کتاب صوتی ساخت برنامه‌های هوش مصنوعی مولد با Azure OpenAI و Semantic Kernel

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامه‌های هوش مصنوعی مولد با Azure OpenAI و Semantic Kernel

موضوع کلی: هوش مصنوعی و توسعه نرم‌افزار

موضوع میانی: توسعه برنامه‌های هوش مصنوعی مولد

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد
• 2. مفاهیم کلیدی در هوش مصنوعی مولد
• 3. آشنایی با Azure OpenAI Service
• 4. معماری Azure OpenAI Service
• 5. راه‌اندازی محیط توسعه Azure OpenAI
• 6. اولین گام‌ها با مدل‌های زبان بزرگ (LLMs)
• 7. تنظیمات و پارامترهای مدل‌های زبان
• 8. مفاهیم Prompt Engineering
• 9. اصول نوشتن Prompts مؤثر
• 10. تکنیک‌های پیشرفته Prompt Engineering
• 11. کاربرد Prompts در خلاقیت متنی
• 12. ترجمه ماشینی با Azure OpenAI
• 13. خلاصه‌سازی متون با Azure OpenAI
• 14. تولید محتوای خلاقانه متنی
• 15. مقدمه‌ای بر Semantic Kernel
• 16. معماری Semantic Kernel
• 17. اجزای اصلی Semantic Kernel
• 18. مفهوم Plugin در Semantic Kernel
• 19. ساخت و استفاده از Plugins
• 20. ارتباط Semantic Kernel با Azure OpenAI
• 21. توسعه برنامه‌های کاربردی با Semantic Kernel
• 22. مدیریت حافظه در Semantic Kernel
• 23. استفاده از Memory Stores
• 24. طراحی عامل‌های هوشمند (Agents)
• 25. توسعه چت‌بات‌های پیشرفته
• 26. کاربرد Semantic Kernel در اتوماسیون وظایف
• 27. اتصال به منابع داده خارجی
• 28. توسعه برنامه‌های چندوجهی (Multimodal)
• 29. پردازش تصویر با مدل‌های هوش مصنوعی
• 30. تولید تصویر با مدل‌های هوش مصنوعی
• 31. کاربرد تولید تصویر در برنامه‌ها
• 32. مدیریت داده‌ها در برنامه‌های هوش مصنوعی
• 33. امنیت در برنامه‌های هوش مصنوعی مولد
• 34. اصول اخلاقی در هوش مصنوعی مولد
• 35. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 36. ارزیابی و اعتبارسنجی مدل‌های هوش مصنوعی
• 37. بهینه‌سازی عملکرد مدل‌های زبان
• 38. مقدمه‌ای بر مدل‌های Embedding
• 39. استفاده از Embeddings برای جستجو
• 40. جستجوی معنایی با Embeddings
• 41. توسعه سیستم‌های پرسش و پاسخ
• 42. کاربرد Embeddings در طبقه‌بندی متن
• 43. مقدمه‌ای بر RAG (Retrieval-Augmented Generation)
• 44. اجزای سیستم RAG
• 45. پیاده‌سازی RAG با Semantic Kernel
• 46. بهبود دقت در سیستم‌های RAG
• 47. توسعه برنامه‌های مبتنی بر RAG
• 48. تست و اشکال‌زدایی برنامه‌های هوش مصنوعی
• 49. پایش و نظارت بر برنامه‌های هوش مصنوعی
• 50. مقیاس‌پذیری برنامه‌های هوش مصنوعی
• 51. مقدمه‌ای بر MLOps برای هوش مصنوعی مولد
• 52. استقرار برنامه‌های هوش مصنوعی
• 53. مدیریت چرخه حیات برنامه‌های هوش مصنوعی
• 54. مفاهیم پایه در توسعه نرم‌افزار
• 55. اصول برنامه‌نویسی شیءگرا
• 56. مقدمه‌ای بر زبان برنامه‌نویسی C#
• 57. مفاهیم پایه در C#
• 58. توسعه با .NET
• 59. آشنایی با Visual Studio
• 60. مفاهیم پایه در Azure
• 61. استفاده از Azure Portal
• 62. مدیریت منابع در Azure
• 63. مفاهیم پایگاه داده در Azure
• 64. استفاده از Azure SQL Database
• 65. مقدمه‌ای بر Azure Cosmos DB
• 66. کاربرد Cosmos DB در برنامه‌های هوش مصنوعی
• 67. مفاهیم RESTful API
• 68. طراحی و توسعه API
• 69. امنیت API
• 70. مفاهیم DevOps
• 71. اصول Continuous Integration/Continuous Deployment (CI/CD)
• 72. پیاده‌سازی CI/CD با Azure DevOps
• 73. توسعه برنامه‌های وب
• 74. اصول طراحی رابط کاربری (UI)
• 75. اصول تجربه کاربری (UX)
• 76. مقدمه‌ای بر معماری میکروسرویس
• 77. مفاهیم Docker و کانتینرسازی
• 78. استفاده از Docker در توسعه
• 79. مقدمه‌ای بر Kubernetes
• 80. مدیریت برنامه‌ها با Kubernetes
• 81. مفاهیم Data Engineering
• 82. پردازش داده‌های بزرگ
• 83. استفاده از Azure Data Factory
• 84. مفاهیم Data Lake
• 85. مقدمه‌ای بر Azure Databricks
• 86. کاربرد Databricks در هوش مصنوعی
• 87. مفاهیم یادگیری تقویتی
• 88. کاربرد یادگیری تقویتی در اتوماسیون
• 89. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 90. تکنیک‌های پیشرفته NLP
• 91. کاربرد NLP در تحلیل احساسات
• 92. توسعه سیستم‌های توصیه‌گر
• 93. مقدمه‌ای بر یادگیری عمیق
• 94. شبکه‌های عصبی کانولوشنال (CNN)
• 95. شبکه‌های عصبی بازگشتی (RNN)
• 96. مفاهیم Attention Mechanism
• 97. مقدمه‌ای بر مدل‌های Transformer
• 98. کاربرد مدل‌های Transformer
• 99. توسعه برنامه‌های مبتنی بر Transformer
• 100. مدیریت ریسک در پروژه‌های هوش مصنوعی