دوره آموزش جامع مهندسی هوش مصنوعی مولد با Databricks (آمادگی آزمون Associate) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع مهندسی هوش مصنوعی مولد با Databricks (آمادگی آزمون Associate)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی داده و پلتفرم‌های هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد
• 2. مروری بر پلتفرم Databricks
• 3. مبانی یادگیری ماشین
• 4. یادگیری نظارت‌شده در Databricks
• 5. یادگیری بدون نظارت در Databricks
• 6. مقدمه‌ای بر یادگیری تقویتی
• 7. مهندسی ویژگی و انتخاب ویژگی
• 8. پیش‌پردازش و پاکسازی داده‌ها
• 9. مقیاس‌پذیری داده‌ها با Spark
• 10. کار با داده‌های ساختاریافته و نیمه‌ساختاریافته
• 11. کار با داده‌های متنی و تصویر
• 12. معماری Lakehouse
• 13. Delta Lake: مبانی و ویژگی‌ها
• 14. بهینه‌سازی عملکرد کوئری‌ها در Delta Lake
• 15. مدیریت داده‌ها با Databricks Unity Catalog
• 16. امنیت داده‌ها در Databricks
• 17. معرفی مدل‌های زبانی بزرگ (LLMs)
• 18. Fine-tuning مدل‌های زبانی بزرگ
• 19. ارزیابی عملکرد مدل‌های زبانی بزرگ
• 20. Prompt Engineering: اصول و تکنیک‌ها
• 21. استفاده از مدل‌های زبانی بزرگ در Databricks
• 22. معرفی مدل‌های مولد تصویر
• 23. ساخت و آموزش مدل‌های Diffusion
• 24. استفاده از مدل‌های مولد تصویر در Databricks
• 25. معماری Transformer
• 26. مبانی Attention Mechanism
• 27. کار با Embeddingها
• 28. مدل‌های سری زمانی و پیش‌بینی
• 29. تشخیص ناهنجاری و Anomalies
• 30. Data Versioning و Lineage
• 31. MLflow: مدیریت چرخه حیات مدل
• 32. مدیریت آزمایش‌ها و پارامترها
• 33. استقرار مدل‌ها با Databricks Model Serving
• 34. مانتیورینگ و مدیریت مدل‌های استقرار یافته
• 35. AutoML در Databricks
• 36. بهینه‌سازی Hyperparameter
• 37. یادگیری انتقال (Transfer Learning)
• 38. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 39. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 40. کار با داده‌های جریانی (Streaming Data)
• 41. معماری Lambda و Kappa
• 42. استفاده از Databricks Auto Loader
• 43. کار با داده‌های GeoSpatial
• 44. تحلیل داده‌های مکانی با Spark
• 45. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 46. Tokenization و Text Preprocessing
• 47. مدل‌های Word Embedding (Word2Vec, GloVe)
• 48. تحلیل Sentiment با Databricks
• 49. مدل‌های طبقه‌بندی متن
• 50. خلاصه‌سازی متن (Text Summarization)
• 51. ترجمه ماشینی (Machine Translation)
• 52. استخراج اطلاعات از متن
• 53. کار با APIهای هوش مصنوعی
• 54. ادغام Databricks با سایر سرویس‌ها
• 55. ساخت Pipelines هوش مصنوعی
• 56. اتوماسیون فرآیندهای هوش مصنوعی
• 57. بهینه‌سازی هزینه‌ها در Databricks
• 58. مدیریت منابع و Clusterها
• 59. امنیت و Compliance در Databricks
• 60. بهترین روش‌ها برای توسعه و استقرار مدل‌های هوش مصنوعی
• 61. آشنایی با Databricks Marketplace
• 62. استفاده از مدل‌های از پیش آموزش‌دیده
• 63. آشنایی با مفاهیم MLOps
• 64. CI/CD برای مدل‌های هوش مصنوعی
• 65. مدیریت نسخه داده‌ها با DLT (Delta Live Tables)
• 66. استفاده از Databricks Repos
• 67. مقدمه‌ای بر Generative AI برای کاربردهای تجاری
• 68. استفاده از مدل‌های مولد برای تولید محتوا
• 69. آشنایی با روش‌های ارزیابی کیفیت محتوای تولید شده
• 70. کار با LLMOps
• 71. تست و اعتبارسنجی مدل‌های زبانی بزرگ
• 72. مباحث تکمیلی هوش مصنوعی مولد
• 73. آینده هوش مصنوعی مولد و Databricks