فلش‌کارت‌های آموزشی ساخت و تست برنامه‌های هوش مصنوعی با حافظه سوپابیس

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و تست برنامه‌های هوش مصنوعی با حافظه سوپابیس

موضوع کلی: هوش مصنوعی و توسعه نرم‌افزار

موضوع میانی: توسعه برنامه‌های کاربردی هوش مصنوعی با پایگاه داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و کاربردهای آن
• 2. مبانی یادگیری ماشین
• 3. معماری‌های شبکه‌های عصبی
• 4. یادگیری عمیق و شبکه‌های عصبی کانولوشنال
• 5. یادگیری عمیق و شبکه‌های عصبی بازگشتی
• 6. پردازش زبان طبیعی (NLP)
• 7. مدل‌های زبان بزرگ (LLMs)
• 8. معرفی پایگاه‌های داده رابطه‌ای
• 9. اصول طراحی پایگاه داده
• 10. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 11. معرفی Supabase
• 12. ساختار Supabase: پایگاه داده PostgreSQL
• 13. احراز هویت در Supabase
• 14. ذخیره‌سازی فایل در Supabase
• 15. توابع ابری Supabase (Cloud Functions)
• 16. APIهای RESTful و GraphQL در Supabase
• 17. مفاهیم عامل هوش مصنوعی (AI Agent)
• 18. معماری عامل هوش مصنوعی
• 19. طراحی حافظه برای عامل هوش مصنوعی
• 20. انواع حافظه در عامل هوش مصنوعی
• 21. پیاده‌سازی حافظه کوتاه‌مدت
• 22. پیاده‌سازی حافظه بلندمدت
• 23. تکنیک‌های بازیابی اطلاعات
• 24. جستجوی معنایی (Semantic Search)
• 25. بردارهای جاسازی (Embeddings)
• 26. مدل‌های تولید بردار جاسازی
• 27. استفاده از مدل‌های توکار (Built-in Models)
• 28. استفاده از مدل‌های خارجی
• 29. اتصال عامل هوش مصنوعی به Supabase
• 30. ذخیره و بازیابی اطلاعات از طریق Supabase
• 31. مدیریت وضعیت عامل هوش مصنوعی
• 32. طراحی جریان کار عامل هوش مصنوعی
• 33. توسعه برنامه‌های کاربردی عامل هوش مصنوعی
• 34. ساخت یک عامل پرسش و پاسخ
• 35. ساخت یک عامل خلاصه‌سازی متن
• 36. ساخت یک عامل تحلیل احساسات
• 37. ساخت یک عامل تولید محتوا
• 38. ساخت یک عامل مدیریت وظایف
• 39. تست عامل هوش مصنوعی
• 40. روش‌های تست عامل هوش مصنوعی
• 41. طراحی سناریوهای تست
• 42. ارزیابی عملکرد عامل هوش مصنوعی
• 43. معیارهای ارزیابی عامل هوش مصنوعی
• 44. بهبود عامل هوش مصنوعی
• 45. بهینه‌سازی حافظه عامل هوش مصنوعی
• 46. بهینه‌سازی بازیابی اطلاعات
• 47. مدیریت خطا در عامل هوش مصنوعی
• 48. امنیت عامل هوش مصنوعی
• 49. اصول امنیتی در توسعه نرم‌افزار
• 50. امنیت پایگاه داده در Supabase
• 51. حفاظت از داده‌های کاربر
• 52. ملاحظات اخلاقی در هوش مصنوعی
• 53. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 54. حریم خصوصی داده‌ها
• 55. مدل‌های زبانی بزرگ در عمل
• 56. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 57. استفاده از Prompt Engineering
• 58. تکنیک‌های پیشرفته Prompt Engineering
• 59. استفاده از ابزارها و کتابخانه‌های هوش مصنوعی
• 60. کتابخانه LangChain
• 61. کتابخانه LlamaIndex
• 62. یکپارچه‌سازی با سایر سرویس‌ها
• 63. استقرار برنامه‌های هوش مصنوعی
• 64. مقدمه‌ای بر DevOps
• 65. اصول CI/CD
• 66. استقرار برنامه‌های Supabase
• 67. مانیتورینگ و لاگ‌گیری
• 68. تحلیل و بهبود مستمر
• 69. مقدمه‌ای بر توسعه نرم‌افزار چابک
• 70. نقش تیم در توسعه نرم‌افزار
• 71. مدیریت پروژه در توسعه هوش مصنوعی
• 72. مستندسازی فنی
• 73. مستندسازی کاربر
• 74. نمونه‌های عملیاتی پیشرفته
• 75. ساخت یک عامل شبیه‌سازی مکالمه
• 76. ساخت یک عامل برنامه‌ریزی سفر
• 77. ساخت یک عامل تحلیل داده‌های مالی
• 78. ساخت یک عامل راهنمای آموزشی
• 79. ساخت یک عامل سیستم توصیه‌گر
• 80. مباحث پیشرفته در عامل‌های هوش مصنوعی
• 81. عامل‌های خود-بهبود دهنده
• 82. عامل‌های چند-وجهی
• 83. فناوری‌های نوظهور در هوش مصنوعی
• 84. آینده عامل‌های هوش مصنوعی
• 85. بازنگری و جمع‌بندی مباحث
• 86. فرصت‌های شغلی در حوزه هوش مصنوعی
• 87. مسیرهای یادگیری پیشرفته
• 88. پروژه‌های تکمیلی و تحقیقاتی
• 89. آخرین روندها در توسعه نرم‌افزار هوش مصنوعی
• 90. کاربرد هوش مصنوعی در صنایع مختلف
• 91. اصول کار با APIهای خارجی
• 92. مدیریت چرخه عمر داده‌ها
• 93. تحلیل داده‌های حجیم
• 94. مقدمه‌ای بر یادگیری تقویتی
• 95. کاربرد یادگیری تقویتی در عامل‌ها
• 96. تکنیک‌های ارزیابی و اعتبارسنجی مدل‌ها
• 97. اصول طراحی رابط کاربری برای برنامه‌های هوش مصنوعی
• 98. نمایش نتایج عامل هوش مصنوعی به کاربر
• 99. تکنیک‌های بصری‌سازی داده‌ها
• 100. ملاحظات حقوقی و قانونی در توسعه هوش مصنوعی