اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت برنامه‌های هوش مصنوعی مولد با استفاده از Google Cloud

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامه‌های هوش مصنوعی مولد با استفاده از Google Cloud

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعهٔ برنامه‌های هوش مصنوعی با استفاده از پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی مولد
• 2. معرفی Google Cloud برای هوش مصنوعی
• 3. ساختار کلی پروژه‌های هوش مصنوعی در Google Cloud
• 4. مفاهیم پایه یادگیری ماشین
• 5. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 6. یادگیری عمیق و شبکه‌های عصبی
• 7. معماری‌های رایج شبکه‌های عصبی
• 8. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 9. کاربرد LLMs در هوش مصنوعی مولد
• 10. معرفی Vertex AI در Google Cloud
• 11. قابلیت‌های اصلی Vertex AI
• 12. آماده‌سازی محیط توسعه در Google Cloud
• 13. تنظیمات پروژه و حساب کاربری
• 14. مدیریت داده‌ها در Google Cloud Storage
• 15. انتقال و بارگذاری داده‌ها
• 16. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 17. پاکسازی و نرمال‌سازی داده‌ها
• 18. مهندسی ویژگی (Feature Engineering)
• 19. مقدمه‌ای بر مدل‌سازی در Vertex AI
• 20. استفاده از AutoML برای ساخت مدل
• 21. آموزش مدل‌های سفارشی در Vertex AI
• 22. انتخاب فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 23. پیاده‌سازی مدل‌های سفارشی با TensorFlow
• 24. پیاده‌سازی مدل‌های سفارشی با PyTorch
• 25. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 26. ارزیابی عملکرد مدل
• 27. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 28. معیارهای ارزیابی مدل‌های رگرسیون
• 29. مقدمه‌ای بر مدل‌های مولد
• 30. مدل‌های تولید متن (Text Generation Models)
• 31. معماری Transformer و کاربرد آن
• 32. آموزش مدل‌های زبانی از ابتدا
• 33. تنظیم دقیق (Fine-tuning) مدل‌های زبانی از پیش آموزش دیده
• 34. مدل‌های تولید تصویر (Image Generation Models)
• 35. شبکه‌های مولد تخاصمی (GANs)
• 36. مدل‌های انتشار (Diffusion Models)
• 37. تولید متن با استفاده از Vertex AI
• 38. استفاده از APIهای هوش مصنوعی مولد
• 39. مدل‌های مکالمه‌ای و چت‌بات‌ها
• 40. طراحی جریان مکالمه (Conversation Flow)
• 41. پیاده‌سازی چت‌بات‌ها در Vertex AI
• 42. تولید تصویر با استفاده از Vertex AI
• 43. استفاده از ابزارهای هوش مصنوعی مولد تصویر
• 44. تولید کد با استفاده از هوش مصنوعی
• 45. مقدمه‌ای بر امنیت در پروژه‌های هوش مصنوعی
• 46. اصول اخلاقی در هوش مصنوعی
• 47. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 48. حریم خصوصی داده‌ها در پروژه‌های ابری
• 49. مدیریت دسترسی و مجوزها در Google Cloud
• 50. مقدمه‌ای بر استقرار (Deployment) مدل‌ها
• 51. استقرار مدل‌ها در Vertex AI Endpoints
• 52. استقرار مدل‌ها با استفاده از Containers
• 53. مانیتورینگ عملکرد مدل‌های مستقر شده
• 54. لاگ‌گیری و ردیابی در Google Cloud
• 55. بهینه‌سازی هزینه در پروژه‌های هوش مصنوعی
• 56. مدیریت منابع در Google Cloud
• 57. استفاده از ماشین‌های مجازی مناسب
• 58. بهینه‌سازی استفاده از GPU و TPU
• 59. معرفی BigQuery برای تحلیل داده‌های بزرگ
• 60. یکپارچه‌سازی BigQuery با Vertex AI
• 61. کاربرد هوش مصنوعی مولد در کسب‌وکارها
• 62. مطالعات موردی: هوش مصنوعی در تجارت الکترونیک
• 63. مطالعات موردی: هوش مصنوعی در خدمات مشتری
• 64. مطالعات موردی: هوش مصنوعی در تولید محتوا
• 65. مطالعات موردی: هوش مصنوعی در تحلیل داده
• 66. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 67. تحلیل احساسات (Sentiment Analysis)
• 68. شناسایی موجودیت‌های نام‌دار (Named Entity Recognition)
• 69. ترجمه ماشینی
• 70. خلاصه‌سازی متن
• 71. تولید متن خلاقانه
• 72. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 73. تشخیص اشیاء (Object Detection)
• 74. دسته‌بندی تصاویر (Image Classification)
• 75. تقسیم‌بندی تصاویر (Image Segmentation)
• 76. تولید توضیحات تصویر (Image Captioning)
• 77. کاربرد هوش مصنوعی مولد در پردازش زبان طبیعی
• 78. کاربرد هوش مصنوعی مولد در بینایی ماشین
• 79. معرفی مدل‌های چندوجهی (Multimodal Models)
• 80. تولید محتوای ترکیبی (متن و تصویر)
• 81. طراحی و ساخت برنامه‌های هوش مصنوعی مولد
• 82. معماری برنامه‌های هوش مصنوعی مولد
• 83. مراحل توسعه یک برنامه هوش مصنوعی مولد
• 84. تست و ارزیابی برنامه‌های هوش مصنوعی مولد
• 85. اشکال‌زدایی (Debugging) برنامه‌های هوش مصنوعی
• 86. مقدمه‌ای بر یادگیری تقویتی در هوش مصنوعی مولد
• 87. کاربرد یادگیری تقویتی در بهینه‌سازی مدل‌ها
• 88. توسعه برنامه‌های هوش مصنوعی مقیاس‌پذیر
• 89. مدیریت چرخه حیات مدل (MLOps)
• 90. ابزارهای MLOps در Google Cloud
• 91. پایش و نگهداری مدل‌ها در طول زمان
• 92. به‌روزرسانی و بازآموزی مدل‌ها
• 93. مقدمه‌ای بر هوش مصنوعی قابل توضیح (XAI)
• 94. تکنیک‌های توضیح‌پذیری مدل‌ها
• 95. اعتماد به سیستم‌های هوش مصنوعی
• 96. ملاحظات حقوقی و مقرراتی در توسعه هوش مصنوعی
• 97. استانداردهای بین‌المللی در هوش مصنوعی
• 98. آینده هوش مصنوعی مولد