اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع هوش مصنوعی تمام‌کد و عوامل هوشمند (Full-Stack AI & AI Agents)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع هوش مصنوعی تمام‌کد و عوامل هوشمند (Full-Stack AI & AI Agents)

موضوع کلی: هوش مصنوعی و توسعه نرم‌افزار

موضوع میانی: توسعه سیستم‌های هوش مصنوعی پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و توسعه تمام‌کد
• 2. مبانی یادگیری ماشین برای توسعه‌دهندگان
• 3. مفاهیم کلیدی شبکه‌های عصبی
• 4. معماری‌های پرکاربرد شبکه‌های عصبی
• 5. مقدمات پردازش زبان طبیعی
• 6. تکنیک‌های پیشرفته پردازش زبان طبیعی
• 7. مبانی بینایی ماشین
• 8. شبکه‌های عصبی کانولوشنال
• 9. شبکه‌های عصبی بازگشتی
• 10. ترنسفورمرها در پردازش زبان طبیعی
• 11. معماری‌های پیشرفته ترنسفورمر
• 12. مدل‌های زبانی بزرگ (LLMs)
• 13. تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ
• 14. مهندسی پرامپت برای مدل‌های زبانی بزرگ
• 15. ساخت عوامل هوشمند (AI Agents)
• 16. معماری عوامل هوشمند
• 17. برنامه‌ریزی و تصمیم‌گیری در عوامل هوشمند
• 18. مدیریت حافظه در عوامل هوشمند
• 19. تعامل عوامل هوشمند با محیط
• 20. ابزارها و فریم‌ورک‌های توسعه عوامل هوشمند
• 21. توسعه عوامل هوشمند با LangChain
• 22. توسعه عوامل هوشمند با LlamaIndex
• 23. تکنیک‌های بازیابی اطلاعات (RAG)
• 24. پیاده‌سازی سیستم‌های RAG
• 25. روش‌های ارزیابی عوامل هوشمند
• 26. اصول توسعه نرم‌افزار تمام‌کد
• 27. مفاهیم معماری نرم‌افزار
• 28. الگوهای طراحی نرم‌افزار
• 29. توسعه رابط کاربری (Frontend)
• 30. فریم‌ورک‌های مدرن توسعه رابط کاربری
• 31. توسعه سمت سرور (Backend)
• 32. پایگاه‌های داده رابطه‌ای
• 33. پایگاه‌های داده NoSQL
• 34. مدیریت API
• 35. معماری میکروسرویس
• 36. استقرار و عملیات (DevOps)
• 37. کانتینرسازی با Docker
• 38. ارکستراسیون با Kubernetes
• 39. امنیت در توسعه نرم‌افزار
• 40. اصول امنیت داده‌ها
• 41. آزمون و تضمین کیفیت نرم‌افزار
• 42. متدولوژی‌های چابک (Agile)
• 43. توسعه نرم‌افزار پایدار (Sustainable Software Development)
• 44. مقدمه‌ای بر هوش مصنوعی اخلاقی
• 45. سوگیری در هوش مصنوعی و راهکارهای آن
• 46. شفافیت و قابلیت توضیح‌پذیری (XAI)
• 47. حریم خصوصی در هوش مصنوعی
• 48. مسئولیت‌پذیری در هوش مصنوعی
• 49. کاربرد هوش مصنوعی در صنعت
• 50. هوش مصنوعی در حوزه سلامت
• 51. هوش مصنوعی در حوزه آموزش
• 52. هوش مصنوعی در حوزه مالی
• 53. هوش مصنوعی در حوزه کسب‌وکار
• 54. معرفی فریم‌ورک‌های یادگیری عمیق
• 55. TensorFlow برای توسعه‌دهندگان
• 56. PyTorch برای توسعه‌دهندگان
• 57. آموزش مدل‌های یادگیری عمیق
• 58. بهینه‌سازی مدل‌های یادگیری عمیق
• 59. استقرار مدل‌های یادگیری عمیق
• 60. مقدمه‌ای بر یادگیری تقویتی
• 61. الگوریتم‌های یادگیری تقویتی
• 62. کاربردهای یادگیری تقویتی
• 63. پردازش سیگنال‌های صوتی با هوش مصنوعی
• 64. تحلیل و تفسیر داده‌های سری زمانی
• 65. تکنیک‌های پیش‌بینی با هوش مصنوعی
• 66. مدل‌سازی عامل‌بنیان (Agent-Based Modeling)
• 67. شبیه‌سازی با هوش مصنوعی
• 68. خلاصه‌سازی متن با هوش مصنوعی
• 69. تولید متن خلاقانه با هوش مصنوعی
• 70. ترجمه ماشینی پیشرفته
• 71. تشخیص و تولید گفتار
• 72. سیستم‌های توصیه‌گر
• 73. تحلیل احساسات و نظرات
• 74. پردازش تصویر پیشرفته
• 75. تشخیص اشیاء و ردیابی
• 76. تولید تصویر با هوش مصنوعی
• 77. مقدمه‌ای بر مفاهیم ریاضیات برای هوش مصنوعی
• 78. جبر خطی و کاربردهای آن
• 79. حساب دیفرانسیل و انتگرال در یادگیری ماشین
• 80. آمار و احتمالات برای هوش مصنوعی
• 81. بهینه‌سازی در یادگیری ماشین
• 82. مبانی شبکه‌های مولد تخاصمی (GANs)
• 83. کاربردهای GANs در تولید محتوا
• 84. تکنیک‌های کاهش بعد
• 85. تحلیل مولفه‌های اصلی (PCA)
• 86. تکنیک‌های خوشه‌بندی
• 87. یادگیری نظارت نشده
• 88. یادگیری نیمه‌نظارت شده
• 89. یادگیری عمیق توزیع‌شده
• 90. مقدمه‌ای بر رایانش ابری برای هوش مصنوعی
• 91. خدمات ابری برای یادگیری ماشین
• 92. استفاده از GPU در رایانش ابری
• 93. مدیریت داده‌ها در مقیاس بزرگ
• 94. امنیت و حریم خصوصی در محیط ابری
• 95. کاربرد هوش مصنوعی در رباتیک
• 96. کنترل ربات‌ها با هوش مصنوعی
• 97. یادگیری در رباتیک
• 98. هوش مصنوعی برای توسعه بازی
• 99. موتورهای بازی و ادغام هوش مصنوعی
• 100. تست و اعتبارسنجی سیستم‌های هوش مصنوعی