کتاب صوتی FastAPI و ساخت APIهای AI for Human Potential Realization

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره FastAPI و ساخت APIهای AI for Human Potential Realization

موضوع کلی: برنامه نویسی

موضوع میانی: فست ای‌پی‌آی (FastAPI)

📋 سرفصل‌های دوره

• 1. مبانی توسعهٔ وب با پایتون
• 2. آشنایی با مفاهیم API و RESTful
• 3. مقدمه‌ای بر فریم‌ورک FastAPI
• 4. نصب و راه‌اندازی محیط توسعهٔ FastAPI
• 5. ساخت اولین API با FastAPI
• 6. تعریف مسیرها (Routes) و متدهای HTTP
• 7. پارامترهای مسیر (Path Parameters) و کوئری (Query Parameters)
• 8. بدنهٔ درخواست (Request Body) و مدل‌سازی داده با Pydantic
• 9. اعتبارسنجی داده‌ها با Pydantic
• 10. پاسخ‌های API و انواع آن‌ها
• 11. مدیریت خطا در FastAPI
• 12. کار با پایگاه داده در FastAPI (SQLAlchemy)
• 13. مفهوم ORM و استفاده از SQLAlchemy
• 14. عملیات CRUD (Create, Read, Update, Delete)
• 15. اتصال به PostgreSQL با SQLAlchemy
• 16. مدیریت تراکنش‌ها در پایگاه داده
• 17. امنیت API با FastAPI
• 18. احراز هویت (Authentication) و مجوزدهی (Authorization)
• 19. استفاده از OAuth2 و JWT
• 20. مفهوم Dependency Injection در FastAPI
• 21. تست API با FastAPI
• 22. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 23. یادگیری نظارت‌شده (Supervised Learning)
• 24. رگرسیون خطی
• 25. رگرسیون لجستیک
• 26. درخت تصمیم
• 27. ماشین بردار پشتیبان (SVM)
• 28. شبکه‌های عصبی مصنوعی (ANN)
• 29. یادگیری نظارت‌نشده (Unsupervised Learning)
• 30. خوشه‌بندی (Clustering)
• 31. کاهش ابعاد (Dimensionality Reduction)
• 32. یادگیری تقویتی (Reinforcement Learning)
• 33. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 34. معماری ترنسفورمر (Transformer Architecture)
• 35. مفاهیم پیش‌پردازش متن
• 36. توکن‌سازی (Tokenization)
• 37. کیسه‌کلمات (Bag-of-Words)
• 38. TF-IDF
• 39. جاسازی کلمات (Word Embeddings)
• 40. Word2Vec
• 41. GloVe
• 42. FastText
• 43. آشنایی با کتابخانه‌های پردازش زبان طبیعی در پایتون
• 44. NLTK
• 45. spaCy
• 46. Gensim
• 47. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 48. Hugging Face Transformers
• 49. بارگذاری و استفاده از مدل‌های زبانی
• 50. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 51. کار با داده‌های متنی برای آموزش مدل‌های AI
• 52. پاک‌سازی و پیش‌پردازش داده‌های متنی
• 53. تقسیم داده به مجموعهٔ آموزش، اعتبارسنجی و آزمون
• 54. ارزیابی مدل‌های NLP
• 55. متریک‌های ارزیابی (دقت، بازیابی، F1-score)
• 56. ساخت API برای مدل‌های NLP با FastAPI
• 57. پیش‌بینی متن
• 58. خلاصه‌سازی متن
• 59. ترجمهٔ ماشینی
• 60. تحلیل احساسات
• 61. سیستم‌های پرسش و پاسخ (Question Answering)
• 62. تولید متن خلاقانه
• 63. مبانی توسعهٔ اپلیکیشن‌های AI
• 64. طراحی معماری اپلیکیشن‌های AI
• 65. یکپارچه‌سازی مدل‌های AI در بک‌اند
• 66. مدیریت چرخهٔ عمر مدل‌های AI
• 67. استقرار (Deployment) مدل‌های AI
• 68. استفاده از Docker برای بسته‌بندی اپلیکیشن‌ها
• 69. استقرار APIهای AI در محیط‌های ابری (مثال: سرورهای داخلی)
• 70. نظارت بر عملکرد APIهای AI
• 71. بهینه‌سازی عملکرد مدل‌های AI
• 72. تکنیک‌های بهینه‌سازی مدل‌های یادگیری ماشین
• 73. مدیریت حافظه و منابع
• 74. روش‌های افزایش مقیاس‌پذیری APIها
• 75. کار با داده‌های غیرمتنی در AI
• 76. پردازش تصویر (Image Processing)
• 77. یادگیری عمیق برای بینایی ماشین
• 78. شبکه‌های عصبی کانولوشنال (CNN)
• 79. API برای پردازش تصویر
• 80. تشخیص اشیاء
• 81. طبقه‌بندی تصاویر
• 82. پردازش صدا (Audio Processing)
• 83. API برای پردازش صدا
• 84. تشخیص گفتار
• 85. تولید گفتار
• 86. مفاهیم اخلاقی در AI
• 87. سوگیری (Bias) در مدل‌های AI
• 88. شفافیت و توضیح‌پذیری (Explainability) مدل‌های AI
• 89. حریم خصوصی داده‌ها در AI
• 90. مسئولیت‌پذیری در توسعهٔ AI
• 91. کاربردهای AI در توانمندسازی پتانسیل انسانی
• 92. بهبود فرآیندهای یادگیری
• 93. شخصی‌سازی آموزش
• 94. ابزارهای کمکی برای خلاقیت
• 95. دستیارهای هوشمند شخصی
• 96. تحلیل داده‌های رفتاری برای بهبود عملکرد
• 97. طراحی رابط‌های کاربری هوشمند
• 98. مقدمه‌ای بر پلتفرم‌های AI داخلی
• 99. بررسی ابزارها و چارچوب‌های بومی
• 100. کار با APIهای سرویس‌های AI داخلی