فلش‌کارت‌های آموزشی مبانی هوش مصنوعی در خدمات ابری مایکروسافت Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی هوش مصنوعی در خدمات ابری مایکروسافت Azure

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: مبانی هوش مصنوعی و کاربردهای آن

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر خدمات ابری مایکروسافت Azure
• 2. مبانی هوش مصنوعی و یادگیری ماشین
• 3. مفاهیم کلیدی در هوش مصنوعی
• 4. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 5. معرفی Azure Machine Learning
• 6. ایجاد فضای کاری در Azure Machine Learning
• 7. آماده‌سازی داده‌ها برای مدل‌های هوش مصنوعی
• 8. پاکسازی و پیش‌پردازش داده‌ها در Azure
• 9. مهندسی ویژگی برای مدل‌های هوش مصنوعی
• 10. انتخاب الگوریتم‌های مناسب یادگیری ماشین
• 11. آموزش مدل‌های یادگیری ماشین
• 12. ارزیابی عملکرد مدل‌های هوش مصنوعی
• 13. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 14. استقرار مدل‌های هوش مصنوعی در Azure
• 15. مبانی پردازش زبان طبیعی (NLP)
• 16. کاربرد NLP در خدمات Azure
• 17. تحلیل احساسات با استفاده از Azure Cognitive Services
• 18. تشخیص موجودیت نام‌گذاری شده (NER)
• 19. ترجمه ماشینی با Azure Translator
• 20. تشخیص گفتار با Azure Speech Service
• 21. تبدیل گفتار به متن و متن به گفتار
• 22. مبانی بینایی ماشین (Computer Vision)
• 23. کاربرد بینایی ماشین در خدمات Azure
• 24. تحلیل تصویر با Azure Computer Vision
• 25. تشخیص اشیاء در تصاویر
• 26. تشخیص چهره و تحلیل ویژگی‌های چهره
• 27. تشخیص متن در تصاویر (OCR)
• 28. مبانی شبکه‌های عصبی و یادگیری عمیق
• 29. معماری شبکه‌های عصبی عمیق
• 30. شبکه‌های عصبی کانولوشنال (CNN)
• 31. شبکه‌های عصبی بازگشتی (RNN)
• 32. کاربرد شبکه‌های عصبی در Azure
• 33. مدل‌های از پیش آموزش دیده در Azure
• 34. استفاده از Azure Custom Vision
• 35. آموزش مدل‌های طبقه‌بندی تصویر سفارشی
• 36. تشخیص اشیاء سفارشی در تصاویر
• 37. مبانی توسعه ربات‌های هوشمند
• 38. معرفی Azure Bot Service
• 39. طراحی و ساخت ربات‌های گفتگو (Chatbots)
• 40. ادغام ربات‌ها با کانال‌های مختلف
• 41. مدیریت وضعیت در ربات‌ها
• 42. استفاده از QnA Maker برای پایگاه دانش ربات
• 43. معرفی Azure Cognitive Search
• 44. جستجوی هوشمند در داده‌ها
• 45. فهرست‌بندی داده‌ها برای جستجو
• 46. فیلتر کردن و مرتب‌سازی نتایج جستجو
• 47. کاربرد هوش مصنوعی در کسب و کار
• 48. مطالعات موردی کاربرد هوش مصنوعی در صنعت
• 49. هوش مصنوعی در خدمات مشتری
• 50. هوش مصنوعی در تحلیل داده‌های کسب و کار
• 51. هوش مصنوعی در اتوماسیون فرآیندها
• 52. اخلاق در هوش مصنوعی و مسئولیت‌پذیری
• 53. ملاحظات اخلاقی در توسعه هوش مصنوعی
• 54. تضمین عدالت و عدم تبعیض در مدل‌ها
• 55. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 56. امنیت داده‌ها در خدمات هوش مصنوعی Azure
• 57. حفظ حریم خصوصی کاربران
• 58. پیاده‌سازی راه‌حل‌های هوش مصنوعی در Azure
• 59. معماری راه‌حل‌های هوش مصنوعی
• 60. انتخاب خدمات مناسب Azure AI
• 61. مراحل استقرار و مدیریت راه‌حل‌های هوش مصنوعی
• 62. نظارت بر عملکرد مدل‌ها در Azure
• 63. به‌روزرسانی و بازآموزی مدل‌ها
• 64. اتوماسیون وظایف با Azure Logic Apps
• 65. ادغام هوش مصنوعی با فرآیندهای کسب و کار
• 66. معرفی Azure Databricks
• 67. تحلیل داده‌های بزرگ با Databricks
• 68. پیاده‌سازی مدل‌های یادگیری ماشین در Databricks
• 69. کاربرد Azure Stream Analytics
• 70. پردازش داده‌های جریانی در لحظه
• 71. ادغام هوش مصنوعی با داده‌های جریانی
• 72. معرفی Azure Functions
• 73. توسعه توابع بدون سرور برای هوش مصنوعی
• 74. استفاده از Azure Machine Learning Pipelines
• 75. مدیریت گردش کار یادگیری ماشین
• 76. مبانی یادگیری تقویتی در Azure
• 77. کاربرد یادگیری تقویتی در حل مسائل پیچیده
• 78. معرفی Azure Cognitive Services for Vision
• 79. مبانی پردازش داده‌های صوتی
• 80. کاربرد Azure Cognitive Services for Speech
• 81. مبانی پردازش زبان طبیعی در Azure
• 82. تحلیل متن و استخراج اطلاعات
• 83. تشخیص و تحلیل احساسات کاربران
• 84. مدیریت دانش و پرسش و پاسخ هوشمند
• 85. جستجوی معنایی در محتوا
• 86. معرفی Azure AI Studio
• 87. ابزارهای توسعه هوش مصنوعی در Azure
• 88. ساخت و استقرار مدل‌های هوش مصنوعی سفارشی
• 89. مدیریت چرخه عمر مدل‌های هوش مصنوعی
• 90. امنیت و انطباق در راه‌حل‌های هوش مصنوعی Azure
• 91. ملاحظات قانونی و شرعی در هوش مصنوعی
• 92. اصول اخلاقی در توسعه هوش مصنوعی
• 93. مسئولیت‌پذیری در قبال تصمیمات هوش مصنوعی
• 94. آینده هوش مصنوعی در خدمات ابری
• 95. روندهای نوظهور در هوش مصنوعی
• 96. تأثیر هوش مصنوعی بر صنایع مختلف
• 97. آمادگی برای آینده هوش مصنوعی