کتاب صوتی ساخت ربات گفتگوگر هوشمند با استفاده از مدل‌های زبان بزرگ و ابزارهای توسعهٔ وب

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت ربات گفتگوگر هوشمند با استفاده از مدل‌های زبان بزرگ و ابزارهای توسعهٔ وب

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعهٔ برنامه‌های کاربردی مبتنی بر هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر پردازش زبان طبیعی
• 3. آشنایی با مدل‌های زبان بزرگ (LLMs)
• 4. معماری ترنسفورمر و شبکه‌های عصبی
• 5. مفاهیم کلیدی در یادگیری ماشین
• 6. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 7. مقدمه‌ای بر کتابخانه LlamaIndex
• 8. نصب و پیکربندی LlamaIndex
• 9. کار با اسناد متنی در LlamaIndex
• 10. بارگذاری داده‌ها از منابع مختلف
• 11. نمایه‌سازی اسناد برای جستجوی معنایی
• 12. تکنیک‌های نمایه‌سازی پیشرفته
• 13. ساخت اپلیکیشن‌های پرسش و پاسخ بر روی اسناد
• 14. مفهوم پایگاه‌های داده برداری (Vector Databases)
• 15. کار با پایگاه‌های داده برداری در LlamaIndex
• 16. آشنایی با Nvidia NIM (Nvidia Managed Microservices)
• 17. نصب و پیکربندی Nvidia NIM
• 18. استفاده از مدل‌های از پیش آموزش‌دیده در NIM
• 19. پیاده‌سازی سرویس‌های زبان در NIM
• 20. مقدمه‌ای بر Streamlit برای توسعهٔ وب
• 21. نصب و پیکربندی Streamlit
• 22. ساخت رابط کاربری ساده با Streamlit
• 23. ایجاد فیلدهای ورودی و نمایش خروجی
• 24. طراحی اپلیکیشن‌های تعاملی با Streamlit
• 25. اتصال Streamlit به LlamaIndex
• 26. نمایش نتایج پرسش و پاسخ در رابط کاربری
• 27. مدیریت وضعیت برنامه در Streamlit
• 28. ذخیره‌سازی و بازیابی تاریخچه گفتگو
• 29. بهبود دقت پاسخ‌های ربات
• 30. تنظیم پارامترهای مدل‌های زبان
• 31. استفاده از تکنیک‌های بازیابی اطلاعات (Retrieval)
• 32. بهینه‌سازی فرایند پرسش و پاسخ
• 33. مدیریت خطاها و استثنائات در برنامه
• 34. مستندسازی کد و برنامه
• 35. تست و ارزیابی عملکرد ربات
• 36. مقدمه‌ای بر امنیت در برنامه‌های هوش مصنوعی
• 37. اصول اولیهٔ توسعهٔ نرم‌افزار امن
• 38. حفاظت از داده‌های کاربر
• 39. مدیریت دسترسی‌ها در برنامه
• 40. ملاحظات اخلاقی در توسعهٔ هوش مصنوعی
• 41. قوانین و مقررات مربوط به هوش مصنوعی در ایران
• 42. حریم خصوصی داده‌ها و قوانین مرتبط
• 43. اصول اولیهٔ توسعهٔ پایدار
• 44. بهینه‌سازی مصرف منابع در برنامه
• 45. مقدمه‌ای بر مفاهیم پیشرفتهٔ LLMs
• 46. تنظیم دقیق مدل‌ها (Fine-tuning)
• 47. استفاده از RAG (Retrieval Augmented Generation)
• 48. پیاده‌سازی RAG با LlamaIndex
• 49. مدیریت دانش در مقیاس بزرگ
• 50. استفاده از ابزارهای نظارت بر عملکرد
• 51. مانیتورینگ و لاگ‌گیری در Streamlit
• 52. استقرار (Deployment) اپلیکیشن
• 53. استقرار در محیط‌های ابری (با رعایت مقررات)
• 54. استقرار بر روی سرورهای داخلی
• 55. مدیریت نسخه‌های برنامه
• 56. مقدمه‌ای بر پردازش تصویر در هوش مصنوعی
• 57. کاربرد پردازش تصویر در ربات‌های گفتگوگر
• 58. مقدمه‌ای بر پردازش صدا
• 59. تبدیل گفتار به متن (Speech-to-Text)
• 60. تبدیل متن به گفتار (Text-to-Speech)
• 61. ادغام پردازش صدا با ربات گفتگوگر
• 62. استفاده از ابزارهای تحلیل احساسات
• 63. کاربرد تحلیل احساسات در بهبود تعامل
• 64. مفاهیم پایه‌ای شبکه‌های عصبی کانولوشنی (CNN)
• 65. مفاهیم پایه‌ای شبکه‌های عصبی بازگشتی (RNN)
• 66. آشنایی با مدل‌های گراف عصبی (GNN)
• 67. توسعهٔ ربات‌های گفتگوگر چندوجهی
• 68. مقدمه‌ای بر هوش مصنوعی مولد
• 69. ساخت محتوای خلاقانه با هوش مصنوعی
• 70. ملاحظات حقوقی و مالکیت معنوی محتوا
• 71. اصول اولیهٔ داده‌کاوی
• 72. کاربرد داده‌کاوی در بهبود ربات
• 73. مقدمه‌ای بر یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 74. کاربرد یادگیری تقویتی در بهینه‌سازی ربات
• 75. مفاهیم پیشرفتهٔ پایگاه‌های داده برداری
• 76. تکنیک‌های جستجوی نزدیک‌ترین همسایه (ANN)
• 77. مدیریت داده‌های حجیم و توزیع‌شده
• 78. استفاده از Docker برای بسته‌بندی برنامه
• 79. اصول اولیهٔ DevOps
• 80. یکپارچه‌سازی مداوم و استقرار مداوم (CI/CD)
• 81. مقدمه‌ای بر اخلاق در علم داده
• 82. مسئولیت‌پذیری در هوش مصنوعی
• 83. شفافیت در الگوریتم‌ها
• 84. ملاحظات فرهنگی در طراحی ربات
• 85. تطبیق ربات با فرهنگ ایرانی
• 86. اصول اولیهٔ طراحی تجربه کاربری (UX)
• 87. طراحی رابط کاربری (UI) کاربرپسند
• 88. تست کاربردپذیری (Usability Testing)
• 89. روش‌های جمع‌آوری بازخورد از کاربران
• 90. تحلیل بازخورد کاربران
• 91. بهبود مداوم برنامه بر اساس بازخورد
• 92. مقدمه‌ای بر هوش مصنوعی سازمانی
• 93. پیاده‌سازی هوش مصنوعی در سازمان‌ها
• 94. مدیریت پروژه در توسعهٔ هوش مصنوعی
• 95. اصول اولیهٔ مدیریت دانش
• 96. ساخت سیستم‌های توصیه‌گر
• 97. کاربرد سیستم‌های توصیه‌گر در ربات
• 98. مقدمه‌ای بر شبکه‌های عصبی گراف (GNNs)
• 99. کاربرد GNNs در تحلیل روابط
• 100. مباحث پیشرفته در LlamaIndex