تسلط به علم داده و هوش مصنوعی 2025 - از پایتون تا Gen AI
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ساخت یک پایه محکم در برنامهنویسی پایتون برای پیادهسازی مؤثر مفاهیم و کاربردهای هوش مصنوعی
- یادگیری نحوه کارکرد یادگیری ماشین و یادگیری عمیق
- یادگیری نحوه ایجاد تحول مدلهای ترنسفرمر در تسکهای پردازش زبان طبیعی و نحوه استفاده از آنها برای کاربردهای مختلف
- کسب تجربه عملی با بازیابی نسل افزوده (RAG) و Langchain برای ساخت اپلیکیشنهای پیشرفته هوش مصنوعی
- یادگیری نحوه استفاده از پایگاه دادههای برداری برای ذخیرهسازی و بازیابی مؤثر از تعبیهها در پروژههای هوش مصنوعی
- درک پایپلاین کامل پردازش زبان طبیعی، از پیشپردازش داده تا استقرار مدل
- بررسی مباحث ضروری مدلهای بزرگ زبانی (LLMs) و کاربردهای آنها در تسکهای مولد
- توسعه مهارتها در ایجاد پرامپتهای مؤثر برای بهینهسازی عملکرد مدل و دستیابی به خروجیهای مورد نظر
پیشنیازهای دوره
- نیازی به تجربه در برنامهنویسی نیست.
- یک لپتاپ با حداقل 8 گیگابایت حافظه توصیه میشود (4 گیگابایت حافظه هم مناسب است و میتوان از Google Colab به عنوان پشتیبان استفاده کرد.)
- نیازی به دانش قبلی در SQL یا یادگیری ماشین نیست.
توضیحات دوره
به دوره «علم داده و هوش مصنوعی - مدرک 2025 - از پایتون تاGen AI» خوش آمدید. این دوره جامع برای افرادی طراحی شده که به دنبال تسلط به مهارتهای ضروری لازم برای موفقیت در زمینه سریعاً در حال تکامل علم داده و هوش مصنوعی هستند. چه یک مبتدی باشید و چه به دنبال تقویت دانش موجود خود، این بوتکمپ شما را در هر مرحله از مسیر یادگیری راهنمایی خواهد کرد.
آنچه یاد خواهید گرفت:
در این بوتکمپ، شما دانش منسجمی در مفاهیم و تکنیکهای کلیدی زیر کسب خواهید کرد:
- برنامهنویسی پایتون - از مبانی پایتون، محبوبترین زبان برنامهنویسی در علوم داده، شروع میکنید و یاد میگیرید چگونه کد مؤثر بنویسید.
- تحلیل داده اکتشافی (EDA) - یاد میگیرید چگونه داده را تحلیل و مصورسازی کنید تا بینشها و الگوهای موجود را کشف کنید.
- آمار - فهم روشهای آماری که تحلیل داده و یادگیری ماشین را پایهگذاری میکنند.
- SQL - یادگیری نحوه مدیریت و کوئری پایگاه دادهها به طور مؤثر با استفاده از SQL
- یادگیری ماشین - پرداختن به دنیای یادگیری ماشین و بررسی الگوریتمها، ارزیابی مدل و کاربردهای عملی
- تحلیل سری زمانی و پیشبینی - کشف تکنیکهایی برای تحلیل داده وابسته به زمان و انجام پیشبینیها
- یادگیری عمیق - کسب تجربه عملی با شبکههای عصبی و فریمورکهای یادگیری عمیق
- پردازش زبان طبیعی (NLP) - یادگیری نحوه پردازش و تحلیل داده متنی با استفاده از تکنیکهای NLP
- ترنسفرمرها و Generative AI - درک پیشرفتهای جدید در هوش مصنوعی، از جمله مدلهای ترنسفرمر و کاربردهای Generative AI
- پروژههای واقعی - اعمال مهارتهای خود از طریق پروژههای جذاب که چالشهای داده واقعی را شبیهسازی میکنند.
ساختار دوره
این بوتکمپ به ماژولهایی تقسیم شده که بر روی یکدیگر بنا میشوند و تجربه یادگیری هموار را تضمین میکنند. هر ماژول شامل دروس ویدئویی، تمرینات عملی و آزمونهایی برای تقویت درک شما است. در پایان دوره، شما یک پورتفولیوی قوی از پروژهها خواهید داشت که مهارتها و دانش شما را به نمایش میگذارد.
نتیجهگیری
در بوتکمپ کامل علم داده و هوش مصنوعی به ما بپیوندید و قدم اول را در مسیر شعفآور به سمت علم داده و هوش مصنوعی بردارید. با افزایش نیاز به متخصصان داده، این دوره شما را با مهارتهای لازم برای برتری در این زمینه جذاب تجهیز میکند. همین حالا در دوره شرکت کرده و سفر خود را به سمت تبدیل شدن به دانشمند داده و متخصص ماهر هوش مصنوعی آغاز کنید.
این دوره برای چه کسانی مناسب است؟
- مبتدیان کامل که آماده ورود به حوزه علم داده، هوش مصنوعی و Gen AI هستند.
- حرفهایهای باتجربه که مایل به تغییر به علم داده، هوش مصنوعی و Gen AI هستند.
تسلط به علم داده و هوش مصنوعی 2025 - از پایتون تا Gen AI
-
صفحه خوش آمدگویی 02:23
-
آشنایی با پایتون 04:57
-
متغیرها و کلمات کلیدی 19:54
-
عملگرهای تایپهای داده 21:49
-
لیستها 27:51
-
تاپلها 24:57
-
مجموعهها 12:45
-
دیکشنری 17:39
-
حلقهها و Iterations 19:16
-
توابع 23:31
-
توابع نقشه، کاهش و فیلتر 30:15
-
مدیریت فایل 19:19
-
ساختارهای کنترل 09:39
-
برنامهنویسی شیگرا 20:42
-
NumPy 28:33
-
Pandas 34:13
-
مصورسازی داده 06:12
-
Matplotlib 26:37
-
Seaborn 19:10
-
مقدمه 05:50
-
تایپهای داده (دستور کار) 00:38
-
آمار توصیفی 08:10
-
آمار استنباطی 02:41
-
داده کیفی 08:33
-
داده کمی 04:17
-
تکنیکهای نمونهگیری (دستور کار) 01:37
-
جمعیت در مقابل نمونه 03:47
-
چرا نمونهگیری مهم است؟ 03:20
-
انواع نمونهگیری 03:32
-
نمونهگیری تصادفی خوشه 05:12
-
نمونهگیری احتمالی 08:08
-
نمونهگیری غیراحتمالی 05:18
-
نمونهگیری جمعیت 08:11
-
چرا n-1 و نه n؟ 05:06
-
تحلیل توصیفی (دستور کار) 01:06
-
شاخصهای گرایش مرکزی 02:30
-
میانگین 05:31
-
میانه 07:07
-
مد 04:39
-
شاخصهای پراکندگی 04:21
-
محدوده 01:43
-
IQR 04:49
-
انحراف معیار واریانس 09:56
-
انحراف میانگین 04:12
-
احتمال (دستور کار) 00:59
-
احتمال 07:09
-
قانون جمع 07:17
-
رویدادهای مستقل 04:39
-
احتمال تجمعی 04:26
-
احتمال شرطی 07:57
-
قضیه بیز - بخش 1 02:08
-
قضیه بیز - بخش 2 04:59
-
توزیع احتمالات (دستور کار) 02:04
-
توزیع یکنواخت 08:02
-
توزیع دوجملهای 12:48
-
توزیع پواسون 03:29
-
توزیع نرمال - بخش 1 10:34
-
توزیع نرمال - بخش 2 07:38
-
چولگی 04:50
-
کشیدگی 02:36
-
محاسبه احتمال با Z-score برای توزیع نرمال - بخش 1 08:12
-
محاسبه احتمال با Z-score برای توزیع نرمال - بخش 2 04:45
-
محاسبه احتمال با Z-score برای توزیع نرمال - بخش 3 03:33
-
کوواریانس و همبستگی (دستور کار) 00:31
-
کوواریانس 12:06
-
همبستگی 16:06
-
کواریانس در مقابل همبستگی 03:57
-
آزمون فرضیه 06:59
-
آزمونهای دمدار 02:37
-
مقدار p 04:14
-
انواع آزمون 08:22
-
آزمون تی 07:32
-
آزمون Z 09:24
-
آزمون مربع کای 08:58
-
ANOVA یا تحلیل واریانس 08:56
-
تست همبستگی (عملی) 06:57
-
دستور کار 02:32
-
فرآیندهای DA و DS 06:35
-
EDA چیست؟ 03:08
-
مصورسازی 04:49
-
مراحل مربوط به EDA (منابع داده) 04:35
-
مراحل مربوط به EDA (پاکسازی داده) 04:11
-
مدیریت مقادیر گمشده (تئوری) 06:25
-
مدیریت مقادیر گمشده (عملی) 11:35
-
مقیاسبندی ویژگی (تئوری) 11:04
-
مثال استانداردسازی 04:13
-
مثال نرمالسازی 02:30
-
مقیاسبندی ویژگی (عملی) 13:50
-
اصلاح داده پرت (تئوری) 09:21
-
اصلاح داده پرت (عملی) 13:41
-
داده نامعتبر 04:47
-
تایپهای داده 02:57
-
انواع تحلیل 02:35
-
تحلیل یک متغیره 09:00
-
تحلیل دومتغیره 05:15
-
تحلیل چندمتغیره 01:21
-
تحلیل عددی 03:56
-
تحلیلهای عملی 30:14
-
متریکهای مشتق شده 04:33
-
اتصال ویژگی (تئوری) 07:17
-
اتصال ویژگی (عملی) 10:48
-
رمزگذاری ویژگی (تئوری) 12:25
-
رمزگذاری ویژگی (عملی) 21:32
-
مطالعه موردی 18:15
-
بررسی داده 19:16
-
پاکسازی داده 09:45
-
تحلیل تک متغیره 14:17
-
تحلیل دومتغیره - بخش 1 14:59
-
تحلیل دومتغیره - بخش 2 08:50
-
گزارش EDA 05:14
-
نصب 03:25
-
معماری داده - سرور فایل در مقابل سرور کلاینت 07:25
-
آشنایی با SQL 09:47
-
Constraints در SQL 16:16
-
مبانی جدول - DDLs 22:52
-
مبانی جدول - DQLs 17:10
-
مبانی جدول - DMLs 28:20
-
جوینها 25:59
-
ایمپورت و اکسپورت داده 31:47
-
توابع تجمیع 12:01
-
توابع رشته 16:47
-
توابع تاریخ و زمان 13:34
-
عبارات منظم 09:18
-
کوئریهای تودرتو 14:57
-
Views 12:43
-
رویههای ذخیرهشده 25:33
-
تابع ویندوز 22:12
-
اتصال SQL به پایتون 20:08
-
دستور کار 02:24
-
آشنایی با یادگیری ماشین 04:51
-
انواع یادگیری ماشین 18:17
-
یوزکیسها - بخش 1 02:10
-
یوزکیسها - بخش 2 01:28
-
پیشنیازها - ویژگیها 11:37
-
پیشنیازها - Train-Test Split 18:04
-
پیشنیازها - مقیاسبندی ویژگی 11:04
-
پیشنیازها - مثال استانداردسازی 04:13
-
پیشنیازها - مثال نرمالسازی 02:30
-
پیشنیازها - رمزگذاری ویژگی 12:25
-
پیشنیازها - رمزگذاری ویژگی (عملی) 10:46
-
رگرسیون - آشنایی با مدلهای رگرسیون 05:44
-
رگرسیون - متریکهای رگرسیون 35:20
-
رگرسیون - متریکهای رگرسیون (عملی) 18:18
-
رگرسیون - رگرسیون خطی ساده 15:44
-
رگرسیون - رگرسیون خطی جندگانه 11:33
-
رگرسیون - رگرسیون خطی (عملی) 26:13
-
رگرسیون - رگرسیون خطی چندگانه (عملی) 13:24
-
رگرسیون - رگرسیون چندجملهای 10:10
-
رگرسیون - رگرسیون چندجملهای (عملی) 26:30
-
رگرسیون - مبادله بایاس واریانس 09:15
-
رگرسیون - رگرسیون ریج 13:31
-
رگرسیون - رگرسیون لسو 09:06
-
رگرسیون - رگرسیون لسو و ریج (عملی) 44:53
-
طبقهبندی - آشنایی با طبقهبندی 06:04
-
طبقهبندی - انواع طبقهبندی 06:39
-
طبقهبندی - Log Loss 15:53
-
طبقهبندی - ماتریس درهمریختگی 13:00
-
طبقهبندی - منحنی AUC ROC 09:14
-
طبقهبندی - گزارش طبقهبندی 07:39
-
طبقهبندی - kNN Classifier 11:01
-
طبقهبندی - مثال kNN Classifier 10:20
-
طبقهبندی - عملی - بخش 1 14:31
-
طبقهبندی - kNN Classifier (عملی) 14:16
-
طبقهبندی - درخت تصمیمگیری 08:37
-
طبقهبندی - درخت تصمیمگیری - مبتنی بر انتروپی 14:17
-
طبقهبندی - درخت تصمیمگیری (مبتنی بر گینی) 20:08
-
طبقهبندی - درخت تصمیمگیری (عملی) 08:02
-
طبقهبندی - درخت تصمیمگیری (مصورسازی) 21:04
-
طبقهبندی - Classifier جنگل تصادفی 05:56
-
طبقهبندی - Classifier جنگل تصادفی (عملی) 05:05
-
طبقهبندی - Classifier بیز ساده 14:45
-
طبقهبندی - SVM Classifier - بخش 1 14:59
-
طبقهبندی - SVM Classifier - بخش 2 14:29
-
طبقهبندی - رگرسیون لجستیک 19:02
-
طبقهبندی - بخش عملی تا به الان 27:48
-
طبقهبندی - مسائل طبقهبندی - بخش 1 08:21
-
طبقهبندی - مسائل طبقهبندی - بخش 2 11:00
-
طبقهبندی - پروژه 35:14
-
یادگیری گروهی - آشنایی با یادگیری گروهی 28:31
-
یادگیری گروهی - Bagging 15:55
-
یادگیری گروهی - Bagging در مقابل جنگل تصادفی 13:23
-
یادگیری گروهی - Bagging - عملی - بخش 1 31:09
-
یادگیری گروهی - Bagging - عملی - بخش 2 20:31
-
یادگیری گروهی - بوستینگ 11:01
-
یادگیری گروهی - Ada Boost 23:18
-
یادگیری گروهی - تقویت گرادیان 06:40
-
یادگیری گروهی - CF در مقابل LF 10:12
-
یادگیری گروهی - آنتروپی متقاطع 06:47
-
یادگیری گروهی - تقویت گرادیان مفرط (XGB) 18:36
-
یادگیری گروهی - پروژه 24:51
-
خوشهبندی - آشنایی با خوشهبندی 16:37
-
خوشهبندی - خوشهبندی kMeans 20:29
-
خوشهبندی - خوشهبندی kMeans (عملی) 19:53
-
خوشهبندی - خوشهبندی سلسلهمراتبی 15:48
-
خوشهبندی - خوشهبندی سلسلهمراتبی (عملی) 14:02
-
خوشهبندی - خوشهبندی Mean Shift 11:28
-
مهندسی ویژگی - مقدمه 13:15
-
مهندسی ویژگی - RFE و SFS 06:39
-
مهندسی ویژگی - RFE (عملی) 23:18
-
مهندسی ویژگی - انتخاب ویژگی متوالی 19:30
-
مهندسی ویژگی - مربع کای 06:03
-
مهندسی ویژگی - مربع کای (عملی) 06:19
-
مهندسی ویژگی - تحلیل مولفه اصلی 34:47
-
مهندسی ویژگی - تحلیل مولفه اصلی (عملی) 10:26
-
مهندسی ویژگی - تحلیل تفکیک خطی 09:52
-
مهندسی ویژگی - تحلیل تفکیک خطی (عملی) 09:31
-
مهندسی ویژگی - kPCA و QDA 06:14
-
مهندسی ویژگی - kPCA و QDA (عملی) 05:41
-
بهینهسازی هایپرپارامتر - مبانی 10:05
-
بهینهسازی هایپرپارامتر - HPO دستی 06:07
-
بهینهسازی هایپرپارامتر - GridSearch در مقابل RandomizedSearch 10:58
-
بهینهسازی هایپرپارامتر - HPO دستی (عملی) 22:12
-
بهینهسازی هایپرپارامتر - RandomizedSearchCV (عملی) 18:18
-
بهینهسازی هایپرپارامتر - GridSearchCV (عملی) 08:20
-
آشنایی با TSA 04:29
-
سریهای زمانی و رگرسیون 10:40
-
تحلیل سری زمانی 02:27
-
تشخیص ناهنجاری 04:36
-
اجزای سری زمانی 09:09
-
تجزیه 01:54
-
تجزیه (عملی) 06:36
-
تجزیه جمعی و ضربی 08:41
-
ایستایی 08:54
-
تست ایستایی سری زمانی 07:03
-
تبدیل 06:10
-
آشنایی با پیشپردازش 03:36
-
مدیریت مقدار گمشده 06:25
-
مدیریت مقدار گمشده (عملی) 11:35
-
اصلاح داده پرت 09:21
-
تکنیک 3-سیگما 13:41
-
مقیاسبندی ویژگی 11:04
-
مقیاسبندی ویژگی - استانداردسازی 04:13
-
مقیاسبندی ویژگی - نرمالسازی 02:30
-
مقیاسبندی ویژگی (عملی) 13:50
-
رمزگذاری ویژگی 12:25
-
رمزگذاری ویژگی (عملی) 10:46
-
مدلها - الگوریتمها 01:47
-
مدلها - ARIMA - بخش 1 03:45
-
مدلها - ARIMA - بخش 2 07:26
-
مدلها - نظریه AR 08:37
-
مدلها - نظریه MA 09:40
-
مدلها - نمودارهای ACF و PACF 13:37
-
مدلها - یافتن p ،d و q در ARIMA 03:33
-
مدلها - ARIMA - عملی - بخش 1 14:12
-
مدلها - ARIMA - عملی - بخش 2 12:53
-
مدلها - ARIMA - بخش نهایی 10:06
-
مدلها - تجزیه 03:26
-
مدلها - ACF و PACF 03:38
-
مدلها - بهترین تبدیل 10:16
-
مدلها - جستجوی گرید - بخش 1 08:49
-
مدلها - جستجوی گرید - بخش 2 02:04
-
مدلها - ساخت مدل نهایی 11:04
-
مدلها - پیشگوی فیسبوک - بخش 1 07:56
-
مدلها - پیشگوی فیسبوک - بخش 2 11:05
-
مدلها - پیشگوی فیسبوک - بخش 3 06:07
-
مدلها - تحلیل سری زمانی چندمتغیره 06:35
-
مدلها - پیشگوی فیسبوک (تکمتغیره در مقابل چندمتغیره) 13:33
-
آشنایی با متریکها 05:12
-
پیشبینی متریکهای ارزیابی 02:49
-
خطای مربع میانگین 02:45
-
خطای مربع میانگین ریشه 02:12
-
میانگین درصد خطای مطلق 04:47
-
پروژه 1 - پیشبینی انرژی - بخش 1 03:10
-
پروژه 1 - پیشبینی انرژی - بخش 2 06:26
-
پروژه 1 - پیشبینی انرژی - بخش 3 07:04
-
پروژه 2 - پیشبینی بازار سهام - بخش 1 04:42
-
پروژه 2 - پیشبینی بازار سهام - بخش 2 04:07
-
پروژه 2 - پیشبینی بازار سهام - بخش 3 13:48
-
پروژه 3 - پیشبینی تقاضا - بخش 1 03:32
-
پروژه 3 - پیشبینی تقاضا - بخش 2 13:32
-
پروژه 3 - پیشبینی تقاضا - بخش 3 09:57
-
پروژه 3 - پیشبینی تقاضا - بخش 4 01:30
-
پروژه 3 - پیشبینی تقاضا - بخش 5 15:14
-
پروژه 3 - پیشبینی تقاضا - بخش 6 08:34
-
آشنایی با یادگیری عمیق 03:02
-
درک یادگیری عمیق 05:58
-
نورون چیست؟ 08:48
-
توابع فعالسازی 05:12
-
تابع فعالسازی - تابع پلهای 06:48
-
تابع فعالسازی - تابع خطی 13:32
-
تابع فعالسازی - تابع سیگموئید 07:06
-
تابع فعالسازی - تابع TanH 03:35
-
تابع فعالسازی - تابع ReLu 10:18
-
پس انتشار و پیشخور 15:42
-
کاهش گرادیان 07:32
-
شبکههای عصبی مصنوعی - شهود 04:33
-
شبکههای عصبی مصنوعی - عملی 15:25
-
شبکههای عصبی مصنوعی - بهینهسازی هایپرپارامتر 12:37
-
شبکههای عصبی کانولوشن (CNN) چیست؟ 08:07
-
شبکههای عصبی کانولوشن - مراحل در CNN 12:19
-
شبکههای عصبی کانولوشن - توضیح معماری 17:21
-
شبکههای عصبی کانولوشن - تقویت تصویر 14:40
-
شبکههای عصبی کانولوشن - اندازه دسته در مقابل iterations در مقابل اپوکها 09:19
-
شبکههای عصبی کانولوشن - عملی 21:21
-
شبکههای عصبی کانولوشن - خلاصه مدل و پارامترها 08:14
-
شبکههای عصبی کانولوشن - پروژه (تشخیص اشعه ایکس) 17:53
-
شبکههای عصبی بازگشتی (RNN) - مبانی 06:52
-
شبکههای عصبی بازگشتی - انواع RNN 05:18
-
شبکههای عصبی بازگشتی - مشکل ناپدیدشدگی گرادیان و گرادیان انفجاری 12:53
-
شبکههای عصبی بازگشتی - LSTMs 05:55
-
شبکههای عصبی بازگشتی - LSTMs (عملی) 11:13
-
مدلهای از پیشآموزش دیده 22:37
-
مدلهای از پیشآموزش دیده (عملی) 23:23
-
مدلهای از پیشآموزش دیده - VGG16 09:47
-
مدلهای از پیشآموزش دیده - MobileNet 05:40
-
یادگیری انتقالی 07:30
-
پروژه - تشخیص ذاتالریه از تصاویر اشعه ایکس 15:13
-
آشنایی با NLP - مقدمه 06:57
-
آشنایی با NLP - ادامه مقدمه 06:08
-
آشنایی با NLP - چالشهای کلیدی 09:02
-
آشنایی با NLP - زبانشناسی 07:08
-
مبانی NLP - بررسی Case Folding 04:53
-
مبانی NLP - SCR 14:17
-
مبانی NLP - مدیریت اختصارات 10:01
-
مبانی NLP - توکنسازی 05:55
-
مبانی NLP - حذف Stop Word 07:09
-
مبانی NLP - بررسی nGrams 08:34
-
مبانی NLP - بردارسازی 04:47
-
مبانی NLP - تعبیه کلمات 02:37
-
مبانی NLP - بررسی Bag of Words 09:48
-
مبانی NLP - بررسی Bag of Words (عملی) 19:00
-
مبانی NLP - بررسی TF-IDF 12:18
-
مبانی NLP - بررسی TF-IDF (عملی) 21:19
-
مبانی NLP - تگگذاری اجزای کلام و شناسایی انتیتیهای نامگذاری شده 12:42
-
مبانی NLP - شناسایی انتیتیهای نامگذاری شده (عملی) 12:46
-
تعبیه کلمات - مقدمه Word2Vec 06:18
-
تعبیه کلمات - Word2Vec - بخش 2 03:24
-
تعبیه کلمات - Word2Vec از پیشآموزش دیده 07:34
-
تعبیه کلمات - شهود Word2Vec 08:50
-
تعبیه کلمات - Word2Vec - بررسی ویژگیهای X 10:01
-
تعبیه کلمات - Word2Vec CBOW 19:10
-
تعبیه کلمات - Word2Vec Skip Grams 11:23
-
تعبیه کلمات - GloVe 18:04
-
تعبیه کلمات - FastText 11:58
-
تعبیه کلمات - شباهت کسینوسی 18:22
-
شبکههای عصبی - LSTMs - بخش 1 19:25
-
شبکههای عصبی - LSTMs - بخش 2 - معماری 16:19
-
شبکههای عصبی - LSTMs - بخش 3 (بررسی عمیق) 06:53
-
شبکههای عصبی - LSTMs - بخش 4 (عملیاتهای نقطهای) 06:19
-
شبکههای عصبی - LSTMs - بخش 5 (دروازه فراموشی) 12:45
-
شبکههای عصبی - LSTMs - بخش 6 (دروازه ورودی) 18:29
-
شبکههای عصبی - LSTMs - بخش 7 (دروازه خروجی) 09:38
-
شبکههای عصبی - LSTMs - بخش 8 (عملی 1) 33:39
-
شبکههای عصبی - LSTMs - بخش 9 (عملی 2) 17:20
-
شبکههای عصبی - LSTMs - بخش 10 (عملی 3) 13:22
-
شبکههای عصبی - GRU - بخش 1 05:16
-
شبکههای عصبی - GRU - بخش 2 25:48
-
شبکههای عصبی - GRU - بخش 3 (دروازه ریست) 08:39
-
شبکههای عصبی - GRU - بخش 4 (دروازه بروزسانی) 09:47
-
شبکههای عصبی - GRU - بخش 5 (عملی) 12:07
-
شبکههای عصبی - LSTMs دوطرفه 27:14
-
انواع ترنسفرمر 19:43
-
آشنایی با ترنسفرمرها 33:08
-
Self Attention 27:25
-
معماری انکودر 09:10
-
تعبیههای مربوط به کانتکس 05:39
-
معماری دیکودر 05:29
-
آشنایی با BERT 13:33
-
پیکربندیهای BERT 03:46
-
تیونینگ دقیق BERT 03:48
-
BERT - پیش تیونینگ (مدل زبانی ماسک شده) 08:37
-
BERT - تعبیه ورودی 09:13
-
ARLM در مقابل AELM 06:23
-
RoBERTa 09:26
-
DistilBERT 13:48
-
AlBERT 14:20
-
آشنایی با جیپیتی - فقط دیکودر 05:44
-
معماری جیپیتی 05:21
-
جیپیتی - Attention مولتی هد ماسک شده 11:49
-
بلوکهای جیپیتی 07:21
-
آموزش جیپیتی 09:37
-
مبانی LLM - توکنها 01:53
-
مبانی LLM - پنجره کانتکس 10:58
-
مبانی LLM - پرامپت 10:50
-
مبانی LLM - مهندسی پرامپت 18:25
-
مبانی LLM - تیونینگ پرامپت 06:58
-
RAGs - آشنایی با RAG 01:36
-
RAGs - چیست و چرا؟ 19:03
-
RAGs - یوزکیسها 16:45
-
RAGs - توضیح مقاله 05:43
-
RAGs - توضیح معماری 19:07
-
RAGs - بررسی معماری دقیق 12:44
-
RAGs - یوزکیسهای عملی 33:56
-
LangChain 10:31
-
آشنایی با مهندسی پرامپت 11:05
-
انواع پرامپتنویسی 13:51
-
محدودیتهای چند شات 07:18
-
پرامپتنویسی زنجیره افکار 06:54
-
پایگاه دادههای برداری 13:00
-
پایگاه داده برداری در مقابل ایندکس برداری 08:04
-
پایگاه دادههای برداری چگونه عمل میکنند؟ 10:43
-
پایگاه داده برداری (عملی) 30:41
-
LSH 14:29
-
مبانی استقرار 07:27
-
آشنایی با فلسک 12:41
-
اپلیکیشن اولیه فلسک 12:37
-
اتصال مدل - پیشبینی سرطان سینه 15:55
-
اپلیکیشن فلسک - پیشبینی سرطان سینه 22:23
-
AWS 09:52
-
استقرار AWS (پیشبینی سرطان سینه) 28:51
-
آشنایی با مهندسی داده 00:39
-
ETL چیست؟ 07:48
-
ابزارهای ETL 05:55
-
انبار داده چیست؟ 03:13
-
مزایای انبار داده 01:29
-
ساختار انبار داده 03:06
-
چرا به Staging نیاز داریم؟ 06:36
-
بازار داده چیست؟ 02:56
-
دریاچه داده 02:32
-
دریاچه داده در مقابل انبار داده 03:44
-
اجزای دریاچه داده 01:50
-
ChatScholar (پروژه EdTech) 46:28
-
تحقیق درباره چتبات RAG 35:29
-
پردازش خودکار ادعاهای هوش مصنوعی با استفاده از Gen AI 47:27
-
چتبات مولتی PDF RAG ساخته شده روی داده اسکرپ شده وب 34:55
-
کوچ شغلی هوش مصنوعی - بخش 1 13:37
-
کوچ شغلی هوش مصنوعی - بخش 2 11:35
-
کوچ شغلی هوش مصنوعی - بخش 3 24:56
مشخصات آموزش
تسلط به علم داده و هوش مصنوعی 2025 - از پایتون تا Gen AI
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:418
- مدت زمان :79:16:39
- حجم :39.0GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy