دوره آموزشی اکوسیستم هوش مصنوعی برای توسعهدهندگان: مدلها، دادهها و رابطهای برنامهنویسی (API)
3 ساعت 32 دقیقهمتوسط2025-06-12
مدرسین

Wuraola Oyewusi
Wuraola Oyewusi is an experienced data scientist, machine learning, and artificial intelligence professional.
جزئیات دوره
هوش مصنوعی (AI) این روزا خیلی پیشرفت کرده و الان کلی آدمهای مختلف مثل برنامهنویسها، علاقهمندان، و رهبران تکنولوژی دنبال کشف و یادگیری بیشتر درباره دنیای AI هستن. تو این دوره، «ووراولا اویوسی» بهت یه راهنمای کامل میده تا ابزارهای جدید و مهم AI که هر توسعهدهنده باید بلد باشه رو بشناسی و بتونی تو کار و حرفهات همیشه یک قدم جلوتر باشی.
با اومدن ابزارهای هوش مصنوعی مثل رابطهای چت و مدلهای AI که خیلی راحت در دسترس هستن، ممکنه اوضاع برای کسایی که میخوان وارد این موج بزرگ بشن گیجکننده باشه. این دوره کمک میکنه با اطمینان کامل در دنیای AI حرکت کنی، بهترین ابزارها و منابعی که به کارت میاد رو پیدا کنی و خودت رو برای آینده آماده کنی.
🎯 اهداف یادگیری:
درک جامع و کامل از اکوسیستم هوش مصنوعی و اجزای اصلی اون.
آشنایی با اجزای مهم مثل مدلها، مجموعه دادهها (datasets)، و APIها.
کسب تجربه عملی با منابع ضروری شامل ابزارهای توسعه، فریمورکها و انجمنهای مرتبط.
بررسی تکامل معماریهای پایه و چگونگی شکلگیری مدلهای مدرن AI.
با اومدن ابزارهای هوش مصنوعی مثل رابطهای چت و مدلهای AI که خیلی راحت در دسترس هستن، ممکنه اوضاع برای کسایی که میخوان وارد این موج بزرگ بشن گیجکننده باشه. این دوره کمک میکنه با اطمینان کامل در دنیای AI حرکت کنی، بهترین ابزارها و منابعی که به کارت میاد رو پیدا کنی و خودت رو برای آینده آماده کنی.
🎯 اهداف یادگیری:
درک جامع و کامل از اکوسیستم هوش مصنوعی و اجزای اصلی اون.
آشنایی با اجزای مهم مثل مدلها، مجموعه دادهها (datasets)، و APIها.
کسب تجربه عملی با منابع ضروری شامل ابزارهای توسعه، فریمورکها و انجمنهای مرتبط.
بررسی تکامل معماریهای پایه و چگونگی شکلگیری مدلهای مدرن AI.
مهارت ها
Github ModelsOpenAI APIGitHubOpenAIProgramming FoundationsGenerative AIArtificial Intelligence FoundationsArtificial Intelligence (AI)Software DevelopmentOne-Off
سرفصل ها
۰. مقدمه
- 01 - شروع کار با اکوسیستم هوش مصنوعی
- 02 - آنچه باید بدانید
۱. درک اکوسیستم هوش مصنوعی
- 03 - چه چیزی در مورد هوش مصنوعی جالب است
- 04 - اجزای اکوسیستم هوش مصنوعی
- 05 - سیستمهای هوش مصنوعی متنباز در مقابل متنباز
- 06 - مخازن هوش مصنوعی و پلتفرمهای میزبانی
- 07 - اخلاق هوش مصنوعی، تعصب و حریم خصوصی
۲. مدلها و معماری هوش مصنوعی
- 08 - مقدمهای بر مدلها و معماری هوش مصنوعی
- 09 - معماریهای NLP - RNNها و ترانسفورماتورها
- 10- معماریهای بینایی کامپیوتر - CNNها و مبدلهای بینایی
- 11- معماریهای مولد - انتشار و شبکههای مولد تخاصمی (GAN)
- 12- معماریهای چندوجهی - CLIP و Flamingo
- 13 - معماریهای کارآمد
۳. مجموعه دادههای هوش مصنوعی
- 14- مقدمهای بر مجموعه دادههای هوش مصنوعی
- 15 - مجموعه دادههای تصویری بنیادی هوش مصنوعی
- 16 - مجموعه دادههای تصویر CIFAR-10 را بررسی کنید
- 17 - مجموعه دادههای متنی بنیادی هوش مصنوعی
- 18 - مجموعه دادههای متنی Brown Corpus را کاوش کنید
- 19 - مجموعه دادههای گفتاری بنیادی هوش مصنوعی
- 20 - مجموعه داده LibriSpeech را بررسی کنید
۴. رابطهای برنامهنویسی کاربردی هوش مصنوعی - دسترسی و ادغام
- 21 - رابطهای برنامهنویسی کاربردی هوش مصنوعی (API) چیستند؟
- 22- صورت در آغوش گرفته را کاوش کنید
- 23 - تحلیل احساسات محصول با مدل Hugging Face
- 24 - پلتفرم توسعهدهندگان OpenAI را بررسی کنید
- 25 - تولید تصویر با استفاده از OpenAI API
- 26 - استودیوی هوش مصنوعی گوگل را کاوش کنید
- 27 - با استفاده از Google Gemini API یک چتبات مکالمهای ایجاد کنید
- 28 - بررسی مدلهای گیتهاب
- 29 - مقایسه مدلهای گیتهاب و اجرا در Codespaces
- 30 - تولید کد و معماری با مدلهای گیتهاب
- 31 - دسترسی به مدلهای هوش مصنوعی از طریق ارائهدهندگان ابری
۵. منابع و جامعه هوش مصنوعی
- 32 - ابزارها و چارچوبهای توسعه هوش مصنوعی - IDEها
- 33 - ابزارها و چارچوبهای توسعه هوش مصنوعی - چارچوبهای یادگیری ماشین
- 34 - ابزارها و چارچوبهای توسعه هوش مصنوعی - اشکالزدایی و نسخهبندی
- 35 - ابزارها و چارچوبهای توسعه هوش مصنوعی - حاشیهنویسی دادهها
- 36 - زیرساخت محاسبات هوش مصنوعی
- 37 - پلتفرمهای تحقیقاتی هوش مصنوعی
- 38 - رتبهبندی مدلهای هوش مصنوعی - جدول امتیازات، معیارها و روندهای ارزیابی
- 39 - استانداردهای قابلیت همکاری هوش مصنوعی - پروتکل زمینه مدل (MCP)
نتیجهگیری
- 40 - خلاصه