دوره مقدمه‌ای بر توسعهٔ مدل‌های هوش مصنوعی با استفاده از Google Vertex AI و Gemini با پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر توسعهٔ مدل‌های هوش مصنوعی با استفاده از Google Vertex AI و Gemini با پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعهٔ مدل‌های هوش مصنوعی با پایتون

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم هوش مصنوعی
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردهای هوش مصنوعی در دنیای واقعی
• 5. معرفی Google Vertex AI
• 6. مزایای استفاده از Vertex AI
• 7. معرفی مدل‌های Gemini
• 8. توانمندی‌های مدل‌های Gemini
• 9. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 10. نصب و راه‌اندازی محیط توسعه پایتون
• 11. آشنایی با کتابخانه‌های کلیدی پایتون برای علم داده
• 12. NumPy برای محاسبات عددی
• 13. Pandas برای تحلیل داده
• 14. Matplotlib و Seaborn برای بصری‌سازی داده
• 15. مفاهیم اولیه داده‌ها و انواع آن‌ها
• 16. پیش‌پردازش داده‌ها
• 17. پاکسازی داده‌ها
• 18. مقیاس‌بندی و نرمال‌سازی داده‌ها
• 19. مهندسی ویژگی (Feature Engineering)
• 20. انتخاب ویژگی (Feature Selection)
• 21. آشنایی با الگوریتم‌های یادگیری ماشین نظارت شده
• 22. رگرسیون خطی
• 23. رگرسیون لجستیک
• 24. ماشین‌های بردار پشتیبان (SVM)
• 25. درخت‌های تصمیم
• 26. جنگل‌های تصادفی
• 27. گره‌ترین همسایگان (KNN)
• 28. آشنایی با الگوریتم‌های یادگیری ماشین بدون نظارت
• 29. خوشه‌بندی (Clustering)
• 30. K-Means
• 31. DBSCAN
• 32. کاهش ابعاد
• 33. تحلیل مؤلفه‌های اصلی (PCA)
• 34. معرفی مدل‌های زبانی بزرگ (LLMs)
• 35. معماری ترنسفورمر (Transformer)
• 36. مقدمه‌ای بر معماری Gemini
• 37. آموزش و تنظیم دقیق (Fine-tuning) مدل‌های Gemini
• 38. کار با APIهای Gemini
• 39. ارسال درخواست به مدل‌های Gemini
• 40. دریافت پاسخ از مدل‌های Gemini
• 41. مدیریت تاریخچه مکالمه
• 42. تنظیم پارامترهای تولید متن
• 43. تولید متن خلاقانه
• 44. خلاصه‌سازی متن
• 45. ترجمه ماشینی
• 46. پاسخ به سوالات
• 47. طبقه‌بندی متن
• 48. استخراج اطلاعات از متن
• 49. تحلیل احساسات متن
• 50. کار با داده‌های ساختاریافته در Vertex AI
• 51. بارگذاری داده‌ها در Vertex AI
• 52. ایجاد مجموعه داده (Dataset)
• 53. آموزش مدل‌های سفارشی در Vertex AI
• 54. انتخاب الگوریتم مناسب برای مسئله
• 55. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 56. ارزیابی عملکرد مدل
• 57. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 58. معیارهای ارزیابی مدل‌های رگرسیون
• 59. اعتبارسنجی متقابل (Cross-validation)
• 60. استقرار مدل‌ها در Vertex AI
• 61. ایجاد نقاط پایانی (Endpoints) برای مدل‌ها
• 62. پیش‌بینی آنلاین (Online Prediction)
• 63. پیش‌بینی دسته‌ای (Batch Prediction)
• 64. نظارت بر عملکرد مدل مستقر شده
• 65. مدیریت چرخه عمر مدل
• 66. مقدمه‌ای بر یادگیری تقویتی
• 67. کاربردهای یادگیری تقویتی
• 68. آشنایی با ابزارهای Vertex AI برای یادگیری تقویتی
• 69. توسعه و آموزش مدل‌های یادگیری تقویتی
• 70. ملاحظات اخلاقی در هوش مصنوعی
• 71. تعصب در الگوریتم‌ها
• 72. شفافیت و قابلیت تفسیر مدل‌ها
• 73. امنیت داده‌ها در پلتفرم‌های ابری
• 74. حریم خصوصی کاربران
• 75. استفاده مسئولانه از هوش مصنوعی
• 76. مقدمه‌ای بر مفاهیم پیشرفته‌تر هوش مصنوعی
• 77. یادگیری عمیق (Deep Learning)
• 78. شبکه‌های عصبی کانولوشنی (CNN)
• 79. شبکه‌های عصبی بازگشتی (RNN)
• 80. کاربرد شبکه‌های عصبی در پردازش تصویر
• 81. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 82. معرفی مدل‌های پیشرفته‌تر Gemini
• 83. کار با داده‌های چندوجهی (Multimodal Data)
• 84. تولید تصویر با مدل‌های هوش مصنوعی
• 85. تفسیر تصویر با مدل‌های هوش مصنوعی
• 86. کاربرد هوش مصنوعی در اتوماسیون فرآیندها
• 87. هوش مصنوعی در خدمات مشتریان
• 88. هوش مصنوعی در تحلیل داده‌های کسب‌وکار
• 89. هوش مصنوعی در بهینه‌سازی منابع
• 90. مقدمه‌ای بر چارچوب‌های توسعه هوش مصنوعی در پایتون
• 91. TensorFlow
• 92. PyTorch
• 93. Keras
• 94. مقایسه فریم‌ورک‌ها
• 95. ساخت یک برنامه کاربردی هوش مصنوعی ساده با Vertex AI و Gemini
• 96. مراحل توسعه از ایده تا استقرار
• 97. نمونه‌های عملی و مطالعات موردی
• 98. آینده هوش مصنوعی و یادگیری ماشین
• 99. روندها و نوآوری‌های جدید
• 100. مسیرهای شغلی در حوزه هوش مصنوعی