اپلیکیشن اندرویدی فلش‌کارت آموزشی گواهینامه مبانی هوش مصنوعی Azure (AI-900): آمادگی جامع برای آزمون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره گواهینامه مبانی هوش مصنوعی Azure (AI-900): آمادگی جامع برای آزمون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی هوش مصنوعی و خدمات Azure AI

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم کلیدی هوش مصنوعی
• 3. کاربردهای هوش مصنوعی در دنیای واقعی
• 4. اخلاق در هوش مصنوعی و مسئولیت‌پذیری
• 5. مبانی یادگیری ماشین
• 6. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 7. مدل‌های یادگیری ماشین: رگرسیون، طبقه‌بندی
• 8. شبکه‌های عصبی و یادگیری عمیق
• 9. مبانی خدمات Azure AI
• 10. معرفی Azure Machine Learning
• 11. ساخت و استقرار مدل‌های یادگیری ماشین در Azure
• 12. مدیریت چرخه حیات مدل‌های یادگیری ماشین
• 13. مفاهیم پردازش زبان طبیعی (NLP)
• 14. خدمات Azure AI برای NLP
• 15. تحلیل احساسات و تشخیص موجودیت
• 16. ترجمه ماشینی و خلاصه‌سازی متن
• 17. مفاهیم بینایی ماشین (Computer Vision)
• 18. خدمات Azure AI برای بینایی ماشین
• 19. تشخیص اشیاء و طبقه‌بندی تصویر
• 20. تشخیص چهره و تحلیل تصویر
• 21. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 22. کاربرد LLMs در Azure
• 23. تخصیص و تنظیم دقیق LLMs
• 24. ملاحظات امنیتی در Azure AI
• 25. حریم خصوصی داده‌ها در Azure AI
• 26. مدیریت دسترسی و هویت در Azure AI
• 27. مقررات و انطباق در Azure AI
• 28. کاربرد هوش مصنوعی در کسب و کار
• 29. هوش مصنوعی و تحول دیجیتال
• 30. آینده هوش مصنوعی و یادگیری ماشین
• 31. مبانی آمار و احتمالات برای یادگیری ماشین
• 32. جبر خطی برای یادگیری ماشین
• 33. بهینه‌سازی در یادگیری ماشین
• 34. ارزیابی مدل‌های یادگیری ماشین
• 35. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 36. مهندسی ویژگی (Feature Engineering)
• 37. کاهش ابعاد (Dimensionality Reduction)
• 38. خوشه‌بندی (Clustering)
• 39. ماشین‌های بردار پشتیبان (SVM)
• 40. درخت‌های تصمیم و جنگل‌های تصادفی
• 41. شبکه‌های کانولوشنال (CNNs)
• 42. شبکه‌های بازگشتی (RNNs)
• 43. حافظه طولانی کوتاه مدت (LSTM)
• 44. ترنسفورمرها (Transformers)
• 45. پردازش زبان طبیعی پیشرفته
• 46. مدل‌سازی موضوعی (Topic Modeling)
• 47. تحلیل شبکه‌های اجتماعی با NLP
• 48. بینایی ماشین پیشرفته
• 49. تشخیص و ردیابی اشیاء
• 50. تولید تصویر و ویدئو
• 51. تشخیص ناهنجاری (Anomaly Detection)
• 52. سیستم‌های توصیه‌گر (Recommender Systems)
• 53. یادگیری تقویتی پیشرفته
• 54. کاربردهای یادگیری تقویتی
• 55. هوش مصنوعی مولد (Generative AI)
• 56. تولید متن با LLMs
• 57. تولید تصویر و هنر با هوش مصنوعی
• 58. تولید کد با هوش مصنوعی
• 59. هوش مصنوعی اخلاقی و مسئولانه
• 60. سوگیری در مدل‌های هوش مصنوعی
• 61. عدالت و شفافیت در هوش مصنوعی
• 62. قابلیت توضیح‌پذیری مدل‌های هوش مصنوعی (XAI)
• 63. حاکمیت هوش مصنوعی
• 64. هوش مصنوعی در صنعت سلامت
• 65. هوش مصنوعی در صنعت مالی
• 66. هوش مصنوعی در صنعت خرده‌فروشی
• 67. هوش مصنوعی در صنعت تولید
• 68. هوش مصنوعی در صنعت حمل و نقل
• 69. هوش مصنوعی در آموزش
• 70. هوش مصنوعی و رباتیک
• 71. اینترنت اشیاء (IoT) و هوش مصنوعی
• 72. پردازش ابری برای هوش مصنوعی
• 73. محاسبات لبه (Edge Computing) و هوش مصنوعی
• 74. مبانی امنیت سایبری در هوش مصنوعی
• 75. حملات به مدل‌های هوش مصنوعی
• 76. دفاع در برابر حملات به هوش مصنوعی
• 77. حریم خصوصی داده‌ها و انطباق با مقررات
• 78. مدیریت ریسک در پروژه‌های هوش مصنوعی
• 79. استراتژی‌های پیاده‌سازی هوش مصنوعی
• 80. رهبری و مدیریت تیم‌های هوش مصنوعی
• 81. فرهنگ سازمانی برای هوش مصنوعی
• 82. نوآوری با هوش مصنوعی
• 83. آینده کار و هوش مصنوعی
• 84. تاثیرات اجتماعی هوش مصنوعی
• 85. چالش‌های جهانی هوش مصنوعی
• 86. همکاری‌های بین‌المللی در هوش مصنوعی
• 87. آموزش و توسعه مهارت‌های هوش مصنوعی
• 88. مقررات‌گذاری هوش مصنوعی
• 89. استانداردسازی در هوش مصنوعی
• 90. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 91. طراحی سیستم‌های هوش مصنوعی انسان‌محور
• 92. تجربه کاربری (UX) در هوش مصنوعی
• 93. تست و اعتبارسنجی سیستم‌های هوش مصنوعی
• 94. پایش و نگهداری مدل‌های هوش مصنوعی
• 95. بهبود مستمر سیستم‌های هوش مصنوعی