دوره مهندسی پرامپت پیشرفته و پیاده‌سازی RAG برای ساخت اپلیکیشن‌های هوش مصنوعی با Gemini API همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی پرامپت پیشرفته و پیاده‌سازی RAG برای ساخت اپلیکیشن‌های هوش مصنوعی با Gemini API

موضوع کلی: هوش مصنوعی و کاربردهای آن

موضوع میانی: توسعهٔ برنامه‌های هوش مصنوعی با استفاده از مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و مدل‌های زبانی بزرگ
• 2. آشنایی با Gemini API و قابلیت‌های آن
• 3. مبانی مهندسی پرامپت برای مدل‌های زبانی
• 4. انواع پرامپت‌های مؤثر و کاربردی
• 5. بهینه‌سازی پرامپت برای تولید متن
• 6. استفاده از Gemini برای تولید محتوای خلاقانه
• 7. تولید کد با استفاده از Gemini API
• 8. مقدمه‌ای بر بازیابی اطلاعات و RAG
• 9. معماری سیستم‌های RAG
• 10. پیاده‌سازی RAG برای بهبود پاسخ‌دهی مدل
• 11. جستجوی معنایی و بردارهای معنایی
• 12. ساخت پایگاه دانش برای RAG
• 13. اتصال Gemini API به پایگاه دانش
• 14. تکنیک‌های پیشرفته در مهندسی پرامپت
• 15. مدیریت حافظه و تاریخچه گفتگو در پرامپت‌ها
• 16. استفاده از ابزارها و چارچوب‌های توسعه هوش مصنوعی
• 17. توسعه اپلیکیشن‌های مبتنی بر متن با Gemini
• 18. کاربرد Gemini در تحلیل متن و خلاصه‌سازی
• 19. تولید و ویرایش متن‌های تخصصی با Gemini
• 20. پردازش زبان طبیعی با Gemini
• 21. کاربرد Gemini در پردازش تصویر
• 22. تحلیل و تفسیر تصاویر با Gemini
• 23. تولید تصاویر با استفاده از مدل‌های هوش مصنوعی (در چارچوب مجاز)
• 24. کاربرد Gemini در پردازش چندوجهی (Multimodal)
• 25. ترکیب متن و تصویر در پرامپت‌ها
• 26. توسعه اپلیکیشن‌های چندوجهی
• 27. مقدمه‌ای بر امنیت و حریم خصوصی در هوش مصنوعی
• 28. اصول اخلاقی در توسعه هوش مصنوعی
• 29. شفافیت و قابلیت توضیح‌پذیری مدل‌های هوش مصنوعی
• 30. ملاحظات قانونی و انطباق با مقررات در ایران
• 31. مدیریت ریسک در پروژه‌های هوش مصنوعی
• 32. ارزیابی عملکرد مدل‌های هوش مصنوعی
• 33. معیارهای سنجش کیفیت خروجی مدل‌ها
• 34. تست و اشکال‌زدایی اپلیکیشن‌های هوش مصنوعی
• 35. استقرار و انتشار اپلیکیشن‌های هوش مصنوعی
• 36. مقیاس‌پذیری اپلیکیشن‌های هوش مصنوعی
• 37. بهینه‌سازی هزینه در استفاده از APIها
• 38. مقدمه‌ای بر یادگیری ماشین و شبکه‌های عصبی
• 39. معماری‌های نوین در مدل‌های زبانی
• 40. ترنسفورمرها و مکانیزم توجه (Attention)
• 41. کاربرد مدل‌های زبانی در درک مطلب
• 42. تولید متن با حفظ انسجام و منطق
• 43. مقدمه‌ای بر پایگاه‌های داده برداری
• 44. تکنیک‌های جستجوی نزدیک‌ترین همسایه (ANN)
• 45. استفاده از پایگاه‌های داده برداری در RAG
• 46. بهینه‌سازی پایگاه دانش برای جستجوی سریع
• 47. مدیریت و به‌روزرسانی پایگاه دانش
• 48. مقدمه‌ای بر توسعه نرم‌افزار با هوش مصنوعی
• 49. ادغام قابلیت‌های هوش مصنوعی در برنامه‌های موجود
• 50. ساخت چت‌بات‌های هوشمند با Gemini
• 51. طراحی رابط کاربری برای اپلیکیشن‌های هوش مصنوعی
• 52. تجربه کاربری (UX) در اپلیکیشن‌های هوش مصنوعی
• 53. مقدمه‌ای بر داده‌کاوی و تحلیل داده
• 54. کاربرد هوش مصنوعی در تحلیل داده‌های کلان
• 55. آماده‌سازی و پاکسازی داده‌ها
• 56. مهندسی ویژگی (Feature Engineering)
• 57. آموزش مدل‌های یادگیری ماشین (مروری)
• 58. ارزیابی مدل‌های طبقه‌بندی و رگرسیون
• 59. مقدمه‌ای بر یادگیری تقویتی (اختیاری و در چارچوب)
• 60. کاربرد هوش مصنوعی در اتوماسیون فرآیندها
• 61. هوش مصنوعی در خدمات مشتریان
• 62. هوش مصنوعی در آموزش و یادگیری
• 63. هوش مصنوعی در پژوهش و توسعه
• 64. هوش مصنوعی در مدیریت دانش
• 65. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 66. تفاوت مدل‌های مولد با مدل‌های پیش‌بین
• 67. تکنیک‌های تنظیم دقیق (Fine-tuning) مدل‌ها (در چارچوب مجاز)
• 68. ملاحظات حقوقی مالکیت محتوای تولید شده
• 69. کاربرد Gemini در ترجمه ماشینی
• 70. استفاده از Gemini برای تولید محتوای چندزبانه
• 71. مقدمه‌ای بر پردازش صدا با هوش مصنوعی (اختیاری)
• 72. کاربرد هوش مصنوعی در پردازش ویدئو (اختیاری)
• 73. طراحی سیستم‌های توصیه‌گر با هوش مصنوعی
• 74. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN) (اختیاری)
• 75. امنیت داده‌ها در سیستم‌های هوش مصنوعی
• 76. رمزنگاری و حفاظت از داده‌ها
• 77. ملاحظات اخلاقی در جمع‌آوری و استفاده از داده‌ها
• 78. قوانین و مقررات مربوط به داده‌ها در ایران
• 79. مدیریت چرخه عمر اپلیکیشن‌های هوش مصنوعی
• 80. پایش و نگهداری سیستم‌های هوش مصنوعی
• 81. بهبود مستمر مدل‌ها و اپلیکیشن‌ها
• 82. آیندهٔ مدل‌های زبانی بزرگ
• 83. روندهای نوظهور در هوش مصنوعی
• 84. نقش هوش مصنوعی در تحول دیجیتال
• 85. کارآفرینی با استفاده از هوش مصنوعی
• 86. مسئولیت‌پذیری در توسعهٔ هوش مصنوعی
• 87. آشنایی با ابزارهای متن‌باز مرتبط
• 88. مقدمه‌ای بر چارچوب‌های توسعهٔ هوش مصنوعی
• 89. یادگیری فعال (Active Learning) در هوش مصنوعی
• 90. یادگیری انتقال (Transfer Learning)
• 91. مقدمه‌ای بر مدل‌های توزیع‌شده
• 92. محاسبات ابری و هوش مصنوعی
• 93. استفاده از GPU و TPU برای آموزش مدل‌ها
• 94. بهینه‌سازی مدل‌ها برای اجرا روی دستگاه‌ها
• 95. مقدمه‌ای بر هوش مصنوعی قابل اعتماد (Trustworthy AI)
• 96. تضمین کیفیت در سیستم‌های هوش مصنوعی
• 97. ارزیابی ریسک‌های امنیتی و اخلاقی
• 98. ملاحظات شرعی در کاربردهای هوش مصنوعی
• 99. توسعهٔ ابزارهای هوش مصنوعی برای کاربردهای داخلی
• 100. فرهنگ‌سازی و آموزش عمومی هوش مصنوعی