فلش‌کارت‌های آموزشی تحلیل داده و کدنویسی با مدل‌های زبانی: راهنمای عملی Ollama

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده و کدنویسی با مدل‌های زبانی: راهنمای عملی Ollama

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی

موضوع میانی: کاربردهای مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه بر هوش مصنوعی و مدل‌های زبانی
• 2. آشنایی با پردازش زبان طبیعی
• 3. مبانی مدل‌های زبانی بزرگ
• 4. معرفی Ollama
• 5. نصب و راه‌اندازی Ollama
• 6. کار با مدل‌های مختلف در Ollama
• 7. مدیریت مدل‌ها در Ollama
• 8. مفاهیم پایه کدنویسی پایتون
• 9. ساختارهای داده در پایتون
• 10. دستورات شرطی و حلقه‌ها در پایتون
• 11. توابع در پایتون
• 12. مدیریت خطا در پایتون
• 13. آشنایی با کتابخانه‌های تحلیل داده
• 14. نصب و پیکربندی کتابخانه Pandas
• 15. عملیات پایه با Pandas
• 16. فیلتر کردن و انتخاب داده‌ها
• 17. گروه‌بندی و تجمیع داده‌ها
• 18. ترکیب و ادغام دیتافریم‌ها
• 19. پاکسازی و پیش‌پردازش داده‌ها
• 20. مدیریت داده‌های گمشده
• 21. شناسایی و حذف داده‌های پرت
• 22. نرمال‌سازی و استانداردسازی داده‌ها
• 23. مبانی تحلیل اکتشافی داده (EDA)
• 24. مصورسازی داده‌ها با Matplotlib
• 25. مصورسازی داده‌ها با Seaborn
• 26. رسم نمودارهای خطی و پراکندگی
• 27. رسم نمودارهای میله‌ای و هیستوگرام
• 28. رسم نمودارهای جعبه‌ای و ویولن
• 29. تحلیل آماری پایه
• 30. آزمون‌های فرض آماری
• 31. مقدمه بر یادگیری ماشین
• 32. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 33. مفاهیم ارزیابی مدل
• 34. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 35. مدل‌های رگرسیون خطی
• 36. مدل‌های رگرسیون لجستیک
• 37. مدل‌های درخت تصمیم
• 38. مدل‌های ماشین بردار پشتیبان (SVM)
• 39. مدل‌های خوشه‌بندی (K-Means)
• 40. مقدمه بر شبکه‌های عصبی
• 41. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 42. توابع فعال‌سازی در شبکه‌های عصبی
• 43. بهینه‌سازی شبکه‌های عصبی (گرادیان کاهشی)
• 44. انتشار رو به عقب (Backpropagation)
• 45. مقدمه بر مدل‌های زبانی بزرگ (LLMs)
• 46. معماری ترنسفورمر
• 47. مکانیزم توجه (Attention Mechanism)
• 48. مدل‌های زبانی مبتنی بر ترنسفورمر
• 49. کاربرد LLMs در پردازش زبان طبیعی
• 50. تولید متن با LLMs
• 51. خلاصه‌سازی متن با LLMs
• 52. ترجمه ماشینی با LLMs
• 53. پاسخ به پرسش با LLMs
• 54. تحلیل احساسات با LLMs
• 55. طبقه‌بندی متن با LLMs
• 56. شناسایی موجودیت‌های نام‌دار (NER)
• 57. استخراج رابطه بین موجودیت‌ها
• 58. کاربرد LLMs در کدنویسی
• 59. تولید کد با LLMs
• 60. اشکال‌زدایی کد با LLMs
• 61. توضیح کد با LLMs
• 62. بازنویسی کد با LLMs
• 63. بهینه‌سازی کد با LLMs
• 64. کاربرد LLMs در تحلیل داده
• 65. استخراج اطلاعات از داده‌های متنی
• 66. تشخیص الگو در داده‌های متنی
• 67. داده‌کاوی متنی
• 68. آشنایی با مدل DeepSeek R1
• 69. ویژگی‌های مدل DeepSeek R1
• 70. مقایسه مدل DeepSeek R1 با سایر مدل‌ها
• 71. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 72. روش‌های تنظیم دقیق
• 73. ملاحظات اخلاقی در استفاده از LLMs
• 74. سوگیری در مدل‌های زبانی
• 75. حریم خصوصی و امنیت داده‌ها
• 76. کاربرد LLMs در حوزه آموزش
• 77. شخصی‌سازی یادگیری با LLMs
• 78. تولید محتوای آموزشی با LLMs
• 79. تسهیل فرآیند یادگیری با LLMs
• 80. کاربرد LLMs در حوزه پژوهش
• 81. جستجوی پیشرفته مقالات با LLMs
• 82. تحلیل ادبیات پژوهش با LLMs
• 83. پیشنهاد ایده‌های پژوهشی با LLMs
• 84. مدیریت پروژه‌های داده‌محور
• 85. مراحل یک پروژه داده‌محور
• 86. انتخاب ابزار مناسب
• 87. تیم‌سازی برای پروژه‌های داده
• 88. مستندسازی در پروژه‌های داده
• 89. ارزیابی و بهبود مستمر
• 90. آینده هوش مصنوعی و LLMs
• 91. روندهای نوظهور در LLMs
• 92. چالش‌های پیش رو در هوش مصنوعی
• 93. نقش LLMs در تحول دیجیتال
• 94. توسعه پایدار و هوش مصنوعی
• 95. مسئولیت‌پذیری در توسعه هوش مصنوعی