کتاب صوتی Prompt نویسی: از ایده تا اجرای هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Prompt نویسی: از ایده تا اجرای هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: طراحی Prompt برای وظایف مختلف

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مفاهیم پایه هوش مصنوعی
• 2. تاریخچه و سیر تحول هوش مصنوعی
• 3. انواع هوش مصنوعی: ضعیف، قوی و فوق هوشمند
• 4. یادگیری ماشین: مبانی و اصول
• 5. یادگیری نظارت‌شده: رگرسیون و طبقه‌بندی
• 6. یادگیری بدون نظارت: خوشه‌بندی و کاهش ابعاد
• 7. یادگیری تقویتی: مفاهیم و کاربردها
• 8. شبکه‌های عصبی مصنوعی: ساختار و عملکرد
• 9. شبکه‌های عصبی عمیق (Deep Learning)
• 10. معماری‌های کلیدی شبکه‌های عصبی عمیق
• 11. شبکه‌های عصبی کانولوشنال (CNN) برای بینایی ماشین
• 12. شبکه‌های عصبی بازگشتی (RNN) برای پردازش توالی
• 13. شبکه‌های عصبی ترنسفورمر (Transformer)
• 14. مفاهیم پردازش زبان طبیعی (NLP)
• 15. مدل‌های زبانی آماری
• 16. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 17. مدل‌های زبانی بزرگ (LLMs)
• 18. معماری‌های پیشرفته LLMs
• 19. آموزش و تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 20. مهندسی پرامپت (Prompt Engineering): اصول اولیه
• 21. انواع پرامپت‌ها: دستورالعمل، پرسش، مثال
• 22. ساختار یک پرامپت مؤثر
• 23. تکنیک‌های پیشرفته پرامپت‌نویسی
• 24. پرامپت‌نویسی برای تولید متن خلاقانه
• 25. پرامپت‌نویسی برای خلاصه‌سازی متن
• 26. پرامپت‌نویسی برای ترجمه ماشینی
• 27. پرامپت‌نویسی برای پاسخ به سوالات
• 28. پرامپت‌نویسی برای تولید کد
• 29. پرامپت‌نویسی برای تحلیل احساسات
• 30. پرامپت‌نویسی برای استخراج اطلاعات
• 31. پرامپت‌نویسی برای طبقه‌بندی متن
• 32. پرامپت‌نویسی برای تشخیص موجودیت نام‌دار (NER)
• 33. پرامپت‌نویسی برای تولید دیالوگ
• 34. پرامپت‌نویسی برای بازیابی اطلاعات
• 35. ارزیابی مدل‌های زبانی
• 36. معیارهای ارزیابی در NLP
• 37. ارزیابی مدل‌های مولد متن
• 38. ملاحظات اخلاقی در هوش مصنوعی
• 39. سوگیری در داده‌ها و مدل‌ها
• 40. حریم خصوصی و امنیت داده‌ها
• 41. مسئولیت‌پذیری در هوش مصنوعی
• 42. کاربردهای هوش مصنوعی در صنعت
• 43. هوش مصنوعی در خدمات مشتری
• 44. هوش مصنوعی در سلامت
• 45. هوش مصنوعی در آموزش
• 46. هوش مصنوعی در مالی و بانکداری
• 47. هوش مصنوعی در کشاورزی
• 48. هوش مصنوعی در حمل و نقل
• 49. هوش مصنوعی در تولید
• 50. هوش مصنوعی در تحقیقات علمی
• 51. هوش مصنوعی در حوزه فرهنگ و هنر
• 52. هوش مصنوعی و اقتصاد مقاومتی
• 53. هوش مصنوعی و تحقق اهداف ملی
• 54. پیاده‌سازی هوش مصنوعی در سازمان‌ها
• 55. انتخاب ابزارها و فریم‌ورک‌های مناسب
• 56. مدیریت چرخه عمر مدل‌های هوش مصنوعی
• 57. نظارت و به‌روزرسانی مدل‌ها
• 58. مقیاس‌پذیری و استقرار مدل‌ها
• 59. امنیت سیستم‌های هوش مصنوعی
• 60. آموزش و توسعه نیروی انسانی متخصص
• 61. طراحی سیستم‌های هوش مصنوعی سازگار با قوانین
• 62. مبانی برنامه‌نویسی برای هوش مصنوعی (پایتون)
• 63. کتابخانه‌های کلیدی پایتون (NumPy, Pandas)
• 64. کتابخانه‌های یادگیری ماشین (Scikit-learn)
• 65. فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 66. پردازش داده‌ها و مهندسی ویژگی
• 67. تجسم داده‌ها و نتایج مدل‌ها
• 68. مدل‌سازی پیشرفته برای وظایف پیچیده
• 69. بهینه‌سازی هایپرپارامترها
• 70. تنظیم مدل‌ها برای عملکرد بهتر
• 71. مبانی پردازش تصویر با هوش مصنوعی
• 72. کاربرد CNN در تشخیص اشیاء
• 73. کاربرد CNN در تقسیم‌بندی تصویر
• 74. مبانی پردازش صوت با هوش مصنوعی
• 75. مفاهیم پایه در مدل‌های مولد
• 76. مدل‌های مولد مبتنی بر GAN
• 77. مدل‌های مولد مبتنی بر Diffusion
• 78. تولید تصویر با پرامپت
• 79. ویرایش تصویر با هوش مصنوعی
• 80. ساخت انیمیشن با هوش مصنوعی
• 81. تولید موسیقی با هوش مصنوعی
• 82. ملاحظات حقوقی و شرعی در استفاده از هوش مصنوعی
• 83. قوانین و مقررات مرتبط با داده‌ها
• 84. اخلاق حرفه‌ای در توسعه هوش مصنوعی
• 85. آینده هوش مصنوعی و روندهای نوظهور
• 86. هوش مصنوعی و تعامل انسان و کامپیوتر
• 87. هوش مصنوعی و رباتیک
• 88. هوش مصنوعی و اینترنت اشیاء (IoT)
• 89. هوش مصنوعی و رایانش ابری
• 90. هوش مصنوعی و رایانش لبه (Edge Computing)
• 91. هوش مصنوعی در خدمت تمدن نوین اسلامی
• 92. توسعه هوش مصنوعی در بستر ارزش‌های انقلابی
• 93. نقش جوانان در پیشرفت هوش مصنوعی
• 94. فرصت‌های شغلی در حوزه هوش مصنوعی
• 95. چالش‌های پیش روی هوش مصنوعی در ایران
• 96. راهکارهای نوآورانه برای توسعه هوش مصنوعی
• 97. ایجاد زیست‌بوم دانش‌بنیان هوش مصنوعی
• 98. همکاری‌های بین‌المللی در حوزه هوش مصنوعی (با رعایت منافع ملی)
• 99. اصول اولیه طراحی پرسش‌های مؤثر برای LLMs
• 100. طراحی سناریوهای پیچیده برای تست مدل‌ها