دوره آموزشی
آموزش های یودمی
دوبله زبان فارسی

تسلط به علم داده و هوش مصنوعی 2025 - از پایتون تا Gen AI

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

31,310,000 6,262,000 تومان

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

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
2,659,500 531,900 تومان
  • زمان: 06:44:45
  • تعداد درس: 35
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,501,000 300,200 تومان
  • زمان: 03:48:11
  • تعداد درس: 47
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,300,500 1,460,100 تومان
  • زمان: 18:29:24
  • تعداد درس: 115
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,113,000 422,600 تومان
  • زمان: 05:21:41
  • تعداد درس: 51
  • 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
8,762,000 1,752,400 تومان
  • زمان: 22:11:23
  • تعداد درس: 140
  • 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
490,000 98,000 تومان
  • زمان: 48:56
  • تعداد درس: 12
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید