کتاب صوتی مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد
• 2. مفاهیم پایه هوش مصنوعی و یادگیری ماشین
• 3. شبکه‌های عصبی مصنوعی: مبانی و معماری
• 4. یادگیری عمیق: رویکردی نوین به هوش مصنوعی
• 5. مجموعه‌داده‌ها و پیش‌پردازش داده در هوش مصنوعی مولد
• 6. معیارهای ارزیابی مدل‌های هوش مصنوعی
• 7. آشنایی با فریم‌ورک‌های محبوب هوش مصنوعی (TensorFlow, PyTorch)
• 8. مبانی برنامه‌نویسی پایتون برای هوش مصنوعی
• 9. تولید متن با استفاده از مدل‌های زبانی بزرگ
• 10. مدل‌های زبانی: از n-gram تا Transformer
• 11. معماری Transformer: توجه به جزئیات
• 12. Word Embeddings: نمایش برداری کلمات
• 13. پردازش زبان طبیعی (NLP) و کاربردهای آن
• 14. تحلیل احساسات با استفاده از هوش مصنوعی
• 15. خلاصه‌سازی متن با استفاده از الگوریتم‌های هوش مصنوعی
• 16. ترجمه ماشینی: اصول و چالش‌ها
• 17. تولید تصویر با استفاده از شبکه‌های مولد تخاصمی (GANs)
• 18. معماری GAN: تولید تصاویر واقعی
• 19. شبکه‌های خودرمزگذار (Autoencoders) و کاربردهای آن‌ها
• 20. تولید موسیقی با استفاده از هوش مصنوعی
• 21. تولید ویدئو با استفاده از هوش مصنوعی
• 22. مدل‌های انتشار (Diffusion Models) در تولید تصویر
• 23. تولید صدا و گفتار با استفاده از هوش مصنوعی
• 24. تولید داده‌های مصنوعی برای افزایش حجم داده
• 25. یادگیری تقویتی (Reinforcement Learning) و کاربردهای آن
• 26. هوش مصنوعی مولد در طراحی و معماری
• 27. هوش مصنوعی مولد در پزشکی و تشخیص بیماری
• 28. هوش مصنوعی مولد در بازاریابی و تبلیغات
• 29. هوش مصنوعی مولد در آموزش و پرورش
• 30. هوش مصنوعی مولد و تولید محتوای خلاقانه
• 31. اخلاق در هوش مصنوعی مولد: چالش‌ها و ملاحظات
• 32. حریم خصوصی و امنیت داده‌ها در هوش مصنوعی مولد
• 33. سوگیری در مدل‌های هوش مصنوعی و روش‌های کاهش آن
• 34. تفسیرپذیری مدل‌های هوش مصنوعی: درک تصمیمات مدل
• 35. بهینه‌سازی مدل‌های هوش مصنوعی برای عملکرد بهتر
• 36. استفاده از GPUها برای آموزش مدل‌های هوش مصنوعی
• 37. مفاهیم پایه‌ای ابررایانش و هوش مصنوعی
• 38. استقرار مدل‌های هوش مصنوعی در محیط‌های ابری
• 39. APIهای هوش مصنوعی و استفاده از سرویس‌های آماده
• 40. آینده هوش مصنوعی مولد: روندها و پیش‌بینی‌ها
• 41. معرفی ابزارهای توسعه هوش مصنوعی مولد
• 42. کار با کتابخانه‌های پایتون برای پردازش تصویر
• 43. کار با کتابخانه‌های پایتون برای پردازش صدا
• 44. مدیریت نسخه‌های کد و همکاری در پروژه‌های هوش مصنوعی
• 45. آشنایی با سیستم‌های کنترل نسخه (Git)
• 46. روش‌های دیباگینگ و تست مدل‌های هوش مصنوعی
• 47. تکنیک‌های افزایش دقت مدل‌های هوش مصنوعی
• 48. انتخاب معماری مناسب برای مسئله مورد نظر
• 49. تنظیم هایپرپارامترها برای بهبود عملکرد مدل
• 50. روش‌های مقابله با بیش‌برازش (Overfitting)
• 51. روش‌های مقابله با کم‌برازش (Underfitting)
• 52. یادگیری انتقالی (Transfer Learning) و استفاده از مدل‌های پیش‌آموزش‌دیده
• 53. تنظیم دقیق مدل‌های پیش‌آموزش‌دیده (Fine-tuning)
• 54. تولید متن با کنترل سبک و لحن
• 55. تولید تصویر با کنترل جزئیات و ترکیب‌بندی
• 56. تولید موسیقی با کنترل ژانر و سازبندی
• 57. تولید ویدئو با کنترل صحنه‌ها و افکت‌ها
• 58. کاربردهای هوش مصنوعی مولد در بازی‌سازی
• 59. هوش مصنوعی مولد و تولید محتوای واقعیت مجازی (VR) و واقعیت افزوده (AR)
• 60. هوش مصنوعی مولد و تولید محتوای سه بعدی
• 61. تولید داده‌های آموزشی برای مدل‌های هوش مصنوعی
• 62. تولید داده‌های مصنوعی برای شبیه‌سازی سناریوهای مختلف
• 63. هوش مصنوعی مولد و تولید محتوای شخصی‌سازی‌شده
• 64. هوش مصنوعی مولد و تولید محتوای تعاملی
• 65. هوش مصنوعی مولد و تولید محتوای چندرسانه‌ای
• 66. آشنایی با روش‌های اعتبارسنجی مدل‌های هوش مصنوعی
• 67. تکنیک‌های ارزیابی مدل‌های زبانی
• 68. تکنیک‌های ارزیابی مدل‌های تولید تصویر
• 69. تکنیک‌های ارزیابی مدل‌های تولید صدا
• 70. بهبود کیفیت داده‌های آموزشی
• 71. پاکسازی و استانداردسازی داده‌ها
• 72. تغییر فرمت داده‌ها برای سازگاری با مدل
• 73. تولید داده‌های مصنوعی برای داده‌های نامتعادل
• 74. استفاده از تکنیک‌های داده‌افزایی (Data Augmentation)
• 75. بررسی موارد استفاده موفق هوش مصنوعی مولد در صنایع مختلف
• 76. آشنایی با چالش‌های پیاده‌سازی هوش مصنوعی مولد در سازمان‌ها
• 77. معرفی منابع آموزشی تکمیلی در زمینه هوش مصنوعی مولد
• 78. آینده مشاغل مرتبط با هوش مصنوعی مولد
• 79. تأثیر هوش مصنوعی مولد بر جامعه و اقتصاد