فلش‌کارت‌های آموزشی ساخت برنامه‌های هوش مصنوعی مولد در Google Cloud: راهنمای عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامه‌های هوش مصنوعی مولد در Google Cloud: راهنمای عملی

موضوع کلی: هوش مصنوعی مولد در رایانش ابری

موضوع میانی: توسعهٔ برنامه‌های کاربردی هوش مصنوعی مولد با استفاده از Google Cloud

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر رایانش ابری و هوش مصنوعی مولد
• 2. مفاهیم پایه هوش مصنوعی مولد
• 3. معماری مدل‌های زبانی بزرگ (LLMs)
• 4. کاربردهای هوش مصنوعی مولد در صنایع مختلف
• 5. مروری بر خدمات Google Cloud برای هوش مصنوعی
• 6. Google Cloud Platform: زیرساخت ابری
• 7. معرفی Vertex AI: پلتفرم هوش مصنوعی گوگل
• 8. قابلیت‌های Vertex AI برای مدل‌های مولد
• 9. آماده‌سازی محیط توسعه در Google Cloud
• 10. ایجاد و مدیریت پروژه‌ها در Google Cloud
• 11. امنیت در Google Cloud برای برنامه‌های هوش مصنوعی
• 12. مدیریت دسترسی و هویت (IAM) در Google Cloud
• 13. ذخیره‌سازی داده‌ها در Google Cloud
• 14. انواع سرویس‌های ذخیره‌سازی ابری
• 15. Google Cloud Storage برای داده‌های هوش مصنوعی
• 16. پایگاه‌های داده در Google Cloud
• 17. BigQuery برای تحلیل داده‌های حجیم
• 18. مدل‌سازی داده‌ها برای هوش مصنوعی مولد
• 19. پردازش داده‌ها با استفاده از Dataflow
• 20. ساخت مدل‌های پایه (Foundation Models)
• 21. آموزش مدل‌های زبانی سفارشی
• 22. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 23. استفاده از مدل‌های از پیش آموزش‌دیده در Vertex AI
• 24. مدل‌های متن به متن (Text-to-Text)
• 25. مدل‌های متن به تصویر (Text-to-Image)
• 26. مدل‌های متن به صدا (Text-to-Speech)
• 27. مدل‌های کدنویسی مولد (Code Generation)
• 28. توسعه API برای مدل‌های هوش مصنوعی مولد
• 29. استقرار مدل‌ها در Vertex AI Endpoints
• 30. مدیریت چرخه عمر مدل‌های هوش مصنوعی
• 31. مانیتورینگ عملکرد مدل‌ها
• 32. بهینه‌سازی هزینه‌ها در Google Cloud
• 33. استفاده از ماشین‌های مجازی (VMs) برای پردازش
• 34. Google Kubernetes Engine (GKE) برای مقیاس‌پذیری
• 35. میکروسرویس‌ها در معماری ابری
• 36. طراحی معماری برنامه هوش مصنوعی مولد
• 37. اتصال به سرویس‌های دیگر Google Cloud
• 38. استفاده از Cloud Functions برای پردازش رویداد
• 39. Google Cloud Run برای اجرای کانتینرها
• 40. توسعه رابط کاربری (UI) برای برنامه‌های هوش مصنوعی
• 41. فریم‌ورک‌های توسعه وب سازگار با ابر
• 42. طراحی تجربه کاربری (UX) برای برنامه‌های هوش مصنوعی
• 43. ملاحظات اخلاقی در هوش مصنوعی مولد
• 44. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 45. حریم خصوصی داده‌ها در برنامه‌های ابری
• 46. ایجاد چت‌بات‌های هوشمند با استفاده از Vertex AI
• 47. تولید محتوا با هوش مصنوعی مولد
• 48. خلاصه‌سازی متون با مدل‌های زبانی
• 49. ترجمه ماشینی با استفاده از Cloud Translation
• 50. سیستم‌های توصیه‌گر مبتنی بر هوش مصنوعی
• 51. تحلیل احساسات متون
• 52. کاربرد هوش مصنوعی در خدمات مشتریان
• 53. امنیت داده‌ها در برابر حملات سایبری
• 54. مدیریت ریسک در پروژه‌های ابری
• 55. استفاده از ابزارهای DevOps در Google Cloud
• 56. خودکارسازی فرآیندهای توسعه و استقرار
• 57. تست و ارزیابی برنامه‌های هوش مصنوعی
• 58. پایش و لاگ‌برداری در Google Cloud
• 59. مدیریت خطاها و استثناها
• 60. مفاهیم پیشرفته Prompt Engineering
• 61. تکنیک‌های پیشرفته برای تنظیم دقیق مدل‌ها
• 62. معماری‌های پیشرفته مدل‌های مولد
• 63. شبکه‌های عصبی مولد تخاصمی (GANs)
• 64. ترنسفورمرها و مدل‌های مبتنی بر توجه
• 65. یادگیری تقویتی در مدل‌های مولد
• 66. کاربرد هوش مصنوعی در پردازش زبان طبیعی (NLP)
• 67. تولید کد با استفاده از Codey API
• 68. مدل‌های مولد چندوجهی (Multimodal)
• 69. پردازش تصویر با استفاده از Vision AI
• 70. تشخیص اشیاء در تصاویر
• 71. تولید تصاویر واقع‌گرایانه
• 72. کاربرد هوش مصنوعی در تحلیل ویدئو
• 73. مدیریت دارایی‌های دیجیتال در ابر
• 74. امنیت و انطباق در محیط ابری
• 75. قوانین و مقررات مربوط به هوش مصنوعی
• 76. استانداردهای صنعتی برای هوش مصنوعی
• 77. اصول توسعه مسئولانه هوش مصنوعی
• 78. ملاحظات حقوقی در استفاده از داده‌ها
• 79. مدیریت تیم‌های توسعه هوش مصنوعی
• 80. فرهنگ نوآوری در سازمان
• 81. یادگیری مستمر در حوزه هوش مصنوعی
• 82. آینده هوش مصنوعی مولد
• 83. استراتژی‌های استقرار هوش مصنوعی در کسب‌وکار
• 84. ارزیابی سرمایه‌گذاری در پروژه‌های هوش مصنوعی
• 85. نکات عملی برای توسعه‌دهندگان
• 86. جمع‌بندی و گام‌های بعدی
• 87. مروری بر ابزارها و منابع تکمیلی
• 88. نکات کلیدی برای موفقیت در پروژه‌های ابری
• 89. پرهیز از سوگیری در مدل‌های هوش مصنوعی
• 90. توسعه برنامه‌های پایدار و مقیاس‌پذیر
• 91. جمع‌بندی و چشم‌انداز آینده هوش مصنوعی مولد در Google Cloud