کتاب صوتی مبانی و کاربردهای هوش مصنوعی مولد در Google Cloud (Vertex AI و Gemini)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای هوش مصنوعی مولد در Google Cloud (Vertex AI و Gemini)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین در رایانش ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تاریخچه هوش مصنوعی
• 3. مفاهیم کلیدی یادگیری ماشین
• 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 5. یادگیری عمیق و شبکه‌های عصبی
• 6. مبانی شبکه‌های عصبی مصنوعی
• 7. معماری‌های رایج شبکه‌های عصبی
• 8. مقدمه‌ای بر Google Cloud Platform (GCP)
• 9. معرفی سرویس‌های هوش مصنوعی در GCP
• 10. مبانی رایانش ابری برای هوش مصنوعی
• 11. ذخیره‌سازی داده‌ها در GCP برای پروژه‌های ML
• 12. مدیریت داده‌ها در GCP
• 13. معرفی Vertex AI
• 14. قابلیت‌های اصلی Vertex AI
• 15. گردش کار یادگیری ماشین در Vertex AI
• 16. آماده‌سازی داده‌ها در Vertex AI
• 17. مهندسی ویژگی در Vertex AI
• 18. آموزش مدل‌های یادگیری ماشین در Vertex AI
• 19. انتخاب الگوریتم‌های مناسب در Vertex AI
• 20. تنظیم هایپرپارامترها در Vertex AI
• 21. ارزیابی مدل‌ها در Vertex AI
• 22. استقرار مدل‌ها در Vertex AI
• 23. نظارت بر مدل‌های مستقر شده
• 24. معرفی Gemini API
• 25. قابلیت‌های Gemini
• 26. استفاده از Gemini برای وظایف مختلف
• 27. کاربرد Gemini در تولید متن
• 28. کاربرد Gemini در تولید کد
• 29. کاربرد Gemini در تحلیل داده‌ها
• 30. کاربرد Gemini در پردازش زبان طبیعی
• 31. کاربرد Gemini در خلاصه‌سازی متن
• 32. کاربرد Gemini در ترجمه ماشینی
• 33. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 34. معماری‌های مدل‌های مولد
• 35. مدل‌های زبانی بزرگ (LLMs)
• 36. مبانی مدل‌های ترنسفورمر
• 37. کاربرد LLMs در تولید محتوا
• 38. تولید محتوای خلاقانه با LLMs
• 39. کاربرد LLMs در پاسخگویی به سوالات
• 40. کاربرد LLMs در چت‌بات‌ها
• 41. تنظیم دقیق (Fine-tuning) مدل‌های مولد
• 42. مبانی تنظیم دقیق مدل‌های مولد
• 43. تنظیم دقیق مدل‌های Gemini
• 44. کاربرد تنظیم دقیق در کاربردهای خاص
• 45. مقدمه‌ای بر داده‌های آموزشی و اعتبارسنجی
• 46. اهمیت کیفیت داده‌ها
• 47. روش‌های جمع‌آوری داده‌های آموزشی
• 48. پاکسازی و پیش‌پردازش داده‌ها
• 49. برچسب‌گذاری داده‌ها
• 50. روش‌های افزایش داده (Data Augmentation)
• 51. مفاهیم یادگیری انتقالی (Transfer Learning)
• 52. کاربرد یادگیری انتقالی در هوش مصنوعی
• 53. مبانی ارزیابی مدل‌های یادگیری ماشین
• 54. معیارهای ارزیابی برای مسائل طبقه‌بندی
• 55. معیارهای ارزیابی برای مسائل رگرسیون
• 56. مقدمه‌ای بر مدل‌های پیش‌بینی‌کننده
• 57. پیش‌بینی سری‌های زمانی
• 58. مدل‌های پیش‌بینی تقاضا
• 59. کاربرد هوش مصنوعی در بهینه‌سازی فرآیندها
• 60. بهینه‌سازی زنجیره تأمین با هوش مصنوعی
• 61. کاربرد هوش مصنوعی در خدمات مشتریان
• 62. توسعه چت‌بات‌های هوشمند
• 63. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 64. سوگیری در مدل‌های هوش مصنوعی
• 65. حفظ حریم خصوصی داده‌ها
• 66. مسئولیت‌پذیری در هوش مصنوعی
• 67. کاربردهای هوش مصنوعی در صنعت
• 68. هوش مصنوعی در سلامت
• 69. هوش مصنوعی در مالی
• 70. هوش مصنوعی در آموزش
• 71. هوش مصنوعی در کشاورزی
• 72. مقدمه‌ای بر امنیت در هوش مصنوعی
• 73. حملات به مدل‌های یادگیری ماشین
• 74. روش‌های دفاع در برابر حملات
• 75. مقدمه‌ای بر پردازش تصویر با هوش مصنوعی
• 76. تشخیص اشیاء در تصاویر
• 77. طبقه‌بندی تصاویر
• 78. تولید تصاویر با مدل‌های مولد
• 79. مقدمه‌ای بر پردازش گفتار با هوش مصنوعی
• 80. تشخیص گفتار
• 81. تولید گفتار
• 82. کاربرد هوش مصنوعی در بازی‌ها
• 83. توسعه عامل‌های هوشمند در بازی‌ها
• 84. مقدمه‌ای بر یادگیری تقویتی
• 85. مبانی یادگیری تقویتی
• 86. الگوریتم‌های یادگیری تقویتی
• 87. کاربرد یادگیری تقویتی در رباتیک
• 88. مقدمه‌ای بر مدل‌های گراف عصبی (GNNs)
• 89. کاربرد GNNs در تحلیل شبکه‌ها
• 90. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 91. مبانی یادگیری فدرال
• 92. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 93. مقدمه‌ای بر MLOps (Machine Learning Operations)
• 94. اهمیت MLOps
• 95. ابزارهای MLOps
• 96. گردش کار MLOps
• 97. استقرار و مدیریت مدل‌ها در مقیاس
• 98. نظارت و بازآموزی مدل‌ها
• 99. بهبود مستمر مدل‌های هوش مصنوعی
• 100. آینده هوش مصنوعی مولد