اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت برنامه‌های هوش مصنوعی مولد در بستر ابری گوگل (Google Cloud)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامه‌های هوش مصنوعی مولد در بستر ابری گوگل (Google Cloud)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعهٔ برنامه‌های کاربردی هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. معماری‌های شبکه‌های عصبی
• 4. شبکه‌های مولد تخاصمی (GANs)
• 5. مدل‌های زبانی بزرگ (LLMs)
• 6. مبانی پردازش زبان طبیعی (NLP)
• 7. مقدمه‌ای بر Google Cloud Platform (GCP)
• 8. خدمات هوش مصنوعی در GCP
• 9. Vertex AI: پلتفرم یادگیری ماشین جامع
• 10. ساخت مدل‌های سفارشی با Vertex AI
• 11. تنظیم دقیق مدل‌های زبانی بزرگ
• 12. استفاده از مدل‌های از پیش آموزش‌دیده
• 13. توسعه برنامه‌های کاربردی با LLMs
• 14. تولید متن خلاقانه
• 15. خلاصه‌سازی متون
• 16. ترجمه ماشینی با هوش مصنوعی
• 17. تولید کد با هوش مصنوعی
• 18. تشخیص تصویر و طبقه‌بندی
• 19. تشخیص اشیاء در تصاویر
• 20. تولید تصویر از متن
• 21. تنظیم دقیق مدل‌های تولید تصویر
• 22. استفاده از مدل‌های تبدیل‌کننده (Transformers)
• 23. معماری‌های پیشرفته برای NLP
• 24. مدیریت داده‌ها برای پروژه‌های هوش مصنوعی
• 25. ذخیره‌سازی داده‌ها در GCP (Cloud Storage)
• 26. پایگاه‌های داده در GCP (Cloud SQL, BigQuery)
• 27. پردازش داده‌های بزرگ با Dataflow
• 28. مقدمه‌ای بر MLOps
• 29. استقرار مدل‌های هوش مصنوعی در GCP
• 30. نظارت بر عملکرد مدل‌ها
• 31. مدیریت چرخه عمر مدل
• 32. امنیت در پروژه‌های هوش مصنوعی
• 33. حریم خصوصی داده‌ها
• 34. اخلاق در هوش مصنوعی
• 35. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 36. قوانین و مقررات مربوط به هوش مصنوعی در ایران
• 37. کاربرد هوش مصنوعی در صنعت
• 38. هوش مصنوعی در خدمات مالی
• 39. هوش مصنوعی در بهداشت و درمان
• 40. هوش مصنوعی در آموزش
• 41. هوش مصنوعی در کشاورزی
• 42. هوش مصنوعی در حمل و نقل
• 43. هوش مصنوعی در محیط زیست
• 44. هوش مصنوعی در هنر و سرگرمی
• 45. هوش مصنوعی در تحلیل کسب و کار
• 46. مقدمه‌ای بر توسعه اپلیکیشن‌های وب
• 47. ادغام هوش مصنوعی در اپلیکیشن‌های وب
• 48. ساخت API برای مدل‌های هوش مصنوعی
• 49. استفاده از Cloud Functions
• 50. استفاده از Cloud Run
• 51. استفاده از Kubernetes Engine (GKE)
• 52. مقدمه‌ای بر معماری میکروسرویس
• 53. امنیت APIها
• 54. اعتبارسنجی و احراز هویت
• 55. مدیریت خطا و لاگینگ
• 56. تست و ارزیابی برنامه‌های کاربردی
• 57. روش‌های بهینه‌سازی عملکرد
• 58. مقیاس‌پذیری برنامه‌ها
• 59. مقدمه‌ای بر DevOps
• 60. پایپ‌لاین‌های CI/CD
• 61. خودکارسازی استقرار
• 62. مانیتورینگ و هشداردهی
• 63. روش‌های امن‌سازی برنامه‌های کاربردی
• 64. مدیریت پیکربندی
• 65. مقدمه‌ای بر امنیت سایبری
• 66. اصول حفاظت از داده‌ها
• 67. آشنایی با تهدیدات رایج
• 68. راهکارهای مقابله با تهدیدات
• 69. مدیریت ریسک در پروژه‌های فناوری
• 70. مقررات حفاظت از داده‌ها در ایران
• 71. قوانین مربوط به مالکیت معنوی داده‌ها
• 72. اصول توسعه نرم‌افزار پایدار
• 73. اهمیت مستندسازی در پروژه‌ها
• 74. مدیریت پروژه در محیط‌های چابک
• 75. ارتباط موثر در تیم‌های فنی
• 76. یادگیری مستمر و به‌روزرسانی دانش
• 77. کاربرد هوش مصنوعی مولد در تحلیل داده
• 78. تولید گزارش‌های تحلیلی خودکار
• 79. تولید سناریوهای مختلف برای پیش‌بینی
• 80. استفاده از هوش مصنوعی در بهینه‌سازی فرآیندها
• 81. مقدمه‌ای بر اتوماسیون فرآیندهای هوشمند (IPA)
• 82. توسعه ابزارهای کمکی برای تصمیم‌گیری
• 83. کاربرد هوش مصنوعی در بهبود تجربه مشتری
• 84. شخصی‌سازی محتوا و پیشنهادات
• 85. تولید محتوای بازاریابی
• 86. بهینه‌سازی کمپین‌های تبلیغاتی
• 87. مقدمه‌ای بر بلاکچین و کاربردهای آن
• 88. کاربرد هوش مصنوعی در تحلیل داده‌های بلاکچین
• 89. ملاحظات حقوقی و اخلاقی در توسعه برنامه‌های هوش مصنوعی
• 90. تأثیرات اجتماعی هوش مصنوعی
• 91. آینده هوش مصنوعی مولد
• 92. پروژه‌های عملی و مطالعات موردی
• 93. ساخت یک چت‌بات هوشمند
• 94. توسعه یک سیستم توصیه‌گر
• 95. پیاده‌سازی یک مدل تشخیص ناهنجاری
• 96. آموزش مدل برای تولید محتوای متنی تخصصی
• 97. توسعه یک ابزار خلاصه‌سازی اخبار
• 98. ساخت یک سیستم ترجمه زبان با کیفیت بالا
• 99. پیاده‌سازی یک مدل تولید تصویر سفارشی
• 100. توسعه یک برنامه کاربردی مبتنی بر LLM