برنامه نویسی هوش مصنوعی در سی شارپ - از مبتدی تا خبره
✅ سرفصل و جزئیات آموزش
در این دوره با 14 پروژه عملی و 16 ساعت محتوا، درباره کدنویسی هوش مصنوعی، یادگیری ماشین، شبکه های عصبی و موارد دیگر در سی شارپ می آموزید.
آنچه یاد خواهید گرفت
- ساخت 14 پروژه هوش مصنوعی با استفاده از سی شارپ
- ایجاد هوش مصنوعی که با استفاده از کتابخانه TorchSharp در پیچ و خم ها ناوبری کند.
- کدنویسی شبکه عصبی و درک نحوه طراحی آن ها
- یاد می گیرید که چگونه مدل های یادگیری ماشین را ایجاد کنید.
- ایجاد هوش مصنوعی طبقه بندی که می تواند مثبت یا منفی بودن نقد فیلم را تشخیص دهد.
- ایجاد هوش مصنوعی طبقه بندی تصویر که می تواند تفاوت بین توله سگ و بچه گربه را تشخیص دهد.
- کدنویسی هوش مصنوعی رگرسیون که قیمت مسکن را پیش بینی می کند.
- ساخت هوش مصنوعی پیش بینی که قیمت های آتی سهام را پیش بینی کند.
- ایجاد هوش مصنوعی توصیه گر فیلم که بتواند فیلم هایی را بر اساس تاریخچه تماشای گذشته پیشنهاد دهد.
- کدنویسی هوش مصنوعی تحلیل احساسات که تعیین می کند نقد یک فیلم مثبت یا منفی است.
- ساخت هوش مصنوعی تشخیص ناهنجاری که می تواند ناهنجاری ها را در داده شبکه، مانند تهدیدات امنیتی، شناسایی کند.
- توسعه هوش مصنوعی تولید متن که متنی به سبک شکسپیر تولید کند.
- ایجاد هوش مصنوعی تحلیل سری زمانی که قادر خواهد بود ترافیک آینده وب سایت را پیش بینی کند.
- کدنویسی هوش مصنوعی خوشه بندی که مشتریان را بر اساس سابقه خریدشان به خوشه هایی دسته بندی می کند.
- ساخت هوش مصنوعی یادگیری تقویتی که یاد می گیرد چگونه دوز بازی کند.
- ایجاد کاراکتر بازی با هوش مصنوعی که جمع آوری، مسیریابی و اجتناب از موانع را در موتور بازی یونیتی انجام می دهد.
- کسب درک درستی از مدل های زبانی بزرگ (LLM)
- تسلط به استفاده از ChatGPT برای بهره وری بیشتر و کمک به شما در تسک های روزانه
- یادگیری جبر خطی و کاربردهای آن در توسعه هوش مصنوعی
- درک الگوریتم های هوش مصنوعی مانند Q-Learning، گرادیان سیاست، *A و موارد دیگر
- یادگیری بهترین شیوه ها برای بهینه سازی و تیونینگ دقیق مدل های هوش مصنوعی
- کسب درک درستی از دستکاری و تحلیل داده
- کسب تجربه عملی با محاسبات علمی با استفاده از NumSharp
- استفاده از کتابخانه Deedle برای انجام تحلیل داده سری زمانی
- گنجاندن بخش رفرشر سی شارپ برای بررسی مهارت ها و مفاهیم کلیدی
پیش نیازهای دوره
- کامپیوتری که ویندوز، مک یا لینوکس دارد.
- دانش اولیه برنامه نویسی سی شارپ (اما یک بخش رفرشر در دوره گنجانده شده است.)
- داشتن هیجان در مورد مبحث هوش مصنوعی
- همه برنامه های استفاده شده رایگان هستند (یونیتی برای ایجاد یک حساب کاربری رایگان به ایمیل نیاز دارد)
توضیحات دوره
هدف از دوره این است که دانشجویی با تجربه کم یا بدون تجربه در برنامه نویسی هوش مصنوعی را بپذیرد و با استفاده از زبان برنامه نویسی سی شارپ به متخصص کامل در این مبحث تبدیل شود.
مباحث تحت پوشش
- مهارت هایی را که برای رسیدن به اولین شغل توسعه هوش مصنوعی خود نیاز دارید، می سازید.
- با یادگیری برنامه نویسی هوش مصنوعی برای بهبود بهره وری، حرفه خود را به سطح بعدی می برید.
- از مهارت های سی شارپ خود برای ساخت برنامه های هوش مصنوعی استفاده می کنید.
- الگوریتم های مختلفی را که برای وادار کردن هوش مصنوعی به فکر و یادگیری مانند یک انسان استفاده می شوند، درک می کنید.
- با استفاده از زبان برنامه نویسی سی شارپ، پروژه های هیجان انگیز هوش مصنوعی را ایجاد می کنید.
این آموزش برنامه نویسی هوش مصنوعی در سی شارپ دوره ای است که برای انجام همه این ها و موارد دیگر نیاز دارید.
چرا باید برنامه نویسی هوش مصنوعی را یاد بگیرید؟
- هوش مصنوعی به سرعت در سراسر جهان محبوب تر می شود، تقریباً در تمام صنایع
- با یادگیری ساخت برنامه های هوش مصنوعی می توانید خود را متمایز کنید و شغل فعلی خود را پیش ببرید.
- با رشد سریع هوش مصنوعی، نقش های باز زیادی برای توسعه دهندگان هوش مصنوعی وجود دارد.
- توسعه دهندگان هوش مصنوعی حقوق بسیار پرسودی می گیرند.
- هوش مصنوعی احتمالاً شغل شما را نمی پذیرد. بلکه شخصی که می داند چگونه از هوش مصنوعی بهتر از شما استفاده کند برنده است.
ساختار دوره چگونه است؟
این دوره به ترتیب از پایه به متوسط و سپس به پیشرفته می رود.
در مجموع 27 بخش در دوره و 14 پروژه عملی وجود دارد که ما به صورت گام به گام خواهیم ساخت. شما نه تنها دانش مفهومی و تئوریک به دست خواهید آورد، بلکه تمرینات زیادی را نیز در عملی کردن این مفاهیم با استفاده از کدنویسی سی شارپ دریافت خواهید کرد.
اکثر بخش های دوره دارای یک آزمون در پایان هستند، سپس یک ویدئو که پاسخ سؤالات آزمون را توضیح می دهد. این بدان معنا است که همانطور که مطالب را یاد می گیرید، اطمینان حاصل می کنید که مفاهیم و مهارت های کلیدی را قبل از رفتن به مبحث بعدی درک می کنید.
در این دوره چه مباحثی تدریس می شود؟
- مفاهیم هوش مصنوعی
- Generative AI با ChatGPT
- هوش مصنوعی که پیچ و خم ها را حل می کند.
- شبکه های عصبی
- یادگیری ماشین با ML NET
- عملی - ایجاد هوش مصنوعی طبقه بندی
- عملی - ساخت هوش مصنوعی طبقه بندی تصویر
- عملی - کدنویسی هوش مصنوعی رگرسیون
- عملی - توسعه هوش مصنوعی پیش بینی
- عملی - توسعه هوش مصنوعی توصیه گر
- عملی - توسعه هوش مصنوعی تحلیل احساسات
- عملی - توسعه هوش مصنوعی تشخیص ناهنجاری
- عملی - توسعه هوش مصنوعی تولید متن
- عملی - توسعه هوش مصنوعی تحلیل سری زمانی
- عملی - توسعه هوش مصنوعی خوشه بندی
- عملی - توسعه هوش مصنوعی یادگیری تقویتی
- اصول دستکاری و تحلیل داده
- اعداد NET در ریاضی برای تحلیل داده
- NumSharp برای محاسبات علمی
- Deedle برای تحلیل داده سری زمانی
- Accord NET برای یادگیری ماشین و تجزیه و تحلیل آماری
- ایجنت های یادگیری ماشین در یونیتی (هوش مصنوعی هوشمند برای بازی های ویدئویی)
- بهترین شیوه ها و بهینه سازی
- پیوست 1 - رفرشر سی شارپ
- پیوست 2 - جبر خطی
این دوره چه تفاوتی با سایر دوره های هوش مصنوعی در یودمی دارد؟
در حالی که دوره های توسعه هوش مصنوعی فراوانی در یودمی وجود دارد، این دوره اولین دوره ای است که درک جامعی از برنامه نویسی هوش مصنوعی با استفاده از سی شارپ ارائه می دهد. سایر دوره ها روی زبان هایی مانند پایتون تمرکز می کنند که یک زبان عالی است که مزایای زیادی دارد. اما اگر قبلاً سی شارپ می دانید یا در شغلی کار می کنید که روزانه از سی شارپ استفاده می کند، چرا کدنویسی هوش مصنوعی را به زبانی که در حال حاضر استفاده می کنید، یاد نگیرید؟
این دوره روی طیف گسترده ای از مباحث از جمله اصول توسعه هوش مصنوعی، یادگیری ماشین، شبکه های عصبی، Chat GPT، مدل های زبانی بزرگ، کاراکترهای هوش مصنوعی بازی های ویدئویی، طبقه بندی، رگرسیون، پیش بینی، توصیه، تحلیل احساسات، تشخیص ناهنجاری، تولید متن، تحلیل سری های زمانی، خوشه بندی، یادگیری تقویتی، تحلیل داده، محاسبات علمی، تجزیه و تحلیل آماری، بهینه سازی هوش مصنوعی، جبر خطی و برنامه نویسی سی شارپ تمرکز دارد.
آیا پروژه های واقعی در این دوره وجود دارد که بتوانید مهارت هایی را که به صورت عملی یاد می گیرید به کار ببرید؟
بله وجود دارد! در واقع شما در این دوره 14 پروژه هوش مصنوعی عملی خواهید ساخت. شما از مهارت های سی شارپ خود برای توسعه موارد زیر استفاده خواهید کرد:
- هوش مصنوعی که با استفاده از کتابخانه TorchSharp در پیچ و خم ها ناوبری می کند.
- یک شبکه عصبی
- هوش مصنوعی طبقه بندی که می تواند مثبت یا منفی بودن نقد فیلم را تشخیص دهد.
- هوش مصنوعی طبقه بندی تصویر که می تواند تفاوت بین توله سگ و بچه گربه را تشخیص دهد.
- هوش مصنوعی رگرسیون که قیمت مسکن را پیش بینی می کند.
- هوش مصنوعی پیش بینی کننده که قیمت های آتی سهام را پیش بینی می کند.
- هوش مصنوعی توصیه گر فیلم که می تواند فیلم هایی را بر اساس سابقه تماشای گذشته پیشنهاد دهد
- هوش مصنوعی تحلیل احساسات که تعیین می کند آیا نقد فیلم مثبت، منفی یا خنثی است.
- هوش مصنوعی تشخیص ناهنجاری که می تواند ناهنجاری ها را در داده شبکه، مانند تهدیدات امنیتی، شناسایی کند.
- هوش مصنوعی تولید متن که متنی به سبک شکسپیر را بر اساس ورودی کاربر تولید می کند.
- هوش مصنوعی تحلیل سری زمانی که قادر خواهد بود ترافیک آینده وب سایت را پیش بینی کند.
- هوش مصنوعی خوشه بندی که مشتریان را بر اساس تاریخچه خریدشان به خوشه هایی دسته بندی می کند.
- هوش مصنوعی یادگیری تقویتی که یاد می گیرد چگونه دوز بازی کند.
- کاراکتر بازی با هوش مصنوعی که جمع آوری، مسیریابی و اجتناب از موانع را در موتور بازی یونیتی انجام می دهد.
ما شما را در ساخت هر یک از این پروژه ها گام به گام راهنمایی می کنیم، بنابراین نگران سردرگمی یا گیر افتادن نباشید! دانشجویان ما می دانند که مفاهیم بزرگ را به اطلاعات قابل هضم تقسیم می کنیم که هر کسی می تواند آن را بفهمد.
این دوره برای چه کسانی مناسب است؟
- کسی که می خواهد برنامه نویسی هوش مصنوعی را با استفاده از سی شارپ یاد بگیرد.
- توسعه دهندگان سی شارپ که می خواهند از هوش مصنوعی برای ارتقای حرفه خود به سطح بعدی استفاده کنند.
- مبتدیانی که با هوش مصنوعی کار نکرده اند و می خواهند به آن تسلط پیدا کنند.
برنامه نویسی هوش مصنوعی در سی شارپ - از مبتدی تا خبره
-
مقدمه 08:01
-
آشنایی با هوش مصنوعی (AI) 03:28
-
چرا کدنویسی هوش مصنوعی را یاد بگیریم؟ 02:51
-
در این دوره چه خواهیم ساخت؟ 08:19
-
دانلود و نصب ویژوال استودیو کد با کیت توسعه دهنده سی شارپ (مک) 02:47
-
دانلود و نصب ویژوال استودیو کد با کیت توسعه دهنده سی شارپ (ویندوز) 01:15
-
مقدمه بخش 01:07
-
انواع هوش مصنوعی 04:39
-
شبکه های عصبی 03:14
-
یادگیری ماشین 03:53
-
Q-Learning 02:58
-
Q-Learning عمیق 04:49
-
Q-Learning کانولوشن عمیق 05:36
-
Advantage Actor-Critic (A3C) غیرهمزمان 05:29
-
مدل های زبانی بزرگ (LLM) 06:19
-
Generative AI 06:44
-
بینایی کامپیوتری 05:01
-
مبانی هوش مصنوعی None
-
پاسخ ها و توضیحات به سوالات آزمون 04:37
-
خلاصه بخش 00:47
-
مقدمه بخش 01:03
-
ChatGPT چیست؟ 04:43
-
نوشتن پرامپت های موثرتر Generative AI 03:07
-
پروژه ChatGPT 1 - استفاده از ChatGPT برای طوفان فکری ایده ها 03:05
-
پروژه ChatGPT 2 - استفاده از ChatGPT برای نوشتن اولین پیش نویس 03:36
-
پروژه ChatGPT 3 - استفاده از ChatGPT برای ایجاد یک برنامه تمرینی 01:37
-
پروژه ChatGPT 4 - استفاده از ChatGPT برای خلاصه سازی یک کتاب 02:16
-
پروژه ChatGPT 5 - استفاده از ChatGPT برای نوشتن کد 01:07
-
Generative AI None
-
پاسخ ها و توضیحات به سوالات آزمون 01:07
-
خلاصه بخش 00:52
-
مقدمه بخش 00:41
-
TorchSharp چیست؟ 01:09
-
ایجاد پیچ و خم (محیط زیست) 02:47
-
اقدامات و پاداش ها 03:05
-
آموزش مدل 08:02
-
نتیجه نهایی 06:51
-
ناوبری پیچ و خم None
-
پاسخ ها و توضیحات به سوالات آزمون 01:00
-
خلاصه بخش 00:39
-
مقدمه بخش 01:02
-
شبکه عصبی چیست؟ 02:18
-
معماری شبکه عصبی 11:33
-
نگاهی مختصر به پروژه تمام شده 01:27
-
کدنویسی یک شبکه عصبی - کلاس شبکه عصبی 02:18
-
کدنویسی یک شبکه عصبی - تابع فعال سازی 04:05
-
کدنویسی یک شبکه عصبی - تابع آموزش 02:17
-
کدنویسی یک شبکه عصبی - تابع ضرب داخلی 01:48
-
کدنویسی یک شبکه عصبی - انجام تابع عملیاتی 01:49
-
کدنویسی یک شبکه عصبی - تابع ترانهادگی 02:12
-
کدنویسی یک شبکه عصبی - تست کد ما 04:36
-
کاربردهای واقعی شبکه های عصبی 03:06
-
شبکه های عصبی None
-
پاسخ ها و توضیحات به سوالات آزمون 01:47
-
خلاصه بخش 00:53
-
مقدمه بخش 01:05
-
ML.NET چیست؟ 04:14
-
راه اندازی ML.NET 01:21
-
آشنایی با یادگیری ماشین با ML.NET 06:31
-
آماده سازی و بارگذاری داده در ML.NET 04:13
-
مهندسی ویژگی در ML.NET 04:29
-
انتخاب و ارزیابی مدل در ML.NET 09:03
-
آموزش و تیونینگ مدل ها در ML.NET 02:31
-
یکپارچه سازی و استقرار مدل با ML.NET 03:59
-
یادگیری ماشین None
-
پاسخ ها و توضیحات به سوالات آزمون 03:39
-
خلاصه بخش 00:50
-
مقدمه بخش 00:58
-
طبقه بندی 05:49
-
نگاهی مختصر به پروژه تکمیل شده 01:21
-
ایجاد پروژه 01:32
-
راه اندازی داده 01:19
-
بارگذاری داده 05:02
-
آموزش مدل 03:21
-
ارزیابی و تست مدل 03:57
-
طبقه بندی None
-
پاسخ ها و توضیحات به سوالات آزمون 03:26
-
خلاصه بخش 00:45
-
مقدمه بخش 00:56
-
طبقه بندی تصویر 01:58
-
نگاهی مختصر به پروژه تکمیل شده 01:34
-
ایجاد پروژه 01:10
-
راه اندازی داده 00:50
-
بارگذاری داده 06:49
-
آموزش مدل 03:06
-
ارزیابی و تست مدل 03:46
-
طبقه بندی تصویر None
-
پاسخ ها و توضیحات به سوالات آزمون 02:01
-
خلاصه بخش 00:43
-
مقدمه بخش 00:48
-
رگرسیون 06:59
-
نگاهی مختصر به پروژه تکمیل شده 01:52
-
ایجاد پروژه 01:25
-
پیش پردازش و بارگذاری داده 04:34
-
آموزش مدل 01:27
-
ارزیابی مدل 00:46
-
تست مدل 01:41
-
رگرسیون None
-
پاسخ ها و توضیحات به سوالات آزمون 02:28
-
خلاصه بخش 00:38
-
مقدمه بخش 00:51
-
پیش بینی 05:50
-
نگاهی مختصر به پروژه تکمیل شده 01:04
-
ایجاد پروژه 01:30
-
راه اندازی داده 01:35
-
بارگذاری داده 01:08
-
آموزش مدل 01:34
-
ارزیابی و تست مدل 02:05
-
پیش بینی None
-
پاسخ ها و توضیح ها به سوالات آزمون 01:54
-
خلاصه بخش 00:35
-
مقدمه بخش 00:51
-
توصیه 06:04
-
نگاهی مختصر به پروژه تکمیل شده 01:13
-
ایجاد پروژه 00:57
-
پیش پردازش داده 05:28
-
بارگذاری داده 02:39
-
آموزش مدل 05:02
-
ارزیابی و تست مدل 03:04
-
توصیه None
-
پاسخ ها و توضیح ها به سوالات آزمون 02:13
-
خلاصه بخش 00:32
-
مقدمه بخش 00:53
-
تحلیل احساسات 05:27
-
نگاهی مختصر به پروژه تکمیل شده 02:04
-
ایجاد پروژه 01:18
-
پیش پردازش داده 03:05
-
بارگذاری داده 01:26
-
آموزش مدل 01:25
-
ارزیابی و تست مدل 03:24
-
تحلیل احساسات None
-
پاسخ ها و توضیحات به سوالات آزمون 02:33
-
خلاصه بخش 00:48
-
مقدمه بخش 00:56
-
تشخیص ناهنجاری 03:09
-
نگاهی مختصر به پروژه تکمیل شده 03:59
-
ایجاد پروژه 01:31
-
پیش پردازش داده 02:08
-
بارگذاری داده 01:19
-
آموزش مدل 01:24
-
ارزیابی و تست مدل 02:30
-
تشخیص ناهنجاری None
-
پاسخ ها و توضیحات به سوالات آزمون 01:54
-
خلاصه بخش 00:45
-
مقدمه بخش 00:55
-
تولید متن 04:13
-
نگاهی مختصر به پروژه تکمیل شده 03:46
-
ایجاد پروژه 01:29
-
پیش پردازش داده 01:02
-
بارگذاری داده 01:03
-
آموزش مدل 02:40
-
ارزیابی و تست مدل 04:00
-
تولید متن None
-
پاسخ ها و توضیحات به سوالات آزمون 02:28
-
خلاصه بخش 00:43
-
مقدمه بخش 00:58
-
تحلیل سری زمانی 03:16
-
نگاهی مختصر به پروژه تکمیل شده 00:49
-
ایجاد پروژه 01:32
-
بارگذاری داده 01:50
-
پیش پردازش داده 01:30
-
آموزش مدل 01:18
-
ارزیابی و تست مدل 06:22
-
تحلیل سری زمانی None
-
پاسخ ها و توضیحات به سوالات آزمون 01:49
-
خلاصه بخش 00:46
-
مقدمه بخش 00:53
-
خوشه بندی 03:28
-
نگاهی مختصر به پروژه تکمیل شده 00:57
-
ایجاد پروژه 01:36
-
بارگذاری داده 02:10
-
آموزش مدل 01:09
-
ارزیابی و تست مدل 01:30
-
خوشه بندی None
-
پاسخ ها و توضیحات به سوالات آزمون 01:38
-
خلاصه بخش 00:44
-
مقدمه بخش 00:51
-
یادگیری تقویتی 05:18
-
نگاهی مختصر به پروژه تکمیل شده 00:38
-
ایجاد پروژه 01:11
-
راه اندازی محیط 04:24
-
تعریف الگوریتم Q-Learning 04:27
-
پیاده سازی فرآیند آموزش 03:27
-
تست ایجنت آموزش دیده 02:22
-
یادگیری تقویتی None
-
پاسخ ها و توضیحات به سوالات آزمون 01:59
-
خلاصه بخش 00:40
-
مقدمه بخش 00:56
-
خواندن و نوشتن داده در فایل ها 06:57
-
تکنیک های پیش پردازش داده 07:33
-
تحلیل داده اکتشافی (EDA) 09:56
-
مهندسی ویژگی 06:58
-
یکپارچه سازی و تجمیع داده 04:57
-
دستکاری و تحلیل داده None
-
پاسخ ها و توضیحات به سوالات آزمون 02:05
-
خلاصه بخش 00:41
-
مقدمه بخش 01:31
-
آشنایی با اعداد Math.NET 03:58
-
تجزیه و تحلیل آماری با اعداد Math.NET 03:08
-
عملیات های جبر خطی با اعداد Math.NET 03:44
-
انتگرال گیری و دیفرانسیل گیری اعداد 02:27
-
حل معادلات و سیستم های خطی 04:03
-
برازش منحنی و تکنیک های درون یابی 03:52
-
متدهای بهینه سازی در اعداد Math.NET 02:38
-
ماتریس های پراکندگی و فرمت های ذخیره سازی فشرده 03:24
-
تجزیه مقدار ویژه و تجزیه مقادیر منفرد 03:47
-
تحلیل داده چند متغیره و کاهش ابعاد 08:37
-
اعداد Math.NET برای تحلیل داده None
-
پاسخ ها و توضیحات به سوالات آزمون 02:13
-
خلاصه بخش 01:20
-
مقدمه بخش 01:06
-
آشنایی با NumSharp 05:27
-
کار با آرایه ها در NumSharp 06:06
-
عملیات های اولیه ریاضی با NumSharp 05:31
-
ایندکس گذاری و اسلایس کردن آرایه ها در NumSharp 04:43
-
عملیات های جبر خطی با NumSharp 01:51
-
تجزیه و تحلیل آماری با NumSharp 03:12
-
برودکستینگ آرایه و توابع جهانی (ufuncs) 04:10
-
تکنیک های پیشرفته دستکاری آرایه 02:24
-
NumSharp برای محاسبات علمی None
-
پاسخ ها و توضیحات به سوالات آزمون 02:19
-
خلاصه بخش 00:57
-
مقدمه بخش 01:17
-
آشنایی با Deedle 03:39
-
بارگذاری و دستکاری داده سری های زمانی با Deedle 03:18
-
عملیات های اولیه سری های زمانی با Deedle 03:10
-
نمونه گیری مجدد و تجمیع داده سری های زمانی 03:15
-
اسلایس کردن و ایندکس گذاری سری زمانی در Deedle 03:34
-
مدیریت داده گمشده در تحلیل سری های زمانی با Deedle 03:23
-
Rolling Windows و میانگین های متحرک 01:59
-
مصورسازی سری های زمانی با Deedle 03:22
-
ایستایی و تحلیل روند در داده سری های زمانی 05:01
-
تست ایستایی با Deedle 02:10
-
یکپارچه سازی با ML.NET برای پیش بینی سری های زمانی 05:53
-
Deedle برای تحلیل داده سری های زمانی None
-
پاسخ ها و توضیحات به سوالات آزمون 03:10
-
خلاصه بخش 01:09
-
مقدمه بخش 01:19
-
آشنایی با Accord.NET 03:20
-
بارگذاری و پیش پردازش داده با Accord.NET 03:57
-
تحلیل داده اکتشافی (EDA) با Accord.NET 05:31
-
تجزیه و تحلیل آماری اولیه با Accord.NET 07:53
-
الگوریتم های طبقه بندی در Accord.NET 04:35
-
تکنیک های رگرسیون با Accord.NET 04:17
-
متدهای خوشه بندی در Accord.NET 03:25
-
تکنیک های کاهش ابعاد 02:43
-
یادگیری گروهی و جنگل های تصادفی در Accord.NET 04:51
-
ماشین های بردار پشتیبان (SVM) با Accord.NET 03:07
-
شبکه های عصبی و یادگیری عمیق با Accord.NET 03:05
-
Accord.NET برای یادگیری ماشین و تجزیه و تحلیل آماری None
-
پاسخ ها و توضیحات به سوالات آزمون 05:53
-
خلاصه بخش 03:07
-
مقدمه بخش 02:07
-
دانلود و نصب یونیتی 01:35
-
ایجنت های یادگیری ماشین چیست؟ 02:14
-
ایمپورت ایجنت های یادگیری ماشین در پکیج یونیتی 01:12
-
ایجنت های یادگیری ماشین در یونیتی - ساخت ایجنت Mario 06:31
-
راه اندازی محیط Mario - طراحی و مقداردهی اولیه سطح 13:02
-
مشاهدات و اکشن ها - فضاهای ورودی و خروجی 02:03
-
گردآوری سکه - پاداش ها و الگوریتم حریصانه 09:59
-
گردآوری سکه پیشرفته - Q-Learning و گرادیان سیاست 07:05
-
استراتژی های اجتناب از موانع و مسیریابی برای Mario 04:22
-
تنظیم دشواری پویا - الگوریتم های تطبیقی 02:21
-
طراحی رابط کاربری - انتخاب و پیکربندی الگوریتم 07:47
-
ارزیابی عملکرد Mario - متریک ها و مصورسازی 03:18
-
تیونینگ دقیق هایپرپارامتر - تکنیک های بهینه سازی 03:17
-
مدیریت پاداش های پراکنده - شکل دهی پاداش و تقریب تابع 01:45
-
استراتژی های اکتشاف و استخراج - Epsilon-Greedy و بیشینه هموار 04:38
-
اشکال زدایی و عیب یابی ایجنت های یادگیری ماشین 02:44
-
تفسیر پذیری مدل - درک رفتار ایجنت 02:50
-
استراتژی های یادگیری انتقالی و پیوسته 06:15
-
استقرار ایجنت آموزش دیده Mario در یونیتی 02:15
-
آزمون ایجنت های یادگیری ماشین در یونیتی None
-
پاسخ ها و توضیحات به سوالات آزمون 02:50
-
خلاصه بخش 02:05
-
مقدمه بخش 01:06
-
ارزیابی عملکرد مدل - متریک ها و تکنیک ها 02:57
-
استراتژی های تیونینگ هایپرپارامتر برای عملکرد بهتر 03:08
-
گرید در مقابل جستجوی تصادفی - بهینه سازی هایپرپارامتر 04:15
-
بهینه سازی بیزی برای تیونینگ هایپرپارامتر 03:36
-
یادگیری ماشین خودکار (AutoML) برای انتخاب مدل 03:14
-
تکنیک های تفسیرپذیری مدل 03:09
-
هرس کردن مدل ها برای کارایی 03:14
-
کوانتیزاسیون و فشرده سازی برای بهینه سازی مدل 03:19
-
آموزش توزیع شده - مقیاس بندی آموزش مدل 02:35
-
بهترین شیوه ها و بهینه سازی None
-
پاسخ ها و توضیحات به سوالات آزمون 03:56
-
خلاصه بخش 01:03
-
مقدمه بخش 02:07
-
آشنایی با زبان برنامه نویسی سی شارپ 03:49
-
آشنایی با متغیرها و تایپ های داده در سی شارپ 04:15
-
کنترل جریان - دستورات If و دستورات Switch 02:55
-
ایجاد حلقه ها - حلقه های For ،While و Do-While 02:59
-
آشنایی با برنامه نویسی شی گرا (OOP) در سی شارپ 03:13
-
کپسوله سازی - دسترسی به مودیفایرها و مخفی سازی داده 02:58
-
کار با کالکشن ها - آرایه ها، لیست ها و دیکشنری ها 02:57
-
آشنایی با جنریک ها در سی شارپ 03:19
-
مدیریت خطا - مدیریت استثنا و بلوک های Try-Catch 02:45
-
برنامه نویسی غیرهمزمان با async و await 03:11
-
اصول LINQ - کوئری کردن کالکشن ها 02:49
-
عملگرهای LINQ - فیلترینگ، مرتب سازی و گروه بندی داده 02:49
-
Delegates و رویدادها - درک برنامه نویسی رویداد محور 05:14
-
بازتاب و Attributes در سی شارپ - دسترسی به اطلاعات تایپ 05:44
-
عملیات های ورودی و خروجی فایل - خواندن و نوشتن فایل ها 04:46
-
کار با استریم ها - عملیات های ورودی و خروجی مبتنی بر استریم 07:48
-
بهترین شیوه ها و استانداردهای کدنویسی برای برنامه نویسی سی شارپ 02:54
-
برنامه نویسی سی شارپ None
-
پاسخ ها و توضیحات به سوالات آزمون 02:39
-
خلاصه بخش 02:03
-
مقدمه بخش 01:29
-
آشنایی با جبر خطی 09:02
-
ماتریس ها و عملیات ها 06:36
-
حل سیستم های خطی 10:29
-
فضاها و زیرفضاهای برداری 03:55
-
استقلال و اسپن خطی 03:59
-
تعامد و ماتریس های متعامد 04:01
-
تبدیلات ماتریس و هندسه 03:48
-
نورم ها و ضرب داخلی 02:27
-
مقادیر ویژه و بردارهای ویژه 03:30
-
رتبه ماتریس و فضای Null 04:11
-
تجزیه مقدار منفرد (SVD) 04:34
-
برآورد حداقل مربعات 03:21
-
تبدیلات خطی و کرنل 04:17
-
تحلیل مولفه های اصلی (PCA) و کاهش ابعاد 04:11
-
کاربردهای جبر خطی در یادگیری ماشین 03:54
-
جبر خطی None
-
پاسخ ها و توضیحات به سوالات آزمون 01:29
-
خلاصه بخش 01:15
-
جمع بندی و خلاصه دوره 04:21
-
درس جایزه 02:41
مشخصات آموزش
برنامه نویسی هوش مصنوعی در سی شارپ - از مبتدی تا خبره
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:330
- مدت زمان :16:01:11
- حجم :8.03GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy