فلش‌کارت‌های آموزشی ساخت و اجرای برنامه‌های هوش مصنوعی با استفاده از خدمات ابری Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و اجرای برنامه‌های هوش مصنوعی با استفاده از خدمات ابری Azure

موضوع کلی: هوش مصنوعی و کاربردهای آن

موضوع میانی: توسعهٔ کاربردهای هوش مصنوعی در محیط‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و کاربردهای آن
• 2. اصول یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 4. مفاهیم کلیدی در یادگیری ماشین: داده‌ها، ویژگی‌ها، مدل‌ها
• 5. مقدمه‌ای بر خدمات ابری Azure
• 6. مزایای استفاده از Azure برای هوش مصنوعی
• 7. آشنایی با Azure Machine Learning
• 8. راه‌اندازی محیط Azure Machine Learning
• 9. مدیریت داده‌ها در Azure
• 10. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 11. انتخاب الگوریتم مناسب برای مسئله
• 12. آموزش مدل‌های یادگیری ماشین در Azure
• 13. ارزیابی عملکرد مدل‌ها
• 14. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 15. استقرار مدل‌های یادگیری ماشین در Azure
• 16. ساخت برنامه‌های کاربردی هوش مصنوعی
• 17. مقدمه‌ای بر عامل‌های هوش مصنوعی (AI Agents)
• 18. معماری عامل‌های هوش مصنوعی
• 19. طراحی عامل‌های هوش مصنوعی
• 20. پیاده‌سازی عامل‌های هوش مصنوعی با استفاده از Azure
• 21. کاربرد عامل‌های هوش مصنوعی در اتوماسیون
• 22. کاربرد عامل‌های هوش مصنوعی در پشتیبانی مشتری
• 23. کاربرد عامل‌های هوش مصنوعی در تحلیل داده‌ها
• 24. کاربرد عامل‌های هوش مصنوعی در بازی‌ها
• 25. کاربرد عامل‌های هوش مصنوعی در سلامت
• 26. کاربرد عامل‌های هوش مصنوعی در آموزش
• 27. کاربرد عامل‌های هوش مصنوعی در صنعت
• 28. کاربرد عامل‌های هوش مصنوعی در کشاورزی
• 29. کاربرد عامل‌های هوش مصنوعی در حمل و نقل
• 30. کاربرد عامل‌های هوش مصنوعی در خدمات مالی
• 31. کاربرد عامل‌های هوش مصنوعی در مدیریت شهری
• 32. کاربرد عامل‌های هوش مصنوعی در تحقیقات علمی
• 33. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 34. تکنیک‌های NLP در Azure
• 35. ساخت چت‌بات با Azure Bot Service
• 36. مدیریت مکالمات در چت‌بات‌ها
• 37. یکپارچه‌سازی چت‌بات با سایر سرویس‌ها
• 38. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 39. تکنیک‌های بینایی ماشین در Azure
• 40. تشخیص اشیاء در تصاویر
• 41. طبقه‌بندی تصاویر
• 42. تحلیل احساسات از روی تصاویر
• 43. تشخیص چهره در تصاویر
• 44. تکنیک‌های پردازش تصویر در Azure
• 45. کاربرد بینایی ماشین در نظارت تصویری
• 46. کاربرد بینایی ماشین در تحلیل محتوای تصویری
• 47. کاربرد بینایی ماشین در سلامت
• 48. کاربرد بینایی ماشین در خرده‌فروشی
• 49. کاربرد بینایی ماشین در تولید
• 50. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 51. شبکه‌های عصبی کانولوشنال (CNN)
• 52. شبکه‌های عصبی بازگشتی (RNN)
• 53. کاربرد یادگیری عمیق در NLP
• 54. کاربرد یادگیری عمیق در بینایی ماشین
• 55. آموزش مدل‌های یادگیری عمیق در Azure
• 56. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 57. مدل‌های زبانی بزرگ (LLMs)
• 58. آموزش و تنظیم دقیق LLMs
• 59. کاربرد هوش مصنوعی مولد در تولید محتوا
• 60. کاربرد هوش مصنوعی مولد در طراحی
• 61. کاربرد هوش مصنوعی مولد در برنامه‌نویسی
• 62. کاربرد هوش مصنوعی مولد در خلاقیت
• 63. ملاحظات اخلاقی در هوش مصنوعی
• 64. امنیت در برنامه‌های هوش مصنوعی
• 65. حریم خصوصی داده‌ها در هوش مصنوعی
• 66. مسئولیت‌پذیری در هوش مصنوعی
• 67. اصول طراحی سیستم‌های هوش مصنوعی اخلاقی
• 68. توسعه پایدار با هوش مصنوعی
• 69. آینده هوش مصنوعی در ایران
• 70. نوآوری در کاربردهای هوش مصنوعی
• 71. پروژه‌های عملی هوش مصنوعی در Azure
• 72. کار با Azure Functions برای اجرای کد هوش مصنوعی
• 73. استفاده از Azure Kubernetes Service (AKS) برای استقرار برنامه‌های هوش مصنوعی
• 74. مانیتورینگ و مدیریت برنامه‌های هوش مصنوعی در Azure
• 75. بهینه‌سازی هزینه‌ها در Azure برای پروژه‌های هوش مصنوعی
• 76. راهکارهای امنیتی پیشرفته در Azure برای هوش مصنوعی
• 77. مدیریت چرخه عمر مدل‌های هوش مصنوعی (MLOps)
• 78. ابزارهای MLOps در Azure
• 79. خودکارسازی فرآیندهای MLOps
• 80. تست و اعتبارسنجی مدل‌ها در MLOps
• 81. بازنگری و به‌روزرسانی مدل‌ها
• 82. مقدمه‌ای بر هوش مصنوعی در سازمان‌های دولتی
• 83. کاربرد هوش مصنوعی در بهبود خدمات عمومی
• 84. هوش مصنوعی و شفافیت در نظام اداری
• 85. هوش مصنوعی و مبارزه با فساد
• 86. هوش مصنوعی و مدیریت بحران
• 87. هوش مصنوعی و توسعه اقتصادی
• 88. هوش مصنوعی و ارتقاء دانش
• 89. هوش مصنوعی و فرهنگ‌سازی
• 90. هوش مصنوعی و آینده شغلی
• 91. آینده هوش مصنوعی و چالش‌های پیش رو
• 92. جمع‌بندی و راهکارهای آینده