی Python - ایندکس عناصر None
-
سینتکس پایهی Python - تورفتگی 01:44
-
تورفتگی - تمرین 1 None
-
سینتکس پایهی Python - تورفتگی None
-
عملگرها - عملگرهای مقایسهای 02:10
-
عملگرهای مقایسهای - تمرین 1 None
-
عملگرهای مقایسهای - تمرین 2 None
-
عملگرهای مقایسهای - تمرین 3 None
-
عملگرهای مقایسهای - تمرین 4 None
-
عملگرها - عملگرهای مقایسهای None
-
عملگرها - عملگرهای منطقی و هویتی 05:35
-
عملگرهای منطقی و هویتی - تمرین 1 None
-
عملگرهای منطقی و هویتی - تمرین 2 None
-
عملگرهای منطقی و هویتی - تمرین 3 None
-
عملگرهای منطقی و هویتی - تمرین 4 None
-
عملگرهای منطقی و هویتی - تمرین 5 None
-
عملگرهای منطقی و هویتی - تمرین 6 None
-
عملگرها - عملگرهای منطقی و هویتی None
-
دستورات شرطی - دستور IF 03:01
-
دستور IF - تمرین 1 None
-
دستور IF - تمرین 2 None
-
دستورات شرطی - دستور IF None
-
دستورات شرطی - دستور ELSE 02:45
-
دستور ELSE - تمرین 1 None
-
دستورات شرطی - دستور ELIF 05:34
-
دستور ELIF - تمرین 1 None
-
دستور ELIF - تمرین 2 None
-
دستورات شرطی - نکتهای دربارهی مقادیر بولی 02:13
-
دستورات شرطی - نکتهای دربارهی مقادیر بولی None
-
توابع - تعریف تابع در Python 02:02
-
توابع - ساخت تابع با یک پارامتر 03:49
-
ساخت تابع با یک پارامتر - تمرین 1 None
-
ساخت تابع با یک پارامتر - تمرین 2 None
-
توابع - راهی دیگر برای تعریف تابع 02:36
-
راهی دیگر برای تعریف تابع - تمرین 1 None
-
توابع - استفاده از یک تابع در تابع دیگر 01:49
-
استفاده از یک تابع در تابع دیگر - تمرین 1 None
-
توابع - ترکیب دستورات شرطی و توابع 03:06
-
ترکیب دستورات شرطی و توابع - تمرین 1 None
-
توابع - ساخت توابعی با چند آرگومان 01:16
-
توابع - توابع داخلی مهم در Python 03:56
-
توابع داخلی مهم در Python - تمرین 1 None
-
توابع داخلی مهم در Python - تمرین 2 None
-
توابع داخلی مهم در Python - تمرین 3 None
-
توابع داخلی مهم در Python - تمرین 4 None
-
توابع داخلی مهم در Python - تمرین 5 None
-
توابع داخلی مهم در Python - تمرین 6 None
-
توابع داخلی مهم در Python - تمرین 7 None
-
توابع داخلی مهم در Python - تمرین 8 None
-
توابع داخلی مهم در Python - تمرین 9 None
-
توابع Python None
-
دنبالهها - لیست ها 04:02
-
لیست ها - تمرین 1 None
-
لیست ها - تمرین 2 None
-
لیست ها - تمرین 3 None
-
لیست ها - تمرین 4 None
-
لیست ها - تمرین 5 None
-
دنبالهها - فهرستها None
-
دنبالهها - استفاده از متدها 03:19
-
استفاده از متدها - تمرین 1 None
-
استفاده از متدها - تمرین 2 None
-
استفاده از متدها - تمرین 3 None
-
استفاده از متدها - تمرین 4 None
-
دنبالهها - استفاده از متدها None
-
دنبالهها - اسلایس کردن لیست 04:30
-
اسلایس کردن لیست - تمرین 1 None
-
اسلایس کردن لیست - تمرین 2 None
-
اسلایس کردن لیست - تمرین 3 None
-
اسلایس کردن لیست - تمرین 4 None
-
اسلایس کردن لیست - تمرین 5 None
-
اسلایس کردن لیست - تمرین 6 None
-
اسلایس کردن لیست - تمرین 7 None
-
دنبالهها - تاپلها 03:11
-
تاپلها - تمرین 1 None
-
تاپلها - تمرین 2 None
-
تاپلها - تمرین 3 None
-
تاپلها - تمرین 4 None
-
دنبالهها - دیکشنریها 04:04
-
دیکشنریها - تمرین 1 None
-
دیکشنریها - تمرین 2 None
-
دیکشنریها - تمرین 3 None
-
دیکشنریها - تمرین 4 None
-
دیکشنریها - تمرین 5 None
-
دیکشنریها - تمرین 6 None
-
دنبالهها - دیکشنریها None
-
Iteration - حلقههای for 02:56
-
حلقههای for - تمرین 1 None
-
حلقههای for - تمرین 2 None
-
Iteration - حلقههای for None
-
Iteration - حلقههای while و افزایش مقدار 02:25
-
حلقههای while و افزایش مقدار - تمرین 1 None
-
Iteration - ساخت فهرستها با تابع ()range 03:49
-
ساخت لیست ها با تابع ()range - تمرین 1 None
-
ساخت لیست ها با تابع ()range - تمرین 2 None
-
ساخت لیست ها با تابع ()range - تمرین 3 None
-
Iteration - ساخت لیست ها با تابع ()range None
-
Iteration - استفادهی همزمان از دستورات شرطی و حلقهها 03:11
-
دستورات شرطی و حلقهها - تمرین 1 None
-
دستورات شرطی و حلقهها - تمرین 2 None
-
دستورات شرطی و حلقهها - تمرین 3 None
-
Iteration - دستورات شرطی، توابع و حلقهها 02:27
-
دستورات شرطی، توابع و حلقهها - تمرین 1 None
-
استفاده از Anaconda Assistant: چند ابزار Python 05:56
-
Iteration - تکرار روی دیکشنریها 03:07
-
Iterating روی دیکشنریها - تمرین 1 None
-
Iterating روی دیکشنریها - تمرین 2 None
-
استفاده از Anaconda Assistant: دیکشنریها 02:22
-
مقدمهای بر برنامهنویسی شیءگرا (OOP) 05:00
-
ماژولها، پکیجها و کتابخانهی استاندارد Python 04:24
-
ایمپورت کردن ماژولها 03:24
-
مفاهیم و اصطلاحات مهم Python None
-
Python List Comprehensions 08:30
-
Python List Comprehensions - تمرین 1 None
-
Python List Comprehensions - تمرین 2 None
-
Python List Comprehensions - تمرین 3 None
-
Python List Comprehensions - تمرین 4 None
-
Python List Comprehensions - تمرین 5 None
-
توابع ناشناس Python (توابع Lambda) 07:00
-
توابع ناشناس Python - تمرین 1 None
-
توابع ناشناس Python - تمرین 2 None
-
توابع ناشناس Python - تمرین 3 None
-
توابع ناشناس Python - تمرین 4 None
-
مستندات نرمافزار چیست؟ 03:57
-
مستندات Python 06:23
-
Python عملی در کار - چهار سؤال سریع None
-
مقدمهای بر دوره 02:39
-
مقدمهای بر NLP 01:36
-
مقدمهای بر NLP None
-
NLP در زندگی روزمره 01:14
-
NLP نظارتشده در برابر بدوننظارت 01:46
-
NLP نظارتشده در برابر بدوننظارت None
-
اهمیت آمادهسازی داده 01:45
-
راهاندازی محیط 06:08
-
محیط Python برای NLP None
-
تبدیل متن به حروف کوچک 03:18
-
تبدیل متن به حروف کوچک None
-
حذف stop wordها 04:31
-
حذف stop wordها None
-
عبارتهای منظم (regex) 10:17
-
Regex None
-
توکنسازی 03:13
-
توکنسازی None
-
stemming 03:48
-
lemmatization 02:46
-
stemming و lemmatization None
-
N-gramها 06:26
-
N-gramها و pandas None
-
تسک عملی: پیشپردازش متن 14:16
-
کتابخانهی NLTK None
-
توابع Lambda با ()apply None
-
برچسبگذاری متن 01:24
-
برچسبگذاری اجزای کلام (POS) 06:39
-
تشخیص موجودیت نامدار (NER) 08:00
-
برچسبگذاری POS و NER None
-
تسک عملی: POS و NER 16:13
-
تحلیل احساسات چیست؟ 01:59
-
تحلیل احساسات مبتنی بر قواعد 05:23
-
مدلهای Transformer ازپیشآموزشدیده 05:39
-
تسک عملی: تحلیل احساسات 11:34
-
تحلیل احساسات None
-
نمایش عددی متن 01:32
-
مدل Bag of Words 04:44
-
TF-IDF 03:08
-
بردارسازی متن None
-
مدلسازی موضوعی چیست؟ 02:56
-
چه زمانی از مدلسازی موضوعی استفاده کنیم؟ 01:33
-
تخصیص پنهان دیریکله (LDA) 02:19
-
LDA در Python 08:09
-
تحلیل معنایی نهفته (LSA) 01:39
-
LSA در Python 01:21
-
LDA و LSA None
-
تعیین تعداد موضوعها 06:07
-
ساخت یک Classifier متن سفارشی 00:56
-
رگرسیون لجستیک 09:47
-
Naive Bayes 02:30
-
ماشین بردار پشتیبان خطی 03:26
-
ساخت یک Classifier متن سفارشی None
-
معرفی پروژه 03:32
-
بررسی دادههای ما از طریق برچسبهای POS 09:24
-
استخراج موجودیتهای نامدار 04:51
-
پردازش متن 08:30
-
آیا احساسات در انواع خبر متفاوت است؟ 05:11
-
چه موضوعاتی در اخبار جعلی دیده میشوند؟ (بخش 1) 06:11
-
چه موضوعاتی در اخبار جعلی دیده میشوند؟ (بخش 2) 05:56
-
دستهبندی اخبار جعلی با یک طبقهبند سفارشی 05:48
-
یادگیری عمیق چیست؟ 03:04
-
یادگیری عمیق برای NLP 01:51
-
NLP غیرانگلیسی 01:48
-
گام بعدی برای NLP چیست؟ 01:38
-
مقدمهای بر دوره 02:20
-
LLMها چیستند؟ 02:55
-
یک LLM چقدر بزرگ است؟ 02:55
-
مدلهای همهمنظوره 01:08
-
پیشآموزش و Fine-tuning 02:39
-
LLMها برای چه مواردی استفاده میشوند؟ 03:17
-
مرور یادگیری عمیق 02:31
-
مشکل RNNها 03:35
-
راهحل: Attention Is All You Need 02:50
-
معماری Transformer 01:01
-
تعبیه های ورودی 02:54
-
توجه Multi-headed 03:59
-
لایهی Feed-forward 02:38
-
توجه multihead ماسکشده 01:23
-
پیشبینی خروجیهای نهایی 01:43
-
GPT مخفف چیست؟ 01:27
-
توسعهی ChatGPT 02:28
-
OpenAI API 02:58
-
تولید متن 02:25
-
سفارشیسازی خروجی GPT 04:03
-
خلاصهسازی متن بر اساس کلمات کلیدی 03:46
-
کدنویسی یک چتبات ساده 06:16
-
مقدمهای بر LangChain در Python 01:27
-
LangChain 02:49
-
افزودن دادهی سفارشی به چتبات ما 05:20
-
بستهی Hugging Face 02:40
-
پایپ لاین ترنسفورمر 05:49
-
tokenizerهای ازپیشآموزشدیده 09:01
-
توکنهای ویژه 02:53
-
Hugging Face و PyTorch/TensorFlow 04:32
-
ذخیره و بارگذاری مدلها 01:25
-
GPT در برابر BERT 03:02
-
معماری BERT 04:39
-
بارگذاری مدل و tokenizer 01:47
-
BERT embeddings 03:42
-
محاسبهی پاسخ 05:32
-
ساخت یک ربات پرسش و پاسخ 08:40
-
BERT ،RoBERTa ،DistilBERT 03:06
-
GPT در برابر BERT در برابر XLNET 04:17
-
پیشپردازش دادههای ما 09:58
-
XLNet Embeddings 04:24
-
Fine-tuning کردن XLNet 03:55
-
ارزیابی مدل ما 03:02
-
مقدمهای بر دوره 04:53
-
کاربردهای تجاری LangChain 05:22
-
چه چیزی LangChain را قدرتمند میکند؟ 04:32
-
این دوره چه مواردی را پوشش میدهد؟ 05:32
-
توکنها 06:07
-
مدلها و قیمتها 03:28
-
راهاندازی یک محیط سفارشی Anaconda برای یکپارچهسازی با Jupyter 03:42
-
دریافت کلید API از OpenAI 02:04
-
تنظیم کلید API بهعنوان متغیر محیطی 07:11
-
اولین گامها 03:50
-
نقشهای سیستم، کاربر و دستیار 03:36
-
ساخت یک چتبات طعنهآمیز 02:46
-
Temperature، حداکثر توکنها و استریمینگ 06:27
-
چارچوب LangChain 05:40
-
ChatOpenAI 06:24
-
پیامهای سیستم و انسان 04:29
-
پیامهای AI 05:07
-
قالبهای پرامپت و مقادیر پرامپت 05:22
-
قالبهای پرامپت چت و مقادیر پرامپت چت 06:05
-
قالبهای پرامپت پیام چت Few-shot 06:15
-
Output Parsers رشته 02:27
-
Output Parsers لیست جداشده با ویرگول 03:15
-
output parser تاریخ و زمان 02:47
-
پایپ لاین کردن یک پرامپت، مدل و parser خروجی 06:33
-
دستهبندی 04:35
-
استریمینگ 04:17
-
کلاسهای Runnable و RunnableSequence 04:52
-
پایپ لاین کردن زنجیرهها و کلاس RunnablePassthrough 07:32
-
ترسیم گراف Runnableها 02:15
-
RunnableParallel 06:23
-
پایپ لاین کردن یک RunnableParallel با سایر Runnableها 05:31
-
RunnableLambda 05:23
-
دکوراتور chain@ 04:22
-
چگونه دادههای سفارشی را در یک LLM ادغام کنیم؟ 03:48
-
مقدمهای بر RAG 03:40
-
مقدمهای بر بارگذاری و تقسیم اسناد 03:56
-
مقدمهای بر embedding اسناد 06:46
-
مقدمهای بر ذخیرهسازی، بازیابی و تولید اسناد 03:49
-
ایندکس کردن: بارگذاری سند با PyPDFLoader 07:10
-
ایندکس کردن: بارگذاری سند با Docx2txtLoader 02:24
-
ایندکس کردن: تقسیم اسناد با character text splitter (تئوری) 02:46
-
ایندکس کردن: تقسیم اسناد با character text splitter (همراه با کدنویسی) 05:19
-
ایندکس کردن: تقسیم اسناد با Markdown header text splitter 05:53
-
ایندکس کردن: تعبیه متن با OpenAI 06:00
-
ایندکس کردن: ایجاد یک Chroma vectorstore 05:41
-
ایندکس کردن: بررسی و مدیریت اسناد در یک vectorstore 04:21
-
بازیابی: جستوجوی شباهت 05:29
-
بازیابی: جستوجوی Maximal Marginal Relevance (MMR) 06:47
-
بازیابی: بازیاب مبتنی بر Vectorstore 03:30
-
تولید: قرار دادن اسناد در ورودی 04:22
-
تولید: ساخت یک پاسخ 03:51
-
به دوره خوش آمدید! 02:42
-
این دوره چه مواردی را پوشش میدهد؟ 03:26
-
پیشنیازهای دوره 02:13
-
راهاندازی محیط 04:37
-
Stateها، nodeها و edgeها 05:24
-
اولین گراف: ایمپورت کردن کلاسهای مرتبط 03:45
-
اولین گراف: تعریف یک state و یک node 04:18
-
اولین گراف: ساخت گراف 04:55
-
یالهای شرطی: تعریف گرهها و یک تابع مسیریابی 05:40
-
یالهای شرطی: ساخت گراف 05:03
-
ساختار Annotated و توابع reducer 04:49
-
عملکرد توابع reducer در عمل 03:38
-
کلاس MessagesState 03:34
-
کلاس RemoveMessages 02:56
-
تریم کردن پیامها 03:57
-
خلاصهسازی پیامها 07:53
-
Checkpointerها و threadها 03:27
-
حافظهی کوتاهمدت با کلاس InMemorySaver 05:29
-
کلاس StateSnapshot 03:09
-
حافظهی بلندمدت با SQLite 04:47
-
مقدمهای بر دوره 02:59
-
مقایسهی پایگاه داده: SQL ،NoSQL و Vector 05:01
-
درک پایگاههای دادهی برداری 04:16
-
مقدمهای بر فضای برداری 04:35
-
معیارهای فاصله در فضای برداری 05:50
-
مروری بر vector embeddings 04:10
-
مقایسهی پایگاههای دادهی برداری 06:58
-
ثبتنام در Pinecone، راهنمای استفاده و ایجاد یک Index 03:38
-
اتصال به Pinecone با استفاده از Python 02:56
-
ایجاد و حذف یک index در Pinecone با استفاده از Python 03:26
-
Upsert کردن داده در یک پایگاه دادهی برداری Pinecone 03:50
-
آشنایی با مجموعهدادهی FineWeb و بارگذاری آن در Jupyter 02:06
-
Upsert کردن داده از یک فایل متنی و استفاده از الگوریتم embedding 05:20
-
مقدمهای بر جستوجوی معنایی 03:44
-
مقدمهای بر مطالعهی موردی – جستوجوی هوشمند برای دورههای علم داده 05:06
-
آشنایی با دادههای مطالعهی موردی 02:09
-
بارگذاری و پیشپردازش داده 04:28
-
Pinecone Python APIs و اتصال به سرور Pinecone 04:16
-
الگوریتمهای embedding 04:10
-
ایجاد embedding برای دادهها و upsert کردن فایلها در Pinecone 03:28
-
جستوجوی شباهت و پرسوجوی دادهها 04:27
-
چگونه پایگاه دادهی برداری خود را بهروزرسانی و تغییر دهید؟ 03:34
-
پیشپردازش داده و embedding برای دورهها همراه با دادههای بخشها 04:10
-
Upsert کردن فایلهای جدید و بهروزشده در Pinecone 02:10
-
جستوجوی شباهت و کوئری دادههای دورهها و بخشها 04:10
-
استفاده از الگوریتم embedding BERT 03:44
-
پایگاه دادهی برداری برای موتورهای توصیه گر 03:41
-
پایگاه دادهی برداری برای جستوجوی معنایی تصویر 04:07
-
پایگاه دادهی برداری برای پژوهشهای زیستپزشکی 03:53
-
به دنیای تشخیص گفتار خوش آمدید 04:50
-
رویکرد دوره 04:19
-
همهچیز چگونه آغاز شد: فرمنتها، هارمونیکها و واجها 03:20
-
توسعه و تکامل 04:06
-
انسانها چگونه گفتار را تشخیص میدهند؟ 03:16
-
انسانها چگونه گفتار را تشخیص میدهند؟ None
-
مبانی صدا و امواج صوتی 03:28
-
ویژگیهای امواج صوتی 05:48
-
مفاهیم کلیدی: Sample Rate، عمق بیت و نرخ بیت 05:02
-
پردازش سیگنال صوتی برای یادگیری ماشین و هوش مصنوعی 04:45
-
ویژگیهای صوتی در حوزهی زمان 06:53
-
ویژگیهای صوتی در حوزهی فرکانس و حوزهی زمان-فرکانس 06:19
-
استخراج ویژگی در حوزهی زمان: فریمبندی و محاسبهی ویژگیها 04:43
-
استخراج ویژگی در حوزهی فرکانس: تبدیل فوریه 04:27
-
مدلسازی آکوستیک و زبانی 03:49
-
مدلهای مخفی مارکوف (HMM) و شبکههای عصبی سنتی 06:30
-
مدلهای یادگیری عمیق: CNNها، RNNها و LSTMها 06:36
-
سیستمهای پیشرفتهی تشخیص گفتار: Transformers 04:52
-
ساخت مدل تشخیص گفتار بخش 1 04:26
-
ساخت مدل تشخیص گفتار بخش 2 04:19
-
انتخاب ابزار مناسب تشخیص گفتار 05:48
-
نصب Anaconda 02:24
-
راهاندازی یک محیط جدید 02:47
-
نصب بستههای تشخیص گفتار 06:16
-
ایمپورت کردن بستههای مرتبط در Jupyter 03:11
-
فرمتهای فایل صوتی برای تشخیص گفتار 07:04
-
ایمپورت کردن فایلهای صوتی در Jupyter Notebook 07:47
-
کتابخانهی SpeechRecognition: بررسی Google Web Speech API 08:32
-
شاخصهای ارزیابی: WER و CER 03:11
-
محاسبهی WER و CER در Python 05:34
-
درک نویز در فایلهای صوتی 03:59
-
ایجاد طیفنگار با Python 07:22
-
مدیریت نویز پسزمینه 08:50
-
9.1 Whisper AI: تبدیل گفتار به متن مبتنی بر Transformer 07:36
-
ترنسکرایب کردن چندین فایل صوتی از یک پوشه 05:22
-
ذخیرهی ترنسکرایب های صوتی در CSV برای تحلیل آسان 05:05
-
برعکسکردن فرایند: تبدیل متن به گفتار با هوش مصنوعی 03:24
-
روشها و کاربردهای مدرن 05:10
-
چالشها و محدودیتها 02:36
-
آیندهی تشخیص گفتار با هوش مصنوعی 03:42
-
مقدمهای بر دوره 03:28
-
این دوره چه مواردی را پوشش میدهد؟ 02:23
-
جزئیات ابزار مصاحبه 05:00
-
میزبانی یک LLM در برابر استفاده از API 04:15
-
مدلهای متنباز در برابر مدلهای بسته 06:35
-
توکنها 04:55
-
قیمتگذاری: میزبانی یک LLM در برابر پرداخت بهازای هر توکن 03:47
-
توسعهی اولیهی پرامپت: بخش 1 04:59
-
توسعهی اولیهی پرامپت: بخش 2 04:59
-
طراحی پایگاه داده و توسعهی شِما 03:27
-
نمودار فعالیت چیست؟ 03:31
-
ایجاد نمودار فعالیت 05:08
-
پایاندادن به مرحلهی برنامهریزی 02:05
-
OpenAI Playground 06:50
-
بهینهسازی Temperature و Top P برای کاربردهای مختلف 05:21
-
مهندسی پرامپت برای توسعهی نرمافزار 06:05
-
چگونه یک قالب پرامپت را تست کنیم؟ 04:24
-
راهاندازی محیط 06:27
-
مزایا و معایب Streamlit 02:57
-
عناصر Streamlit: عنوانها، هدرها و قالببندی 03:27
-
عناصر Streamlit: متدهای متن 03:23
-
عناصر Streamlit: عناصر چت 04:24
-
Session State 06:24
-
راهاندازی یک کلاینت OpenAI 04:15
-
پیادهسازی قابلیت چت 06:05
-
ساخت صفحهی راهاندازی 07:22
-
بهبود تعامل چتبات با Session State 06:10
-
بهبود پروژهی ما 02:43
-
پیادهسازی قابلیت بازخورد: بخش 1 03:52
-
پیادهسازی قابلیت بازخورد: بخش 2 06:47
-
بارگذاری پروژهی شما در GitHub 04:46
-
استقرار برنامهی Streamlit شما 03:57
-
مقدمه 01:40
-
ساختار برنامه 03:25
-
ساختار پرامپت برای مصاحبههای منابع انسانی 05:57
-
ساختار پرامپت برای مصاحبههای فنی 07:34
-
محافظت بیشتر در برابر خطاها 02:34
-
توهمات 07:04
-
تزریق پرامپت 03:55
-
شمارش توکنها 02:36
-
کاهش هزینه 09:17
-
مقیاسپذیری 03:03
-
جمعبندی 01:18
-
این دوره چه مواردی را پوشش میدهد؟ 04:37
-
چرخهی عمر هوش مصنوعی: از گردآوری داده تا کاربرد مدل 05:42
-
چرا اخلاق هوش مصنوعی بیش از هر زمان دیگری اهمیت دارد؟ 06:49
-
اخلاق در برابر قانون 04:23
-
اخلاق در برابر قانون None
-
حریم خصوصی 03:35
-
شفافیت 03:16
-
پاسخگویی 03:37
-
عدالت 04:51
-
منابعیابی اخلاقی و انواع داده 04:24
-
دادههای اختصاصی 03:29
-
دادههای عمومی 01:48
-
دادههای استخراجشده از وب 02:39
-
مدیریت اطلاعات حساس و حفاظتشده 02:22
-
سوگیری داده و نمایندگی منصفانه 02:33
-
چالشهای اخلاقی در کار با دادههای برچسبدار 04:14
-
ملاحظات اخلاقی برای دادههای بدون برچسب 03:54
-
چالشهای اخلاقی در آموزش بدوننظارت 03:31
-
ملاحظات اخلاقی برای Fine-tuning نظارتشده 04:00
-
RLHF و رفتار اخلاقی هوش مصنوعی 03:05
-
شیوههای توسعهی فراگیر و منصفانهی هوش مصنوعی 03:53
-
مالکیت فکری و رضایت کاربر در تعاملات هوش مصنوعی 03:38
-
مسئولیتهای اخلاقی توسعهدهندگان مدلهای پایه 03:21
-
مشکلات رایج در مدلهای پایه: دادههای متنباز 03:38
-
ناسازگاری 04:32
-
توهم 04:22
-
نظارت مداوم و کاهش ریسک برای هوش مصنوعی مستقرشده 02:15
-
دسترسی به فناوری هوش مصنوعی برای کسبوکارهای با هر اندازهای 04:36
-
شفافیت در فرایندهای تصمیمگیری هوش مصنوعی 04:58
-
استفادهی اخلاقی از خروجیهای هوش مصنوعی در کسبوکار 03:25
-
پذیرش مسئولانهی هوش مصنوعی و مدیریت ریسک برای کسبوکارها 03:09
-
برابری در دسترسی به فناوری هوش مصنوعی 03:47
-
ملاحظات اخلاقی در همکاری انسان و هوش مصنوعی 02:42
-
استفادهی مسئولانه از خروجیهای تولیدشده توسط هوش مصنوعی 03:03
-
درک ChatGPT 04:33
-
نگرانیهای حریم خصوصی در ChatGPT 04:06
-
سیاستهای حریم خصوصی OpenAI و نحوهی مدیریت دادهها 05:05
-
اطلاعات نادرست و محتوای تولیدشده توسط هوش مصنوعی 04:04
-
سرقت ادبی با ChatGPT 05:01
-
ChatGPT و محیطزیست 03:41
-
مقررات جهانی هوش مصنوعی و داده 01:49
-
اتحادیه اروپا: GDPR و قانون هوش مصنوعی اتحادیه اروپا 04:53
-
ایالات متحده: مقررات هوش مصنوعی در ایالتهای مختلف 02:32
-
منطقه آسیا-اقیانوسیه: کنترل شدید دولتی 02:35
-
تلاش آفریقا برای حکمرانی هوش مصنوعی 02:39
مشخصات آموزش
دوره مهندس هوش مصنوعی 2026: بوتکمپ کامل مهندس هوش مصنوعی
- تاریخ به روز رسانی: 1405/04/12
- سطح دوره:Alls
- تعداد درس:566
- مدت زمان :29:42:37
- حجم :15.63GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
The Great Courses
5,201,500
1,040,300 تومان
- زمان: 06:58:57
- تعداد درس: 60
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,833,000
366,600 تومان
- زمان: 02:27:39
- تعداد درس: 24
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
2,260,000
452,000 تومان
- زمان: 03:02:02
- تعداد درس: 14
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
795,000
159,000 تومان
- زمان: 58:00
- تعداد درس: 12
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
8,508,000
1,701,600 تومان
- زمان: 11:25:13
- تعداد درس: 94
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
6,100,500
1,220,100 تومان
- زمان: 08:11:21
- تعداد درس: 28
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
7,256,500
1,451,300 تومان
- زمان: 09:44:25
- تعداد درس: 67
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
3,634,500
726,900 تومان
- زمان: 04:52:43
- تعداد درس: 38
-
سطح دوره:
-
زبان: دوبله فارسی