اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت برنامه‌های هوش مصنوعی مولد در بستر ابری گوگل (Google Cloud)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامه‌های هوش مصنوعی مولد در بستر ابری گوگل (Google Cloud)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعهٔ برنامه‌های هوش مصنوعی مولد

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی مولد
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع مدل‌های یادگیری ماشین
• 4. یادگیری نظارت‌شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر شبکه‌های عصبی
• 8. نورون‌های مصنوعی
• 9. توابع فعال‌سازی
• 10. شبکه‌های عصبی پیش‌خور
• 11. پس‌انتشار خطا
• 12. بهینه‌سازی مدل‌های عصبی
• 13. گرادیان کاهشی
• 14. بهینه‌سازهای پیشرفته
• 15. تنظیم ابرپارامترها
• 16. اعتبارسنجی متقابل
• 17. مدیریت داده‌ها در یادگیری ماشین
• 18. پیش‌پردازش داده‌ها
• 19. مقیاس‌بندی ویژگی‌ها
• 20. کدگذاری ویژگی‌های دسته‌ای
• 21. مهندسی ویژگی
• 22. معرفی گوگل کلاود
• 23. خدمات محاسباتی گوگل کلاود
• 24. ذخیره‌سازی داده‌ها در گوگل کلاود
• 25. شبکه‌سازی در گوگل کلاود
• 26. امنیت در گوگل کلاود
• 27. معرفی هوش مصنوعی مولد
• 28. معماری مدل‌های زبانی بزرگ
• 29. مدل‌های ترنسفورمر
• 30. توکن‌سازی و جاسازی کلمات
• 31. پردازش زبان طبیعی (NLP)
• 32. تولید متن
• 33. ترجمه ماشینی
• 34. خلاصه‌سازی متن
• 35. پاسخ به پرسش
• 36. مدل‌های تولید تصویر
• 37. شبکه‌های مولد تخاصمی (GANs)
• 38. شبکه‌های تولیدکننده واگرا (VAEs)
• 39. مقدمه‌ای بر Vertex AI
• 40. استقرار مدل‌ها در Vertex AI
• 41. آموزش مدل‌ها در Vertex AI
• 42. تنظیم دقیق مدل‌های زبانی
• 43. تنظیم دقیق مدل‌های تولید تصویر
• 44. توسعه برنامه‌های کاربردی با هوش مصنوعی مولد
• 45. APIهای هوش مصنوعی گوگل
• 46. استفاده از APIهای زبانی
• 47. استفاده از APIهای تصویری
• 48. ساخت چت‌بات‌ها
• 49. تولید محتوای خلاقانه
• 50. کاربرد در بازاریابی دیجیتال
• 51. کاربرد در آموزش
• 52. کاربرد در توسعه نرم‌افزار
• 53. کاربرد در خدمات مشتری
• 54. امنیت و اخلاق در هوش مصنوعی مولد
• 55. سوگیری در مدل‌ها
• 56. توضیح‌پذیری مدل‌ها
• 57. حریم خصوصی داده‌ها
• 58. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 59. مقابله با اطلاعات نادرست
• 60. ارزیابی عملکرد مدل‌های مولد
• 61. معیارهای ارزیابی مدل‌های زبانی
• 62. معیارهای ارزیابی مدل‌های تصویری
• 63. بهبود مستمر مدل‌ها
• 64. ملاحظات استقرار در مقیاس بزرگ
• 65. مدیریت هزینه‌ها در گوگل کلاود
• 66. پایش عملکرد برنامه‌ها
• 67. بهینه‌سازی منابع
• 68. استراتژی‌های استقرار
• 69. معماری برنامه‌های کاربردی هوش مصنوعی
• 70. الگوهای طراحی برای برنامه‌های هوش مصنوعی
• 71. یکپارچه‌سازی با سیستم‌های موجود
• 72. توسعه واسط‌های کاربری
• 73. تست و اشکال‌زدایی برنامه‌ها
• 74. مقدمه‌ای بر یادگیری عمیق
• 75. شبکه‌های عصبی کانولوشنال (CNNs)
• 76. شبکه‌های عصبی بازگشتی (RNNs)
• 77. حافظه طولانی کوتاه‌مدت (LSTM)
• 78. واحد بازگشتی گیت‌دار (GRU)
• 79. معماری‌های پیشرفته برای NLP
• 80. معماری‌های پیشرفته برای بینایی ماشین
• 81. تکنیک‌های افزایش داده
• 82. تکنیک‌های کاهش ابعاد
• 83. مقدمه‌ای بر مدل‌های چندوجهی
• 84. تولید ویدئو
• 85. تولید صدا
• 86. کاربرد در رباتیک
• 87. کاربرد در تحلیل داده‌های سری زمانی
• 88. یادگیری انتقالی
• 89. یادگیری فعال
• 90. یادگیری فدرال
• 91. مقدمه‌ای بر هوش مصنوعی توضیحی (XAI)
• 92. تکنیک‌های XAI برای مدل‌های مولد
• 93. استانداردهای صنعتی برای هوش مصنوعی
• 94. آینده هوش مصنوعی مولد
• 95. نوآوری در گوگل کلاود
• 96. مسیر شغلی در هوش مصنوعی
• 97. یادگیری مداوم
• 98. جمع‌بندی مباحث
• 99. مرور کلی بر مفاهیم کلیدی
• 100. نکات پایانی برای توسعه‌دهندگان