اصول هوش مصنوعی و یادگیری ماشین

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

توضیحات دوره

این دوره مقدمه‌ای جامع در مورد کامپوننت‌های اساسی زیرساخت هوش مصنوعی و یادگیری ماشین (AI و ML) ارائه می‌دهد. شما عناصر حیاتی محیط‌های هوش مصنوعی و یادگیری ماشین، از جمله پایپ‌لاین‌های داده، فریمورک‌های توسعه مدل و پلتفرم‌های استقرار را بررسی خواهید کرد. این دوره تأکید بر اهمیت طراحی قوی و مقیاس‌پذیر در زیرساخت هوش مصنوعی و یادگیری ماشین دارد.

در پایان این دوره، شما قادر خواهید بود:

کامپوننت‌های حیاتی زیرساخت هوش مصنوعی و یادگیری ماشین و روابط درونی آن‌ها را تحلیل، توصیف و به‌طور انتقادی مورد بحث قرار دهید.
پایپ‌لاین‌های داده مؤثر را برای گردش‌کارهای هوش مصنوعی و یادگیری ماشین تحلیل، توصیف و به‌طور انتقادی مورد بحث قرار دهید.
فریمورک‌های توسعه مدل را برای برنامه‌های مختلف هوش مصنوعی و یادگیری ماشین تحلیل و ارزیابی کنید.
مدل‌های هوش مصنوعی و یادگیری ماشین را برای استقرار در محیط‌های تولید آماده کنید.

برای موفقیت در این دوره، باید دانش برنامه‌نویسی سطح متوسط پایتون، همچنین دانش اولیه قابلیت‌های هوش مصنوعی و یادگیری ماشین و قابلیت‌های جدیدتر Generative AI (GenAI) و مدل‌های زبانی بزرگ از پیش آموزش دیده (LLM) داشته باشید. آشنایی با آمار نیز توصیه می‌شود.

اصول هوش مصنوعی و یادگیری ماشین

فصل 1: بررسی محیط‌های هوش مصنوعی و یادگیری ماشین

بررسی برنامه گواهینامه حرفه‌ای و پیشرفته مهندسی هوش مصنوعی و یادگیری ماشین 3:35
بررسی اصول زیرساخت هوش مصنوعی و یادگیری ماشین 4:02
یک روز در زندگی یک مهندس هوش مصنوعی و یادگیری ماشین 3:57
آغاز کار با Jupyter Notebooks در Azure Machine Learning Studio 6:17
بررسی زیرساخت هوش مصنوعی و یادگیری ماشین 5:42
منابع داده و پایپ‌لاین‌ها، فریمورک‌ها و پلتفرم‌ها 5:23
آشنایی با منابع داده و پایپ‌لاین‌ها 4:44
مثال‌هایی از منابع داده و پایپ‌لاین‌ها 5:49
آشنایی با رویکردها و فریمورک‌های توسعه مدل 4:51
آشنایی با پلتفرم‌های استقرار 5:15
اهمیت پلتفرم‌های استقرار 5:20
ویژگی‌ها و الزامات برای استقرار مؤثر 5:59
خلاصه: کاربردهای هوش مصنوعی و یادگیری ماشین 3:49
نمونه‌ای از صنعت: استقرار مدل 3:39
به انجمن کورسرا خوش آمدید None
بحث: مسئولیت‌های مهندس هوش مصنوعی و یادگیری ماشین None
بروزرسانی‌های مایکروسافت None
فعالیت تمرینی: محیط خود را در مایکروسافت آژور راه‌اندازی کنید None
بررسی: محیط خود را در مایکروسافت آژور راه‌اندازی کنید (اختیاری) None
انتخاب استراتژی مناسب استقرار مدل در مایکروسافت آژور None
فعالیت تمرینی: انتخاب استراتژی مناسب استقرار مدل در مایکروسافت آژور None
بررسی: انتخاب مدل خود را توجیه کنید(اختیاری) None
برنامه درسی دوره: اصول زیرساخت AI و یادگیری ماشین None
توضیح ساختار و نقش منابع داده و پایپ‌لاین‌ها None
بررسی عمیق منابع داده و پایپ‌لاین‌ها None
توضیح فریمورک‌های توسعه مدل و کاربردهای آن‌ها None
ملاحظات کلیدی در انتخاب یک فریمورک توسعه مدل None
فعالیت تمرینی: انتخاب یک فریمورک مناسب برای یک مسئله پیچیده کسب‌وکار None
توضیح انتخاب فریمورک None
راهنمای عملی: استقرار مدل‌های هوش مصنوعی و یادگیری ماشین None
فعالیت تمرینی: پلتفرم‌های استقرار None
بررسی: مسئله کسب‌وکار نگهداری پیش‌بینی‌شده (اختیاری) None

فصل 2: مدیریت داده در هوش مصنوعی و یادگیری ماشین

بررسی منابع داده 5:32
متدهای اکتساب داده 6:27
اهمیت پاک‌سازی و پیش‌پردازش داده 4:45
بررسی RAG 5:07
بهترین شیوه‌ها برای حفظ منابع داده مؤثر برای RAG 5:22
خلاصه: مدیریت داده در هوش مصنوعی و یادگیری ماشین 6:21
از یک متخصص بشنوید: نمونه‌ای از صنعت 4:47
ابزارها و کتابخانه‌ها برای اکتساب داده: تمرکز بر اس کیوال None
فعالیت تمرینی: راه‌اندازی یک Data Scraper اولیه در پایتون None
بررسی: راه‌اندازی یک Data Scraper پایتون محلی (اختیاری) None
فعالیت تمرینی: واکشی یک سند با Web Scraper پایتون None
بررسی: واکشی یک سند با Web Scraper پایتون (اختیاری) None
مدیریت مقادیر گمشده، داده پرت، نرمال‌سازی و تبدیل داده None
فعالیت تمرینی: راه‌اندازی یک ابزار پاک‌سازی و پیش‌پردازش داده محلی None
بررسی: راه‌اندازی یک ابزار پیش‌پردازش داده (اختیاری) None
فعالیت تمرینی: اعمال ابزار پیش‌پردازش بر روی یک مجموعه داده جعلی برای کاربرد یادگیری ماشین None
بررسی: پاک‌سازی داده و پیش‌پردازش (اختیاری) None
بحث: پاک‌سازی داده و پیش‌پردازش داده پرت None
مقایسه منابع داده برای RAG و پایپ‌لاین‌های یادگیری ماشین سنتی None
شناسایی خطا در جمع‌آوری داده None
چگونه خطاها را در جمع‌آوری داده شناسایی کنیم؟ (اختیاری) None
اهمیت امنیت داده در توسعه هوش مصنوعی None
شیوه‌های رایج امنیت داده None
مطالعات موردی واقعی از نقض داده None
فعالیت تمرینی: حسابرسی کد یادگیری ماشین برای آسیب‌پذیری‌های امنیتی None
بررسی: حسابرسی کد یادگیری ماشین برای آسیب‌پذیری‌های امنیتی (اختیاری) None

فصل 3: در نظر گرفتن و انتخاب فریمورک‌های مدل

ویژگی‌های کلیدی و موارد استفاده برای فریمورک‌ها و مدل‌ها 6:05
قابلیت اعمال مدل‌های زبانی بزرگ از پیش‌آموزش‌دیده 5:25
راهنمای پیاده‌سازی یک مدل ساده در تنسورفلو 6:22
راهنمای پیاده‌سازی یک مدل ساده در پای تورچ 6:17
معیار انتخاب فریمورک‌ها بر اساس نیازهای پروژه 5:59
خلاصه: انتخاب یک فریمورک 5:16
از یک متخصص بشنوید: نمونه‌ای از صنعت 5:48
بررسی فریمورک‌های محبوب یادگیری ماشین None
بررسی مدل‌های زبانی بزرگ از پیش‌آموزش‌دیده None
فعالیت تمرینی: انتخاب و توجیه یک فریمورک None
بررسی: انتخاب و توجیه یک فریمورک (اختیاری) None
نقاط قوت و ضعف فریمورک‌های مختلف یادگیری ماشین None
مقایسه‌ی فریمورک‌های یادگیری ماشین None
مطالعات موردی واقعی از فریمورک‌های یادگیری ماشین None
بحث: نقاط قوت و ضعف فریمورک انتخابی شما None
بررسی پیاده‌سازی مدل‌ها None
اعمال مدل‌های زبانی بزرگ از پیش‌آموزش‌دیده برای تسک‌های خاص None
فعالیت تمرینی: پیاده‌سازی یک مدل None
بررسی: پیاده‌سازی یک مدل (اختیاری) None
بهترین شیوه‌ها برای سازگاری فریمورک‌ها با پروژه‌ها None
مطالعات موردی واقعی از انتخاب فریمورک و تأثیر آن بر پروژه‌های صنعت None
فعالیت تمرینی: انتخاب یک فریمورک برای یک پروژه خیالی None
بررسی: انتخاب فریمورک بر اساس نیازهای پروژه (اختیاری) None
فعالیت تمرینی: پیاده‌سازی یک مدل برای استقرار کسب‌وکار None
بررسی: پیاده‌سازی مدل برای کسب‌وکار (اختیاری) None

فصل 4: ملاحظات هنگام استقرار پلتفرم‌ها

ویژگی‌های کلیدی برای در نظر گرفتن در پلتفرم‌های استقرار 6:24
مقدمه‌ای بر مایکروسافت آژور 7:54
آماده‌سازی مدل‌ها برای استقرار 4:36
مراحل اضافی برای آماده‌سازی یک مدل برای استقرار تولید 6:26
اهمیت کنترل نسخه 4:37
اطمینان از قابلیت بازتولید 4:52
خلاصه: استقرار پلتفرم 8:00
بهترین شیوه‌ها برای بسته‌بندی و کانتینری کردن مدل‌ها None
ابزارها و فریمورک‌ها برای استقرار مدل None
دستورالعمل‌ها: آماده‌سازی یک مدل برای استقرار None
فعالیت تمرینی: آماده‌سازی یک مدل برای استقرار None
بررسی: آماده‌سازی مدل برای استقرار (اختیاری) None
ابزارها و شیوه‌ها برای کنترل نسخه (گیت و DVC) None
پیاده‌سازی کنترل نسخه برای قابلیت بازتولید None
فعالیت تمرینی: پیاده‌سازی کنترل نسخه برای قابلیت بازتولید None
بررسی: پیاده‌سازی کنترل نسخه برای قابلیت بازتولید (اختیاری) None
معیار ارزیابی پلتفرم‌های استقرار None
مطالعات موردی واقعی از استقرارهای موفق هوش مصنوعی و یادگیری ماشین None
نکات عملی در انتخاب پلتفرم مناسب برای نیازهای خاص پروژه None
فعالیت تمرینی: انتخاب یک پلتفرم استقرار برای یک پروژه ساختگی None
بررسی: ارزیابی پلتفرم‌های استقرار (اختیاری) None
فعالیت تمرینی: توجیه انتخاب یک پلتفرم در یک ارائه به مدیر اجرایی C-suite None
بررسی: توجیه انتخاب یک پلتفرم در یک ارائه (اختیاری) None

فصل 5: مفاهیم هوش مصنوعی و یادگیری ماشین در عمل

بررسی مسئولیت‌های مهندس هوش مصنوعی و یادگیری ماشین 6:07
تسک‌ها و پروژه‌های رایج 7:23
متعادل سازی توسعه، استقرار و نگهداری مدل 7:51
خلاصه: مفاهیم هوش مصنوعی و یادگیری ماشین در عمل 8:54
خلاصه دوره 7:01
مثال: ارائه به C-suite 7:51
تبریک به خاطر اتمام دوره! 2:22
مهارت‌ها و شایستگی‌های مورد نیاز None
فعالیت تمرینی: نقش ایفا کردن به‌عنوان یک مدیر استخدام None
بررسی: فرآیند تصمیم‌گیری (اختیاری) None
اولویت‌بندی تسک‌ها و مدیریت گردش کارها None
اطمینان از مقیاس‌پذیری، قابلیت اطمینان و عملکرد سیستم‌های هوش مصنوعی و یادگیری ماشین None
فعالیت تمرینی: اولویت‌بندی تسک‌ها به‌عنوان یک مهندس هوش مصنوعی و یادگیری ماشین None
بررسی: اولویت‌بندی تسک‌ها به‌عنوان یک مهندس هوش مصنوعی و یادگیری ماشین (اختیاری) None
اهمیت شبکه‌سازی و ارتباطات حرفه‌ای None
استراتژی‌هایی برای پیدا کردن منتورها در این زمینه و ارتباط با آن‌ها None
مزایای منتورشیپ برای رشد و توسعه شغلی None
فعالیت تمرینی: ایجاد یک اکش‌پلن شبکه‌سازی برای صنعت هوش مصنوعی و یادگیری ماشین None
بررسی: چگونه یک برنامه شبکه‌سازی موفق ایجاد کنیم؟ (اختیاری) None
منابع برای مطالعه بیشتر None
آشنایی با نشریات، وبلاگ‌ها و کنفرانس‌های صنعت None
توصیه‌ها برای توسعه بیشتر None
بررسی: آماده شدن برای یک ارائه به C-suite (اختیاری) None