دوره بهره‌برداری از مدل‌های هوش مصنوعی Azure با GitHub Copilot برای توسعه نرم‌افزار همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهره‌برداری از مدل‌های هوش مصنوعی Azure با GitHub Copilot برای توسعه نرم‌افزار

موضوع کلی: توسعه نرم‌افزار با استفاده از هوش مصنوعی

موضوع میانی: ابزارهای هوش مصنوعی در توسعه نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی در توسعه نرم‌افزار
• 2. آشنایی با Azure AI Foundry
• 3. مفاهیم کلیدی مدل‌های زبانی بزرگ (LLMs)
• 4. مبانی GitHub Copilot
• 5. نصب و پیکربندی GitHub Copilot
• 6. اولین گام‌ها با GitHub Copilot
• 7. ترکیب Azure AI Foundry و GitHub Copilot
• 8. معماری Azure AI Foundry
• 9. انواع مدل‌های Azure AI Foundry
• 10. انتخاب مدل مناسب از Azure AI Foundry
• 11. مدل‌های تولید کد در Azure AI Foundry
• 12. مدل‌های درک زبان طبیعی در Azure AI Foundry
• 13. مدل‌های خلاصه‌سازی متن در Azure AI Foundry
• 14. مدل‌های ترجمه ماشینی در Azure AI Foundry
• 15. مدل‌های تحلیل احساسات در Azure AI Foundry
• 16. مقدمه‌ای بر APIهای Azure AI Foundry
• 17. احراز هویت و مجوزها در Azure AI Foundry
• 18. استفاده از Azure AI Studio
• 19. ساخت و استقرار مدل‌های سفارشی
• 20. تنظیم دقیق (Fine-tuning) مدل‌های Azure AI Foundry
• 21. ارزیابی عملکرد مدل‌ها
• 22. مقدمه‌ای بر توسعه نرم‌افزار چابک (Agile)
• 23. نقش هوش مصنوعی در چرخه عمر توسعه نرم‌افزار (SDLC)
• 24. کدنویسی با کمک GitHub Copilot
• 25. تکمیل خودکار کد با Copilot
• 26. تولید قطعه کد با Copilot
• 27. تولید تابع با Copilot
• 28. تولید کلاس با Copilot
• 29. تولید تست واحد با Copilot
• 30. بازنویسی کد با Copilot
• 31. توضیح کد با Copilot
• 32. یافتن خطاها با Copilot
• 33. پیشنهادات کد در محیط‌های مختلف
• 34. تنظیمات و شخصی‌سازی GitHub Copilot
• 35. ادغام GitHub Copilot با IDEها
• 36. کار با مخازن کد (Repositories)
• 37. مدیریت وابستگی‌ها با Copilot
• 38. مستندسازی کد با Copilot
• 39. نوشتن کامنت‌های کد با Copilot
• 40. استفاده از Copilot برای یادگیری زبان‌های برنامه‌نویسی
• 41. کار با الگوهای طراحی (Design Patterns)
• 42. بهبود خوانایی کد
• 43. کاهش زمان توسعه
• 44. افزایش بهره‌وری توسعه‌دهندگان
• 45. بهینه‌سازی عملکرد کد
• 46. شناسایی کدهای تکراری
• 47. مدیریت خطا و استثنائات
• 48. استفاده از Copilot برای Refactoring
• 49. تکنیک‌های Refactoring با Copilot
• 50. توسعه تست‌های جامع
• 51. ایجاد سناریوهای تست
• 52. استفاده از Copilot برای تست A/B
• 53. مقدمه‌ای بر DevOps
• 54. نقش هوش مصنوعی در DevOps
• 55. اتوماسیون تست با Copilot
• 56. اتوماسیون استقرار (Deployment)
• 57. نظارت بر عملکرد نرم‌افزار
• 58. تحلیل لاگ‌ها با هوش مصنوعی
• 59. پیش‌بینی مشکلات نرم‌افزاری
• 60. امنیت نرم‌افزار در توسعه
• 61. استفاده از Copilot برای شناسایی آسیب‌پذیری‌ها
• 62. توسعه نرم‌افزارهای امن
• 63. اصول برنامه‌نویسی امن
• 64. مدیریت پیکربندی (Configuration Management)
• 65. استفاده از Copilot در مدیریت پیکربندی
• 66. مقدمه‌ای بر معماری میکروسرویس‌ها
• 67. توسعه میکروسرویس‌ها با Copilot
• 68. ارتباط بین میکروسرویس‌ها
• 69. مدیریت داده در میکروسرویس‌ها
• 70. مباحث پیشرفته در Azure AI Foundry
• 71. مدل‌های تخصصی Azure AI Foundry
• 72. استفاده از مدل‌های Graph Neural Networks
• 73. مدل‌های پردازش تصویر
• 74. مدل‌های پردازش صوت
• 75. مدل‌های داده‌های سری زمانی
• 76. کار با Azure Machine Learning
• 77. آموزش مدل‌های یادگیری ماشین
• 78. ارزیابی مدل‌های یادگیری ماشین
• 79. استقرار مدل‌های یادگیری ماشین
• 80. مباحث پیشرفته در GitHub Copilot
• 81. تنظیم دقیق Copilot برای پروژه‌های خاص
• 82. استفاده از Copilot در تیم‌های بزرگ
• 83. مدیریت دانش در تیم‌های توسعه
• 84. بررسی کیفیت کد با Copilot
• 85. توسعه برنامه‌های وب پیشرفته
• 86. توسعه برنامه‌های موبایل
• 87. توسعه بازی‌ها
• 88. استفاده از هوش مصنوعی در بازی‌سازی
• 89. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 90. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 91. حریم خصوصی داده‌ها
• 92. سوگیری در مدل‌های هوش مصنوعی
• 93. توسعه پایدار با هوش مصنوعی
• 94. آینده توسعه نرم‌افزار با هوش مصنوعی
• 95. تحولات آتی در Azure AI Foundry
• 96. تحولات آتی در GitHub Copilot
• 97. نقش توسعه‌دهندگان در آینده هوش مصنوعی
• 98. جمع‌بندی مباحث و چشم‌انداز
• 99. یادگیری مستمر در حوزه هوش مصنوعی
• 100. منابع تکمیلی برای مطالعه