فلش‌کارت‌های آموزشی ساخت برنامه‌های هوش مصنوعی مولد در محیط ابری گوگل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامه‌های هوش مصنوعی مولد در محیط ابری گوگل

موضوع کلی: هوش مصنوعی و توسعه نرم‌افزار

موضوع میانی: هوش مصنوعی مولد و کاربردهای آن

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد
• 2. اصول یادگیری ماشین در هوش مصنوعی مولد
• 3. معماری‌های کلیدی شبکه‌های عصبی مولد
• 4. مدل‌های زبانی بزرگ (LLMs)
• 5. تکنیک‌های پیش‌پردازش داده برای LLMs
• 6. آموزش مدل‌های زبانی بزرگ
• 7. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 8. ارزیابی مدل‌های زبانی بزرگ
• 9. مفاهیم پایه درک زبان طبیعی (NLU)
• 10. کاربردهای NLU در هوش مصنوعی مولد
• 11. تولید زبان طبیعی (NLG)
• 12. کاربردهای NLG در هوش مصنوعی مولد
• 13. مدل‌های تولید تصویر
• 14. تکنیک‌های پیش‌پردازش تصویر برای مدل‌های مولد
• 15. آموزش مدل‌های تولید تصویر
• 16. تنظیم دقیق مدل‌های تولید تصویر
• 17. ارزیابی مدل‌های تولید تصویر
• 18. مدل‌های تولید ویدئو
• 19. کاربردهای مدل‌های تولید ویدئو
• 20. مدل‌های تولید کد
• 21. کاربردهای مدل‌های تولید کد
• 22. تکنیک‌های Prompt Engineering
• 23. طراحی Promptهای مؤثر
• 24. بهینه‌سازی Promptها برای نتایج مطلوب
• 25. ملاحظات امنیتی در Prompt Engineering
• 26. محیط ابری گوگل (Google Cloud)
• 27. معرفی Google Cloud Platform
• 28. خدمات محاسباتی در Google Cloud
• 29. خدمات ذخیره‌سازی در Google Cloud
• 30. شبکه‌سازی در Google Cloud
• 31. معرفی Google Cloud AI Platform
• 32. خدمات یادگیری ماشین در Google Cloud
• 33. Vertex AI: پلتفرم جامع AI
• 34. ساخت و آموزش مدل‌ها در Vertex AI
• 35. استقرار مدل‌ها در Vertex AI
• 36. مدیریت چرخه عمر مدل‌ها در Vertex AI
• 37. Google Kubernetes Engine (GKE) برای استقرار مدل‌ها
• 38. Serverless Computing برای مدل‌های AI
• 39. امنیت در Google Cloud برای برنامه‌های AI
• 40. مدیریت دسترسی و هویت (IAM)
• 41. رمزنگاری داده‌ها در Google Cloud
• 42. پایش و ثبت وقایع (Logging & Monitoring)
• 43. ساخت یک برنامه کاربردی هوش مصنوعی مولد
• 44. انتخاب معماری مناسب
• 45. انتخاب مدل‌های از پیش آموزش‌دیده
• 46. توسعه رابط کاربری (UI)
• 47. توسعه رابط برنامه‌نویسی (API)
• 48. یکپارچه‌سازی با خدمات Google Cloud
• 49. نمونه‌سازی برنامه کاربردی
• 50. تست و ارزیابی برنامه
• 51. بهینه‌سازی عملکرد برنامه
• 52. مقیاس‌پذیری برنامه‌های AI
• 53. مدیریت هزینه‌ها در Google Cloud
• 54. ملاحظات اخلاقی در هوش مصنوعی مولد
• 55. سوگیری در مدل‌های AI
• 56. شفافیت و قابلیت توضیح‌پذیری (Explainability)
• 57. حریم خصوصی داده‌ها
• 58. توسعه مسئولانه هوش مصنوعی
• 59. کاربرد هوش مصنوعی مولد در تولید محتوا
• 60. کاربرد هوش مصنوعی مولد در خدمات مشتری
• 61. کاربرد هوش مصنوعی مولد در تحقیق و توسعه
• 62. کاربرد هوش مصنوعی مولد در اتوماسیون فرآیندها
• 63. کاربرد هوش مصنوعی مولد در تحلیل داده‌ها
• 64. کاربرد هوش مصنوعی مولد در آموزش
• 65. کاربرد هوش مصنوعی مولد در پزشکی
• 66. کاربرد هوش مصنوعی مولد در مالی
• 67. مدیریت پروژه در توسعه برنامه‌های AI
• 68. تیم‌سازی برای پروژه‌های AI
• 69. مستندسازی فنی برنامه‌های AI
• 70. راهنمای توسعه‌دهندگان
• 71. بهترین روش‌ها در توسعه نرم‌افزار AI
• 72. آینده هوش مصنوعی مولد
• 73. روندهای نوظهور در LLMs
• 74. پیشرفت‌ها در مدل‌های تولید چندوجهی
• 75. هوش مصنوعی مولد در لبه (Edge AI)
• 76. هوش مصنوعی مولد قابل اعتماد
• 77. چالش‌های فنی در مقیاس‌پذیری AI
• 78. ملاحظات حقوقی در استفاده از AI مولد
• 79. استانداردهای صنعتی برای AI
• 80. یادگیری مداوم و به‌روزرسانی دانش AI
• 81. نکات پیشرفته در Prompt Engineering
• 82. تکنیک‌های پیشرفته تنظیم دقیق مدل‌ها
• 83. استفاده از Embeddingها در برنامه‌های AI
• 84. Vector Databases برای برنامه‌های AI
• 85. آموزش تقویتی از بازخورد انسانی (RLHF)
• 86. مدل‌های Diffusion برای تولید تصویر
• 87. استفاده از مدل‌های Embedding متن
• 88. تکنیک‌های ترکیب مدل‌ها
• 89. معماری‌های Transformer پیشرفته
• 90. پردازش زبان طبیعی در محیط ابری
• 91. توسعه برنامه‌های AI بدون کد (Low-code/No-code)
• 92. مدیریت داده‌های بزرگ برای AI
• 93. امنیت داده‌ها در محیط ابری
• 94. پایش عملکرد مدل‌های استقرار یافته
• 95. بهینه‌سازی مصرف منابع در GKE
• 96. استفاده از Cloud Functions برای وظایف AI
• 97. معماری‌های Microservices برای برنامه‌های AI
• 98. طراحی APIهای RESTful برای AI
• 99. امنیت APIها
• 100. مدیریت نسخه مدل‌ها