دوره آموزشی
دوبله زبان فارسی
مسترکلاس انتشار سفارشی چت جی پی تی و بوت کمپ هوش مصنوعی
✅ سرفصل و جزئیات آموزش
در این دوره، شما با پایتون، مبانی هوش مصنوعی، سفارشی سازی ChatGPT و ساخت بیش از 150 پروژه عملی بدون نیاز هیچ تجربه قبلی آشنا خواهید شد.
آنچه یاد خواهید گرفت:
- از ابتدا به برنامه نویسی پایتون حتی بدون هیچ تجربه ای، تسلط پیدا کنید.
- مبانی هوش مصنوعی، یادگیری ماشین و شبکه های عصبی را درک کنید.
- مفاهیم ریاضی ضروری از جمله جبر، حسابان و آمار را فرا بگیرید.
- بیش از 150 پروژه عملی هوش مصنوعی و ChatGPT را بسازید و مستقر کنید.
- یاد بگیرید چگونه مدل های ChatGPT را برای استفاده در دنیای واقعی سفارشی سازی و منتشر کنید.
- مهارت حل مسئله با ابزارها و فریمورک های هوش مصنوعی را کسب کنید.
- از طریق آموزش های ویدئویی گام به گام، مهارت های کدنویسی عملی را توسعه دهید.
- پردازش و ارزیابی داده را درک کنید.
- بهترین شیوه های صنعت برای استقرار پروژه های هوش مصنوعی را بیاموزید.
- اعتماد به نفس برای مقابله با چالش های پیشرفته هوش مصنوعی و برنامه نویسی را ایجاد کنید.
پیش نیازهای دوره
- نیازی به برنامه نویسی یا تجربه قبلی در زمینه هوش مصنوعی نیست.
- یک کامپیوتر یا لپ تاپ با دسترسی به اینترنت
- تمایل به یادگیری و اکتشاف مفاهیم هوش مصنوعی و برنامه نویسی
- سواد کامپیوتری پایه (مانند مرور وب، نصب نرم افزار)
- کنجکاوی و اشتیاق برای ساخت پروژه های هوش مصنوعی
توضیحات دوره
علاوه بر برنامه نویسی پایتون، این بوت کمپ هوش مصنوعی مفاهیم ریاضی حیاتی از جمله جبر، حسابان و آمار را مورد بررسی قرار می دهد که برای درک الگوریتم های هوش مصنوعی و یادگیری ماشین ضروری هستند. این مفاهیم ریاضی به درس های ساده و قابل فهمی تقسیم شده اند تا اطمینان حاصل شود که هر دانشجویی، صرف نظر از پیشینه خود، می تواند مطالب را دنبال کند و پایه قوی ایجاد کند. پس از بررسی مبانی ریاضی، شما وارد دنیای هوش مصنوعی خواهید شد. در اینجا، نحوه عملکرد سیستم های هوش مصنوعی را یاد خواهید گرفت، شبکه های عصبی را بررسی خواهید کرد و نحوه ساخت و تیونینگ دقیق مدل های ChatGPT برای تسک های خاص را درک خواهید کرد.
بخش انتشار ChatGPT سفارشی دوره، یک نقطه برجسته است، جایی که شما یاد خواهید گرفت چگونه مدل های ChatGPT را سفارشی کنید، سیستم های گفتگو منحصر به فرد بسازید و آنها را برای اپلیکیشن های دنیای واقعی منتشر کنید. شما نه تنها جنبه فنی انتشار ChatGPT را بررسی خواهید کرد، بلکه نحوه بهینه سازی این سیستم ها برای عملکرد و قابلیت استفاده را نیز درک خواهید کرد. دروس سفارشی سازی ChatGPT با بینش های عملی غنی شده اند و اطمینان می دهند که می توانید چتبات هایی را برای صنایع، گردش کارها یا پروژه های شخصی خاص طراحی کنید.
این دوره برای چه کسانی مناسب است؟
- مبتدیان مطلق: نیازی به دانش قبلی برنامه نویسی یا هوش مصنوعی نیست.
- علاقمندان مشتاق هوش مصنوعی: افرادی که کنجکاو در مورد هوش مصنوعی و ChatGPT هستند.
- دانشجویان و فارغالتحصیلان جدید: کسانی که به دنبال توسعه مهارت های هوش مصنوعی و برنامه نویسی هستند.
- تغییردهندگان شغل: متخصصانی که قصد ورود به حوزه های هوش مصنوعی و فناوری را دارند.
- کارآفرینان: افرادی که علاقهمند به ساخت و استقرار محصولات مجهز به هوش مصنوعی هستند.
- علاقمندان به فناوری: هر کسی که به یادگیری هوش مصنوعی، پایتون و ChatGPT از ابتدا علاقهمند است.
مسترکلاس انتشار سفارشی چت جی پی تی و بوت کمپ هوش مصنوعی
-
ایجاد و انتشار GPTs در ChatGPT Store - قسمت 1 07:18
-
ایجاد و انتشار GPTs در ChatGPT Store - قسمت 2 04:19
-
ایجاد و انتشار GPTs در ChatGPT Store - قسمت 3 06:59
-
مقدمه هفته 1: مبانی برنامه نویسی پایتون 00:38
-
روز 1: آشنایی با پایتون و راه اندازی توسعه 20:37
-
روز 2: کنترل جریان در پایتون 32:46
-
روز 3: توابع و ماژول ها 23:22
-
روز 4: ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها و مجموعه ها) 30:33
-
روز 5: کار با رشته ها 23:53
-
روز 6: مدیریت فایل 22:48
-
روز 7: کد پایتون و کار پروژه 39:28
-
مقدمه هفته 2: الزامات علم داده 00:44
-
روز 1: آشنایی با NumPy برای رایانش عددی 22:49
-
روز 2: عملیات های پیشرفته NumPy 21:33
-
روز 3: آشنایی با Pandas برای دستکاری داده 19:44
-
روز 4: پاکسازی و آماده سازی داده با Pandas 24:28
-
روز 5: تجمیع و گروه بندی داده در Pandas 15:09
-
روز 6: مصورسازی داده با Matplotlib و Seaborn 27:01
-
روز 7: پروژه تحلیل داده اکتشافی (EDA) 23:08
-
مقدمه هفته 3: ریاضیات برای یادگیری ماشین 00:42
-
روز 1: اصول جبر خطی 21:23
-
روز 2: مفاهیم پیشرفته جبر خطی 19:43
-
روز 3: حسابان برای یادگیری ماشین (مشتقات) 18:10
-
روز 4: حسابان برای یادگیری ماشین (انتگرال و بهینه سازی) 16:29
-
روز 5: نظریه احتمال و توزیع ها 25:07
-
روز 6: اصول آمار 19:08
-
روز 7: پروژه کوچک ریاضی محور - رگرسیون خطی از ابتدا 15:03
-
مقدمه هفته 4: احتمال و آمار برای یادگیری ماشین 00:45
-
روز 1: نظریه احتمال و متغیرهای تصادفی 18:34
-
روز 2: توزیع های احتمال در یادگیری ماشین 17:10
-
روز 3: استنباط آماری - برآورد و فواصل اطمینان 15:40
-
روز 4: آزمون فرضیه و مقدار احتمال یا P-Values 11:44
-
روز 5: انواع آزمون های فرضیه 18:41
-
روز 6: تحلیل رگرسیون و همبستگی 17:28
-
روز 7: پروژه تحلیل آماری - تحلیل داده واقعی 24:52
-
مقدمه هفته 5: آشنایی با یادگیری ماشین 00:46
-
روز 1: مبانی و اصطلاحات یادگیری ماشین 15:35
-
روز 2: آشنایی با یادگیری تحت نظارت و مدل های رگرسیون 15:48
-
روز 3: مدل های رگرسیون پیشرفته - رگرسیون چند جمله ای و منظم سازی 35:19
-
روز 4: آشنایی با دسته بندی و رگرسیون لجستیک 24:19
-
روز 5: ارزیابی مدل و اعتبارسنجی متقابل 16:00
-
روز 6: الگوریتم k-Nearest Neighbors (k-NN) 17:22
-
روز 7: پروژه کوچک یادگیری تحت نظارت 25:10
-
مقدمه هفته 6: مهندسی ویژگی و ارزیابی مدل 00:42
-
روز 1: آشنایی با مهندسی ویژگی 14:30
-
روز 2: مقیاس بندی و نرمال سازی داده 16:20
-
روز 3: رمزگذاری متغیرهای دسته بندی 16:48
-
روز 4: تکنیک های انتخاب ویژگی 16:21
-
روز 5: ایجاد و تبدیل ویژگی ها 18:08
-
روز 6: تکنیک های ارزیابی مدل 15:49
-
روز 7: اعتبارسنجی متقابل و تیونینگ هایپرپارامتر 20:03
-
مقدمه هفته 7: الگوریتم های پیشرفته یادگیری ماشین 00:40
-
روز 1: آشنایی با یادگیری گروهی 15:04
-
روز 2: Bagging و جنگل های تصادفی 14:22
-
روز 3: تقویت یا Boosting و تقویت گرادیان 16:07
-
روز 4: آشنایی با XGBoost 19:39
-
روز 5: LightGBM و CatBoost 20:21
-
روز 6: مدیریت داده نامتعادل 16:42
-
روز 7: پروژه یادگیری گروهی - مقایسه مدل ها در یک مجموعه داده واقعی 22:36
-
مقدمه هفته 8: بهینه سازی و تیونینگ مدل 00:52
-
روز 1: آشنایی با تیونینگ هایپرپارامتر 13:46
-
روز 2: جستجوی گرید و جستجوی تصادفی 16:09
-
روز 3: تیونینگ پیشرفته هایپرپارامتر با بهینه سازی بیزی 26:57
-
روز 4: تکنیک های منظم سازی برای بهینه سازی مدل 13:17
-
روز 5: تکنیک های ارزیابی مدل و اعتبارسنجی متقابل 13:00
-
روز 6: تیونینگ خودکار هایپرپارامتر با GridSearchCV و RandomizedSearchCV 19:28
-
روز 7: پروژه بهینه سازی - ساخت و تیونینگ مدل نهایی 22:45
-
مقدمه هفته 9: اصول شبکه های عصبی و یادگیری عمیق 00:47
-
روز 1: آشنایی با یادگیری عمیق و شبکه های عصبی 16:13
-
روز 2: Forward Propagation و توابع فعال سازی 14:43
-
روز 3: توابع زیان و Backpropagation 15:31
-
روز 4: تکنیک های بهینه سازی و گرادیان کاهشی 21:50
-
روز 5: ساخت شبکه های عصبی با TensorFlow و Keras 19:20
-
روز 6: ساخت شبکه های عصبی با PyTorch 26:28
-
روز 7: پروژه شبکه عصبی - دسته بندی تصویر در CIFAR-10 22:09
-
مقدمه هفته 10: شبکه های عصبی کانولوشن (CNN) 00:48
-
روز 1: آشنایی با شبکه های عصبی کانولوشن 26:16
-
روز 2: لایه ها و فیلترهای کانولوشن 23:48
-
روز 3: لایه های Pooling و کاهش ابعاد 23:58
-
روز 4: ساخت معماری های CNN با Keras و TensorFlow 17:46
-
روز 5: ساخت معماری های CNN با PyTorch 22:26
-
روز 6: منظم سازی و افزایش داده برای CNNs 18:39
-
روز 7: پروژه CNN - دسته بندی تصویر در Fashion MNIST یا CIFAR-10 27:34
-
مقدمه هفته 11: شبکه های عصبی بازگشتی (RNN) و مدل سازی توالی 00:49
-
روز 1: آشنایی با مدل سازی توالی و RNN ها 33:32
-
روز 2: درک معماری RNN و Backpropagation Through Time (BPTT) 24:31
-
روز 3: شبکه های حافظه طولانی کوتاه مدت (LSTM) 15:03
-
روز 4: واحدهای بازگشتی دروازه ای (GRU) 07:07
-
روز 5: پیش پردازش متن و تعبیه سازی های کلمه برای RNNs 24:02
-
روز 6: مدل ها و اپلیکیشن های Sequence-to-Sequence 43:09
-
روز 7: پروژه RNN - تولید متن یا تحلیل احساسات 17:55
-
مقدمه هفته 12: مکانیسم های Attention و ترنسفورمرها 00:48
-
روز 1: آشنایی با مکانیسم های Attention 15:17
-
روز 2: آشنایی با معماری ترنسفورمرها 18:19
-
روز 3: Self-Attention و Multi-Head Attention در ترنسفورمرها 21:00
-
روز 4: رمزگذاری موقعیتی و شبکه های Feed-Forward 20:21
-
روز 5: بخش عملی با ترنسفورمرهای از پیش آموزش دیده - BERT و GPT 19:37
-
روز 6: ترنسفورمرهای پیشرفته - واریانت های BERT و GPT-3 20:38
-
روز 7: پروژه ترنسفورمر - خلاصه سازی یا ترجمه متن 18:33
-
مقدمه هفته 13: یادگیری انتقالی و تیونینگ دقیق 00:45
-
روز 1: آشنایی با یادگیری انتقالی 14:52
-
روز 2: یادگیری انتقالی در بینایی کامپیوتر 26:26
-
روز 3: تکنیک های تیونینگ دقیق در بینایی کامپیوتر 21:46
-
روز 4: یادگیری انتقالی در NLP 17:00
-
روز 5: تکنیک های تیونینگ دقیق در NLP 26:04
-
روز 6: چالش های یادگیری انتقالی و تطبیق دامنه 14:52
-
روز 7: پروژه یادگیری انتقالی - تیونینگ دقیق برای یک تسک سفارشی 18:22
مشخصات آموزش
مسترکلاس انتشار سفارشی چت جی پی تی و بوت کمپ هوش مصنوعی
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:107
- مدت زمان :31:27:45
- حجم :17.29GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
The Great Courses
1,889,000
377,800 تومان
- زمان: 04:47:39
- تعداد درس: 30
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
9,269,000
1,853,800 تومان
- زمان: 23:28:00
- تعداد درس: 170
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
490,000
98,000 تومان
- زمان: 48:56
- تعداد درس: 12
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
490,000
98,000 تومان
- زمان: 55:18
- تعداد درس: 9
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
2,797,500
559,500 تومان
- زمان: 07:05:39
- تعداد درس: 75
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
490,000
98,000 تومان
- زمان: 58:24
- تعداد درس: 14
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
717,500
143,500 تومان
- زمان: 01:49:57
- تعداد درس: 22
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,296,500
259,300 تومان
- زمان: 03:17:14
- تعداد درس: 26
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
7,379,500
1,475,900 تومان
- زمان: 18:41:14
- تعداد درس: 133
-
سطح دوره:
-
زبان: دوبله فارسی