دوره ساخت برنامه‌های هوش مصنوعی مولد با استفاده از خدمات ابری (با تمرکز بر مفاهیم فنی و کاربردی سازگار) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامه‌های هوش مصنوعی مولد با استفاده از خدمات ابری (با تمرکز بر مفاهیم فنی و کاربردی سازگار)

موضوع کلی: هوش مصنوعی و کاربردهای آن

موضوع میانی: توسعهٔ برنامه‌های کاربردی هوش مصنوعی مولد

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی مولد
• 2. معماری مدل‌های زبانی بزرگ
• 3. مقدمه‌ای بر خدمات ابری برای هوش مصنوعی
• 4. مزایای استفاده از خدمات ابری
• 5. امنیت و حریم خصوصی در خدمات ابری
• 6. مفاهیم پایهٔ Prompt Engineering
• 7. طراحی Prompt های مؤثر
• 8. تکنیک‌های پیشرفتهٔ Prompt Engineering
• 9. استفاده از Prompt ها برای تولید متن
• 10. تولید کد با هوش مصنوعی مولد
• 11. تولید تصویر با هوش مصنوعی مولد
• 12. تولید صدا با هوش مصنوعی مولد
• 13. تولید ویدئو با هوش مصنوعی مولد
• 14. مقدمه‌ای بر Amazon Bedrock
• 15. معرفی مدل‌های موجود در Bedrock
• 16. انتخاب مدل مناسب برای کاربرد
• 17. تنظیم پارامترهای مدل در Bedrock
• 18. کار با API های Bedrock
• 19. ساخت یک برنامهٔ چت‌بات ساده
• 20. توسعهٔ چت‌بات‌های پیچیده‌تر
• 21. یکپارچه‌سازی Bedrock با برنامه‌های موجود
• 22. مدیریت داده‌ها و دانش در برنامه‌های مولد
• 23. استفاده از پایگاه‌های دادهٔ برداری
• 24. تکنیک‌های Retrieval Augmented Generation (RAG)
• 25. پیاده‌سازی RAG با Bedrock
• 26. ارزیابی عملکرد مدل‌های مولد
• 27. معیارهای ارزیابی کیفیت متن
• 28. معیارهای ارزیابی کیفیت کد
• 29. معیارهای ارزیابی کیفیت تصویر
• 30. معیارهای ارزیابی کیفیت صدا
• 31. معیارهای ارزیابی کیفیت ویدئو
• 32. بهینه‌سازی Prompt ها برای بهبود نتایج
• 33. مدیریت هزینه‌ها در استفاده از خدمات ابری
• 34. مقیاس‌پذیری برنامه‌های هوش مصنوعی مولد
• 35. ملاحظات اخلاقی در هوش مصنوعی مولد
• 36. بی‌طرفی و جلوگیری از سوگیری در مدل‌ها
• 37. شفافیت در استفاده از هوش مصنوعی مولد
• 38. مسئولیت‌پذیری در توسعهٔ برنامه‌ها
• 39. مقدمه‌ای بر امنیت برنامه‌های هوش مصنوعی
• 40. جلوگیری از حملات Prompt Injection
• 41. حفاظت از داده‌های حساس کاربران
• 42. پیاده‌سازی مکانیزم‌های کنترل دسترسی
• 43. رصد و پایش برنامه‌های هوش مصنوعی
• 44. مدیریت خطاها و استثناها در برنامه‌های مولد
• 45. استفاده از ابزارهای توسعهٔ ابری
• 46. مستندسازی برنامه‌های هوش مصنوعی مولد
• 47. اصول طراحی رابط کاربری برای برنامه‌های مولد
• 48. تجربهٔ کاربری در برنامه‌های مولد
• 49. مقدمه‌ای بر یادگیری ماشین
• 50. یادگیری نظارت‌شده و بدون نظارت
• 51. شبکه‌های عصبی و یادگیری عمیق
• 52. مفاهیم پایهٔ پردازش زبان طبیعی (NLP)
• 53. مدل‌های زبانی آماری
• 54. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 55. ترنسفورمرها و مکانیسم توجه
• 56. معماری GPT و مدل‌های مشابه
• 57. کاربرد مدل‌های زبانی در تولید متن
• 58. خلاصه‌سازی متون با هوش مصنوعی
• 59. ترجمهٔ ماشینی با هوش مصنوعی
• 60. تولید محتوای خلاقانه
• 61. تولید محتوای بازاریابی
• 62. تولید محتوای آموزشی
• 63. تولید محتوای فنی
• 64. مقدمه‌ای بر تولید تصویر
• 65. شبکه‌های مولد تخاصمی (GANs)
• 66. مدل‌های انتشاری (Diffusion Models)
• 67. کاربرد مدل‌های تولید تصویر
• 68. تولید تصاویر هنری
• 69. تولید تصاویر واقع‌گرایانه
• 70. ویرایش تصاویر با هوش مصنوعی
• 71. تولید انیمیشن‌های ساده
• 72. مقدمه‌ای بر تولید صدا
• 73. مدل‌های تولید گفتار
• 74. تبدیل متن به گفتار (TTS)
• 75. تبدیل گفتار به متن (STT)
• 76. کاربرد مدل‌های تولید صدا
• 77. تولید موسیقی با هوش مصنوعی
• 78. تولید افکت‌های صوتی
• 79. مقدمه‌ای بر تولید ویدئو
• 80. مدل‌های تولید ویدئو
• 81. تکنیک‌های تولید فریم به فریم
• 82. کاربرد مدل‌های تولید ویدئو
• 83. ساخت تیزرهای تبلیغاتی
• 84. ساخت محتوای آموزشی ویدئویی
• 85. تولید انیمیشن‌های پیچیده‌تر
• 86. مقدمه‌ای بر MLOps
• 87. استقرار مدل‌های هوش مصنوعی
• 88. پایش و نگهداری مدل‌ها
• 89. مدیریت چرخهٔ عمر مدل‌ها
• 90. استفاده از ابزارهای MLOps
• 91. معماری برنامه‌های کاربردی مبتنی بر هوش مصنوعی
• 92. طراحی سیستم‌های مقیاس‌پذیر
• 93. بهینه‌سازی عملکرد برنامه‌ها
• 94. مقدمه‌ای بر آیندهٔ هوش مصنوعی مولد
• 95. روندهای نوظهور در هوش مصنوعی مولد
• 96. چالش‌های پیش رو در هوش مصنوعی مولد
• 97. فرصت‌های شغلی در حوزهٔ هوش مصنوعی مولد
• 98. یادگیری مستمر و به‌روزرسانی دانش
• 99. کاربرد هوش مصنوعی در صنایع مختلف
• 100. توسعهٔ ابزارهای کمکی برای توسعه‌دهندگان