اصول هوش مصنوعی برای تصمیمگیرندگان: از صفر تا LLMs
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- توسعه استراتژی مبتنی بر هوش مصنوعی - تدوین استراتژی کسبوکار که از AI و LLMs برای مزیت رقابتی پایدار بهره میبرد.
- ارزیابی و انتخاب مدلهای هوش مصنوعی - ارزیابی مدلهای مختلف LLM بر اساس عملکرد، هزینه، تطابق با الزامات و نیازهای کسبوکار، بدون نیاز به پیشزمینه فنی
- پر کردن فاصله بین AI و کسبوکار - ارتباط مؤثر با تیمهای فنی، استخدام استعدادهای هوش مصنوعی، و تصمیمگیریهای آگاهانه درباره پذیرش AI
- درک عوامل هوش مصنوعی و اتوماسیون - تحلیل نحوه تغییر روند کارها، مدلهای کسبوکار و دینامیک صنعت به وسیله عاملهای هوش مصنوعی
- شناسایی ریسکها و چالشهای AI - شناخت مشکلات احتمالی مانند هذیانگویی، تعصب و هزینههای محاسباتی و توسعه استراتژیهای کاهش ریسک
پیش نیازهای دوره
- نیاز به سابقه برنامهنویسی نیست. آشنایی با ریاضیات میتواند مفید باشد.
توضیحات دوره
عرضه رسمی ChatGPT در نوامبر 2022 یک تغییر پارادایمی را رقم زد و بر این نکته تأکید کرد که مدلهای زبانی بزرگ (LLMs) برای دههها شکلدهنده چشماندازهای فناوری، اجتماعی، اقتصادی و سیاسی خواهند بود. با این حال، حجم زیاد دورههای آموزشی و مطالب مرتبط با هوش مصنوعی ممکن است تصمیمگیرندگان را گیج کند، بهخصوص کسانی که سابقه فنی ندارند. حتی حرفهایهایی که با یادگیری ماشین آشنا هستند، باید رویکردی تازه برای درک LLMs و اتوماسیون مبتنی بر هوش مصنوعی اتخاذ کنند.
برخلاف دورههای معمول AI که بر کاربرد یا ساختن LLMs تمرکز دارند، این دوره برای حرفهایهای کسبوکار، بنیانگذاران استارتاپها و سرمایهگذاران طراحی شده است که به دنبال درک استراتژیک از پتانسیل تحولآفرین هوش مصنوعی هستند. به جای یادگیری صرف ابزارهای AI، شرکتکنندگان چارچوبی عمیق و در عین حال قابل فهم برای ارزیابی تاثیر بلندمدت AI و تدوین استراتژی مبتنی بر هوش مصنوعی برای مزیت رقابتی پایدار به دست میآورند.
چه کسانی باید در این دوره شرکت کنند؟
- مدیران محصول، تحلیلگران و کارآفرینانی که به رویکردهای عملی برای تصمیمگیری درباره AI نیاز دارند.
- مدیران ارشد و رهبران کسبوکار که قصد دارند فاصله بین فناوری AI و استراتژی کسبوکار را پر کنند.
- حرفهایهای غیر فنی که نیاز به جذب استعدادهای AI، ارزیابی محصولات مبتنی بر AI، و همکاری با تیمهای فنی دارند.
آنچه در این دوره میآموزید:
- اصول پایهای AI و یادگیری ماشین — مفاهیم کلیدی، انتخاب مدل و تعادلها بدون نیاز به ریاضیات پیچیده.
- درک مدلهای زبانی بزرگ (LLMs) — نحوه کارکرد، مکانیزمها، قابلیتها و کاربردهای واقعی آنها.
- عاملهای هوش مصنوعی و سازمانهای مبتنی بر AI — چگونگی تغییر مدلهای کسبوکار، فرآیندهای تصمیمگیری و استراتژیها توسط عاملهای AI.
- ارزیابی و انتخاب LLM — تفاوت بین مدلهای متنباز و اختصاصی، معیارهای عملکرد، ملاحظات هزینه و الزامات تطابق.
- اقتصاد عاملها — مدلهای کسبوکار، استراتژیهای درآمدزایی و ظهور گردشهای کاری خودکار مبتنی بر AI.
- چالشهای پیادهسازی AI — هذیانگویی، حافظه موقت، تعصب، از دست رفتن زمینه، و هزینههای محاسباتی.
چه چیز این دوره را متمایز میکند؟
- مخصوص تصمیمگیرندگان طراحی شده است، نه صرفاً توسعهدهندگان.
- تمرکز عمیقتر بر مدلهای AI، آموزش LLM و عاملهای AI نسبت به دورههای عادی که بیشتر چشمانداز تجاری دارند.
- نیاز به برنامهنویسی نیست، اما عمق فنی کافی برای مشارکت معنادار با تیمهای مهندسی دارد.
- شامل مقالات پژوهشی مرتبط و چارچوبهای استراتژیک برای ارزیابی تاثیر بلندمدت AI است.
در پایان این دوره، شرکتکنندگان از پایه فنی و بینش استراتژیک لازم برای هدایت تحولات مبتنی بر AI، همکاری با تیمهای مهندسی و اتخاذ تصمیمهای کسبوکار آیندهنگر برخوردار خواهند شد. این فقط یک دوره درباره ابزارهای AI نیست — بلکه یک کاوش عمیق در مکانیزمها، پتانسیلها و پیامدهای استراتژیک AI است.
این دوره برای چه کسانی مناسب است؟
- بنیانگذارهای استارتاپ، رهبران کسبوکار، مشاوران و مدیران محصول
اصول هوش مصنوعی برای تصمیمگیرندگان: از صفر تا LLMs
-
معرفی مفاهیم و اهداف دوره 02:38
-
این دوره برای چه کسانی مناسب است؟ 02:23
-
برنامه دوره و محتواهای آن 05:46
-
هوش مصنوعی چیست؟ 05:28
-
تفاوت بین هوش مصنوعی محدود و گسترده 02:12
-
یافتن تفاوتهای یادگیری ماشین با نرمافزارهای سنتی 03:22
-
انواع یادگیری ماشین 06:18
-
ویژگیها و دادهها به عنوان پایه مدل 01:24
-
برچسبها - دادهها به عنوان پایه: ویژگیها، برچسبها و مجموعه دادهها 04:41
-
مجموعه دادهها: ویژگیها، برچسبها و پایه دادهها 05:07
-
آموزش در مقابل استنتاج: نحوه یادگیری و پیشبینی مدلهای هوشمند 04:25
-
چالشهای رایج: اورفیتینگ 03:06
-
چالشهای رایج: تعصب 01:48
-
چالشهای عمومیسازی 03:07
-
مباحث مهم در AI/ML: مهندسی ویژگیها 06:27
-
مباحث کلیدی در AI/ML: منابع داده اصلی 03:01
-
موضوعات مهم AI/ML: انتخاب مدل، انواع مختلف مدلهای یادگیری ماشین 06:46
-
موضوعات کلیدی AI/ML: انتخاب مدل مناسب چگونه است؟ 04:39
-
موضوعات مهم AI/ML: ارزیابی مدل، اعتبارسنجی و ارزیابی متقابل 07:14
-
ارزیابی عملکرد مدلهای AI 07:12
-
مباحث کلیدی در AI/ML: ابرپارامترها 04:21
-
موضوعات مهم AI/ML: تنظیم مدل 02:58
-
یادگیری عمیق و شبکههای عصبی مصنوعی: شبکه عصبی چیست؟ 10:57
-
پروپگیشن رو به جلو، پسانتشار و کاهش گرادیان 11:15
-
توابع فعالسازی 06:19
-
الگوهای بهینهسازی 05:57
-
مقدمهای بر پردازش متن در NLP 05:51
-
کاربردهای پردازش زبان طبیعی 01:47
-
تسک های اصلی در NLP 03:29
-
رویکردهای مختلف در NLP 04:50
-
مدلهای سنتی زبانی 04:11
-
چالشهای مرتبط با درک زبان طبیعی 04:38
-
Perplexity 04:59
-
معماری انکودیگ/دیکودینگ 03:38
-
مروری بر مطالب دوره 04:15
-
توجه در مدلهای زبانی چه معنایی دارد؟ 03:11
-
درک ساختارهای ترنسفورمر و تحول از RNNs و CNNs به ترنسفورمرها 07:22
-
چگونه توجه تنها چیزی است که نیاز دارید؟: عملکرد مکانیزم خودتوجه در فعالسازی LLMs 04:54
-
توجه خودی و توجه متقاطع، مکانیزمهای کلیدی در LLMs 09:41
-
قوانین گسترش و توسعه مدلهای AI 07:31
-
نحوه یادگیری و سازگاری مدلهای زبانی بزرگ 04:52
-
انواع پیشتمرین در آموزش مدلهای AI 03:56
-
یادگیری خود-نظارت 08:02
-
معماریهای مدلهای زبانی بزرگ 07:21
-
اندازه مدل و قابلیتهای آن 05:32
-
مبانی فاین تیونینگ 03:11
-
فاین تیونینگ مدل به صورت کارآمد پارامتری (PEFT) 06:59
-
اصول Post-Training 02:42
-
روشهای تعامل با مدلهای زبانی بزرگ 05:07
-
استفاده از پرامپت نویسی صفر نمونه 01:40
-
الگوهای استدلال زنجیرهای فکر 01:26
-
استفاده از زنجیره تفکر بدون آموزش نمونههای خاص. 00:46
-
Few-shot Prompting 01:15
-
Few-shot Prompting 00:50
-
نمایش، جستجو و پیشبینی در فرآیندهای مدل. 01:15
-
جستجوهای تعویضشده راهنمایی شده توسط زنجیره تفکر. 01:03
-
تصمیمگیریهای مبتنی بر سازگاری و درختهای تفکر. 06:07
-
تولید مبتنی بر بازیابی اطلاعات. 05:41
-
عاملهای هوشمند و استدلال خودمختار. 05:33
-
مدلهای متنباز در مقابل مدلهای انحصاری. 03:07
-
سری GPT (OpenAI) و ویژگیها و پیشرفتهای آنها. 04:47
-
مدلهای BERT و RoBERTa از Google و Meta. 03:16
-
مدلهای T5 و UL2 از Google. 03:59
-
مدل Claude از Anthropic. 04:01
-
مدل LLaMA از Meta و مشخصات آن. 02:52
-
معلومات درباره Mistral و Mixtral. 03:22
-
مدل Gemini از Google DeepMind. 03:00
-
معرفی DeepSeek r1 و ویژگیهای آن. 01:47
-
درک مباحث مربوط بهExplainable AI و فناوریهای مرتبط. 03:20
-
مدلهای LLM سازمانی مانند Command R+ (Cohere) و سایرین. 04:51
-
عوامل مهم در انتخاب مدلهای زبانی بزرگ. 05:14
-
معیارهای سنجش عملکرد مدلهای زبانی بزرگ. 03:44
-
جدولهای رتبهبندی مدلهای زبانی بزرگ. 04:41
-
استراتژیهای پیادهسازی مدلهای زبانی بزرگ. 03:19
-
چالشهای فنی در توسعه و پیادهسازی LLMs. 05:23
-
مروری بر مطالب دوره. 03:43
-
عاملهای هوشمند چیستند؟ 02:48
-
انتقال از اتوماسیون سنتی به عاملهای خودمختار. 01:21
-
چرا عاملها در آیندهای مبتنی بر هوش مصنوعی اهمیت دارند؟ 02:08
-
نمونههای اصلی عاملهای هوشمند. 04:02
-
انواع عاملهای هوشمند. 04:21
-
نحوه عملکرد عاملهای هوشمند. 05:04
-
اقتصاد عاملها در فضای هوش مصنوعی. 04:54
-
عملیات مربوط به عاملهای AI و مدیریت آنها. 04:07
-
کاربردهای عملی عاملهای هوشمند. 03:03
-
چالشهای اخلاقی و عملی عاملهای AI. 06:51
-
همگرایی بین LLMها، AI چندرسانهای و اتوماسیون. 05:30
-
ممنون!!! 01:26
مشخصات آموزش
اصول هوش مصنوعی برای تصمیمگیرندگان: از صفر تا LLMs
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:مقدماتی
- تعداد درس:88
- مدت زمان :06:22:27
- حجم :2.54GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy