دوره آموزشی آمادگی برای آزمون گواهینامه Microsoft Azure AI Fundamentals (AI-900)
2 ساعت 48 دقیقهمتوسط2025-06-18
مدرسین

Microsoft Press
Microsoft

Tim Warner
Technical Trainer and Content Developer
جزئیات دوره
اگه دنبال ورود به دنیای هوش مصنوعی هستی و میخوای با مفاهیم پایهای AI تو فضای مایکروسافت آشنا بشی، این دوره دقیقاً برای تو طراحی شده.
مدرک Microsoft Azure AI Fundamentals (AI-900) یه نقطه شروع عالیه که بهت کمک میکنه بفهمی هوش مصنوعی چیه، چطوری کار میکنه، و چطوری با پلتفرم Azure میتونی راهکارهای هوش مصنوعی بسازی.
چه سابقه فنی داشته باشی، چه نه، این دوره برای همه قابل فهمه. اینجا یاد میگیری مفاهیم پایهای رایانش ابری (Cloud)، ساختار کلاینت/سرور، و اینکه چطور میشه از این چیزها برای ساخت راهکارهای هوش مصنوعی استفاده کرد.
حتی اگه قراره بعداً بری سراغ مدارک حرفهایتر مثل DP-100 (Azure Data Scientist) یا AI-102 (Azure AI Engineer)، گرفتن AI-900 یه قدم مهم و مفید محسوب میشه.
🎯 اهداف یادگیری
شناخت کلی از کاربردهای هوش مصنوعی و نکاتی که باید در نظر بگیریم.
درک اصول پایهای یادگیری ماشین (ML) روی پلتفرم Azure.
آشنایی با بینایی کامپیوتر (Computer Vision) و کاربردهاش در Azure.
شناخت عملکرد پردازش زبان طبیعی (NLP) در فضای ابری مایکروسافت.
بررسی ویژگیهای مدلهای مولد (Generative AI) و نحوهی پیادهسازیشون تو Azure.
مدرک Microsoft Azure AI Fundamentals (AI-900) یه نقطه شروع عالیه که بهت کمک میکنه بفهمی هوش مصنوعی چیه، چطوری کار میکنه، و چطوری با پلتفرم Azure میتونی راهکارهای هوش مصنوعی بسازی.
چه سابقه فنی داشته باشی، چه نه، این دوره برای همه قابل فهمه. اینجا یاد میگیری مفاهیم پایهای رایانش ابری (Cloud)، ساختار کلاینت/سرور، و اینکه چطور میشه از این چیزها برای ساخت راهکارهای هوش مصنوعی استفاده کرد.
حتی اگه قراره بعداً بری سراغ مدارک حرفهایتر مثل DP-100 (Azure Data Scientist) یا AI-102 (Azure AI Engineer)، گرفتن AI-900 یه قدم مهم و مفید محسوب میشه.
🎯 اهداف یادگیری
شناخت کلی از کاربردهای هوش مصنوعی و نکاتی که باید در نظر بگیریم.
درک اصول پایهای یادگیری ماشین (ML) روی پلتفرم Azure.
آشنایی با بینایی کامپیوتر (Computer Vision) و کاربردهاش در Azure.
شناخت عملکرد پردازش زبان طبیعی (NLP) در فضای ابری مایکروسافت.
بررسی ویژگیهای مدلهای مولد (Generative AI) و نحوهی پیادهسازیشون تو Azure.
مهارت ها
Azure AI ServicesGenerative AIArtificial Intelligence FoundationsSoftware Development ToolsCert PrepArtificial Intelligence (AI)MicrosoftSoftware Development
سرفصل ها
۰. مقدمه
- 01 - مقدمه
۱. ویژگیهای بارهای کاری رایج هوش مصنوعی را شناسایی کنید
- 02 - اهداف یادگیری
- 03 - ویژگیهای حجم کار تعدیل محتوا و شخصیسازی را شناسایی کنید
- 04 - شناسایی حجم کار بینایی کامپیوتر
- 05 - شناسایی حجم کار پردازش زبان طبیعی
- 06 - شناسایی حجم کار استخراج دانش
- 07 - حجم کار هوش اسناد را شناسایی کنید
- 08 - ویژگیهای بارهای کاری هوش مصنوعی مولد را شناسایی کنید
۲. شناسایی اصول راهنما برای هوش مصنوعی مسئولانه
- 09 - اهداف یادگیری
- 10 - ملاحظات مربوط به انصاف در یک راهکار هوش مصنوعی را شرح دهید
- 11 - ملاحظات مربوط به قابلیت اطمینان و ایمنی در یک راهکار هوش مصنوعی را شرح دهید
- 12 - ملاحظات مربوط به حریم خصوصی و امنیت در یک راهکار هوش مصنوعی را شرح دهید
- 13 - ملاحظات مربوط به شمول در یک راهکار هوش مصنوعی را شرح دهید.
- 14 - ملاحظات مربوط به شفافیت در یک راهکار هوش مصنوعی را شرح دهید
- 15 - ملاحظات مربوط به پاسخگویی در یک راهکار هوش مصنوعی را شرح دهید
۳. تکنیکهای رایج یادگیری ماشین را شناسایی کنید
- 16 - اهداف یادگیری
- 17 - شناسایی سناریوهای یادگیری ماشین رگرسیون
- 18 - شناسایی سناریوهای یادگیری ماشینی طبقهبندی
- 19 - شناسایی سناریوهای خوشهبندی یادگیری ماشین
- 20 - شناسایی ویژگیهای تکنیکهای یادگیری عمیق
۴. قابلیتهای یادگیری ماشینی Azure را شرح دهید
- 21 - اهداف یادگیری
- 22 - شناسایی ویژگیها و برچسبها در یک مجموعه داده برای یادگیری ماشین
- 23 - نحوه استفاده از مجموعه دادههای آموزشی و اعتبارسنجی در یادگیری ماشین را شرح دهید
- 24 - قابلیتهای یادگیری ماشینی خودکار را شرح دهید
- 25 - توصیف سرویسهای داده و محاسبات برای علم داده و یادگیری ماشین
- 26 - شرح قابلیتهای مدیریت مدل و استقرار در Azure Machine Learning
۵. انواع رایج راهحلهای بینایی کامپیوتر را شناسایی کنید
- 27 - اهداف یادگیری
- 28 - شناسایی ویژگیهای راهحلهای طبقهبندی تصویر
- 29 - شناسایی ویژگیهای راهحلهای تشخیص اشیا
- 30 - ویژگیهای راهحلهای تشخیص کاراکتر نوری را شناسایی کنید
- 31 - شناسایی ویژگیهای راهحلهای تشخیص چهره و تحلیل چهره
- 32 - قابلیتهای سرویس Azure AI Vision را شرح دهید
- 33 - قابلیتهای سرویس تشخیص چهره Azure AI را شرح دهید
۶. ویژگیهای سناریوهای رایج حجم کار NLP را شناسایی کنید
- 34 - اهداف یادگیری
- 35 - شناسایی ویژگیها و کاربردهای استخراج عبارت کلیدی
- 36 - شناسایی ویژگیها و کاربردهای تشخیص موجودیت
- 37 - شناسایی ویژگیها و کاربردهای تحلیل احساسات
- 38- شناسایی ویژگیها و کاربردهای مدلسازی زبان
- 39 - شناسایی ویژگیها و کاربردهای تشخیص و سنتز گفتار
- 40- ویژگیها و کاربردهای ترجمه را مشخص کنید
- 41- قابلیتهای سرویس زبانی هوش مصنوعی Azure را شرح دهید.
- 42 - قابلیتهای سرویس گفتار هوش مصنوعی Azure را شرح دهید
۷. ویژگیهای راهحلهای هوش مصنوعی مولد را شناسایی کنید
- 43- اهداف یادگیری
- 44 - ویژگیهای مدلهای هوش مصنوعی مولد را شناسایی کنید
- 45 - سناریوهای رایج برای هوش مصنوعی مولد را شناسایی کنید
- 46 - ملاحظات هوش مصنوعی مسئولانه برای هوش مصنوعی مولد را مشخص کنید
۸. شناسایی قابلیتهای سرویس Azure OpenAI
- 47- اهداف یادگیری
- 48 - قابلیتهای تولید زبان طبیعی سرویس Azure OpenAI را شرح دهید
- 49- قابلیتهای تولید کد سرویس Azure OpenAI را شرح دهید
- 50 - قابلیتهای تولید تصویر سرویس Azure OpenAI را شرح دهید
خلاصه
- 51 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی ساخت عوامل با استفاده از سرویس Azure AI Foundry Agent
- دوره آموزشی ساخت اپلیکیشنها با هوش مصنوعی زبان Azure و پایتون
- دوره آموزشی هوش مصنوعی آزور برای توسعهدهندگان: ایمنی محتوا و هوش مصنوعی مسئولانه
- دوره آموزشی هوش مصنوعی آزور برای توسعهدهندگان: استفاده از کاتالوگ مدلهای هوش مصنوعی آزور
- دوره آموزشی هوش مصنوعی آژور برای توسعهدهندهها: پردازش تصاویر با Azure AI
- دوره آموزشی هوش مصنوعی آژور برای توسعهدهندهها: سرویس گفتار Azure AI
- دوره آموزشی هوش مصنوعی آژور برای توسعهدهندهها: مدلهای زبانی بزرگ (LLM) و مدلهای کوچک (SLM)
- دوره آموزشی هوش مصنوعی Azure برای توسعهدهندگان: ساخت عاملهای هوش مصنوعی (AI Agents)