اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت عامل‌های هوشمند تخصصی با استفاده از بازیابی افزوده (RAG) برای آموزش پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت عامل‌های هوشمند تخصصی با استفاده از بازیابی افزوده (RAG) برای آموزش پیشرفته

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعهٔ عوامل هوشمند مبتنی بر مدل‌های زبانی بزرگ (LLM)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. شبکه‌های عصبی مصنوعی
• 8. شبکه‌های عصبی عمیق
• 9. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM)
• 10. معماری ترنسفورمر
• 11. توکن‌سازی و جاسازی کلمات
• 12. مدل‌های زبانی پیش‌آموزش‌دیده
• 13. تنظیم دقیق مدل‌های زبانی
• 14. مفاهیم اصلی توسعه عامل‌های هوشمند
• 15. معماری عامل‌های هوشمند
• 16. نقش مدل‌های زبانی در عامل‌های هوشمند
• 17. مقدمه‌ای بر بازیابی افزوده (RAG)
• 18. چرا RAG برای عامل‌های تخصصی؟
• 19. کاربرد RAG در آموزش
• 20. اصول بازیابی اطلاعات
• 21. شاخص‌گذاری و ذخیره‌سازی اسناد
• 22. الگوریتم‌های بازیابی
• 23. مدل‌های زبانی و بازیابی
• 24. ترکیب LLM و RAG
• 25. معماری پایه RAG
• 26. مولفه‌های سیستم RAG
• 27. بازیابی اسناد مرتبط
• 28. تولید پاسخ با LLM
• 29. بهبود کیفیت بازیابی
• 30. تکنیک‌های پیشرفته بازیابی
• 31. بهینه‌سازی شاخص‌ها
• 32. استفاده از شبه‌متریک‌ها
• 33. جاسازی‌های متنی پیشرفته
• 34. بازیابی چندمرحله‌ای
• 35. مدل‌های زبانی سفارشی برای بازیابی
• 36. تنظیم دقیق LLM برای وظایف بازیابی
• 37. تولید پاسخ‌های دقیق و مرتبط
• 38. ارزیابی عملکرد سیستم RAG
• 39. معیارهای ارزیابی بازیابی
• 40. معیارهای ارزیابی تولید متن
• 41. مجموعه داده‌های ارزیابی
• 42. ساخت عامل‌های هوشمند تخصصی
• 43. تعریف دامنه تخصصی
• 44. جمع‌آوری و آماده‌سازی داده‌ها
• 45. توسعه پایگاه دانش
• 46. پیاده‌سازی سیستم RAG سفارشی
• 47. انتخاب مدل زبانی مناسب
• 48. تنظیم دقیق مدل برای دامنه
• 49. تست و اعتبارسنجی عامل
• 50. بهبود مداوم عامل هوشمند
• 51. کاربرد RAG در آموزش پیشرفته
• 52. ساخت دستیار آموزشی هوشمند
• 53. سیستم پرسش و پاسخ تخصصی
• 54. تولید محتوای آموزشی سفارشی
• 55. شبیه‌سازی سناریوهای یادگیری
• 56. ارزیابی دانش فراگیران
• 57. شخصی‌سازی مسیر یادگیری
• 58. ملاحظات اخلاقی در توسعه عامل‌های هوشمند
• 59. حریم خصوصی داده‌ها
• 60. شفافیت در عملکرد عامل
• 61. مسئولیت‌پذیری در قبال خروجی‌ها
• 62. جلوگیری از سوگیری در مدل‌ها
• 63. امنیت سیستم‌های هوش مصنوعی
• 64. ملاحظات قانونی و مقرراتی
• 65. چارچوب‌های حقوقی هوش مصنوعی
• 66. استانداردهای فنی در ایران
• 67. مقررات بانک مرکزی در رمزارز
• 68. قوانین مربوط به محتوای دیجیتال
• 69. مصوبات شورای عالی انقلاب فرهنگی
• 70. مبانی فقهی معاملات اسلامی
• 71. بانکداری بدون ربا در ایران
• 72. اقتصاد مقاومتی و هوش مصنوعی
• 73. نقش هوش مصنوعی در اقتصاد ملی
• 74. توسعه فناوری‌های بومی
• 75. دیجیتالی‌سازی خدمات دولتی
• 76. پروتکل‌های وزارت بهداشت
• 77. روانشناسی خانواده ایرانی-اسلامی
• 78. تاریخ معاصر ایران
• 79. روابط بین‌الملل از منظر منافع ملی
• 80. فرهنگ و هنر در چارچوب رسمی
• 81. عرفان اسلامی و تشیع اثنی‌عشری
• 82. کلام اسلامی و مباحث اعتقادی
• 83. احکام شرعی و فقه جعفری
• 84. روش‌های تحلیل داده‌های بزرگ
• 85. یادگیری عمیق برای پردازش زبان طبیعی
• 86. تکنیک‌های استخراج دانش از متون
• 87. ساخت سیستم‌های توصیه‌گر
• 88. کاربرد هوش مصنوعی در کشف دارو
• 89. مدل‌سازی پیش‌بینی‌کننده در سلامت
• 90. بهینه‌سازی فرآیندهای صنعتی
• 91. هوش مصنوعی در کشاورزی هوشمند
• 92. سیستم‌های خودران و ایمنی
• 93. یادگیری تقویتی در رباتیک
• 94. پردازش تصویر با شبکه‌های عصبی کانولوشن
• 95. تحلیل احساسات در متون فارسی
• 96. ساخت چت‌بات‌های سازگار با فرهنگ ایرانی
• 97. توسعه عامل‌های هوشمند برای پژوهشگران
• 98. هوش مصنوعی در خدمات عمومی
• 99. پایش و تحلیل داده‌های کلان شهری
• 100. مدیریت منابع انرژی با هوش مصنوعی