بوت کمپ جامع مهندسی هوش مصنوعی ۲۰۲۵ (AI Engineering)
در این بوت کمپ مهندسی هوش مصنوعی، یاد می‌گیرید با پایتون، مدل‌های زبانی بزرگ (LLM) و LangChain اپلیکیشن‌های هوش مصنوعی کاربردی بسازید و از آن‌ها برای حل مسائل واقعی کسب‌وکار استفاده کنید. در طول دوره، با رویکردی پروژه‌محور مهارت‌های موردنیاز یک مهندس هوش مصنوعی را از طراحی راهکار تا پیاده‌سازی پروژه‌های واقعی AI توسعه می‌دهید.
۴۸۰۰+ دانشجو
تعداد دانشجویان دوره
۳۲ ساعت
مدت زمان دوره
مقدماتی تا پیشرفته
سطح دوره
گواهینامه
اختصاصی گرولی
۴.۶
امتیاز دوره
آنچه در این دوره می‌آموزید:
- مهارت‌ها و ابزارهای ضروری برای تبدیل شدن به یک مهندس هوش مصنوعی را یاد می‌گیرید.
- با مفاهیم کلیدی AI و کاربرد آن‌ها در حل مسائل واقعی کسب‌وکار آشنا می‌شوید.
- با Python و NLP پروژه‌های کاربردی هوش مصنوعی توسعه می‌دهید.
- کار با مدل‌های زبانی بزرگ (LLM) و ساخت اپلیکیشن‌های AI با LangChain را یاد می‌گیرید.
- با Hugging Face، مدل‌های بنیادی و نحوه اتصال به آن‌ها از طریق API کار می‌کنید.
- با معماری Transformer و کاربرد آن در پردازش و تبدیل گفتار به متن آشنا می‌شوید.
- دانش فنی و عملی لازم برای پروژهها و مصاحبه‌های شغلی حوزه هوش مصنوعی را تقویت می‌کنید.
محتوای دوره
- ۷۶ فصل
- ۴۱۹ جلسه
- ۳۰ ساعت ویدیو
فصل ۱: بخش مقدمه‌ای بر هوش مصنوعی: شروع کار
ساخت یک ابزار هوش مصنوعی در ۵ دقیقه (یک دموی سریع)
۱۰:۱۶
این دوره چه موضوعاتی را پوشش می‌دهد؟
۰۳:۱۷
هوش طبیعی در برابر هوش مصنوعی
۰۲:۰۶
تاریخچه مختصر هوش مصنوعی
۰۵:۰۰
رفع ابهام از هوش مصنوعی، علم داده، یادگیری ماشین و یادگیری عمیق
۰۲:۲۷
هوش مصنوعی ضعیف در برابر هوش مصنوعی قوی
۰۲:۴۳ فصل ۲: بخش مقدمه‌ای بر هوش مصنوعی: داده برای ساخت هوش مصنوعی ضروری است
داده‌های ساختار یافته در مقابل داده‌های غیرساختار یافته
۰۱:۴۷
چگونه داده‌ها را جمع‌آوری می‌کنیم؟
۰۴:۰۲
داده‌های برچسب‌خورده و داده‌های بدون برچسب
۰۲:۰۶
متاداده: داده‌هایی که داده‌ها را توصیف میکنند
۰۱:۴۲ فصل ۳: بخش مقدمه‌ای بر هوش مصنوعی: تکنیک‌های کلیدی هوش مصنوعی
یادگیری ماشین
۰۶:۱۵
یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی
۰۵:۳۴
یادگیری عمیق
۰۸:۲۷ فصل ۴: بخش مقدمه‌ای بر هوش مصنوعی: شاخه‌های مهم هوش مصنوعی
رباتیک
۰۴:۳۵
پردازش و درک تصاویر توسط کامپیوتر (بینایی ماشین)
۰۴:۳۴
یادگیری ماشین سنتی
۰۱:۱۸
هوش مصنوعی مولد
۰۴:۰۵ فصل ۵: بخش مقدمه‌ای بر هوش مصنوعی: درک هوش مصنوعی مولد
ظهور هوش مصنوعی مولد: معرفی ChatGPT
۰۲:۰۹
روش‌های اولیه پردازش زبان طبیعی (NLP)
۰۲:۴۲
پیشرفت‌های اخیر در پردازش زبان طبیعی (NLP)
۰۳:۰۱
از مدل‌های زبانی تا مدل‌های زبان بزرگ (LLMs)
۰۶:۱۱
کارایی آموزش مدل‌های زبان بزرگ (LLMs): یادگیری نظارت‌شده در مقابل نیمه‌نظارت‌شده
۰۳:۳۵
از ان-گرام‌ها تا شبکه‌های بازگشتی (RNN) تا ترنسفورمرها: تکامل پردازش زبان طبیعی (NLP)
۰۵:۲۲
مراحل ساخت مدل‌های زبان بزرگ (LLMs)
۰۴:۴۰
مهندسی پرامپت در مقابل تنظیم دقیق و بازیابی با استدلال (RAG): تکنیک‌های بهینه‌سازی هوش مصنوعی
۰۴:۲۴
اهمیت مدل‌های پایه‌ای (Foundation Models)
۰۲:۴۹
خرید در مقابل ساخت مدل‌های پایه‌ای در مقایسه با مدل‌های خصوصی
۰۲:۳۶ فصل ۶: بخش مقدمه‌ای بر هوش مصنوعی: چالش‌های عملی در هوش مصنوعی مولد
عدم سازگاری و توهم (Hallucination)
۰۲:۴۳
بودجه‌بندی و هزینه‌های API
۰۲:۵۸
تأخیر (Latency)
۰۱:۲۶
تمام شدن داده‌ها
۰۲:۲۵ فصل ۷: بخش مقدمه‌ای بر هوش مصنوعی: مجموعه فناوری‌های هوش مصنوعی
برنامه‌نویسی پایتون
۰۲:۰۷
کار با APIها
۰۱:۳۵
پایگاه‌های داده برداری (Vector Databases)
۰۳:۱۱
اهمیت متن‌باز (Open Source)
۰۶:۱۰
پلتفرم Hugging Face
۰۱:۴۶
چهارچوب LangChain
۰۲:۵۴
ابزارهای ارزیابی هوش مصنوعی
۰۳:۰۷ فصل ۸: بخش مقدمه‌ای بر هوش مصنوعی: موقعیت‌های شغلی در حوزه هوش مصنوعی
استراتژیست هوش مصنوعی
۰۵:۰۸
توسعه‌دهنده هوش مصنوعی
۰۴:۲۷
مهندس هوش مصنوعی
۰۳:۵۳ فصل ۹: بخش مقدمه‌ای بر هوش مصنوعی: نگاهی به آینده
اخلاق هوش مصنوعی
۰۵:۳۹
آینده هوش مصنوعی
۰۴:۳۹ فصل ۱۰: بخش پایتون: چرا پایتون؟
برنامه‌نویسی در چند دقیقه توضیح داده شد
۰۵:۲۹
چرا پایتون؟
۰۴:۳۲ فصل ۱۱: بخش پایتون: راه‌اندازی محیط توسعه
معرفی Jupyter
۰۳:۲۸
Jupyter – نصب Anaconda
۰۳:۳۴
Jupyter – معرفی نحوه استفاده از Jupyter
۰۴:۵۳
Jupyter – کار با فایل‌های نوت‌بوک
۰۴:۳۰
Jupyter – استفاده از میان‌برها
۰۷:۲۴
Jupyter – مدیریت پیام‌های خطا
۰۵:۵۲
Jupyter – راه‌اندازی مجدد Kernel
۰۲:۰۳ فصل ۱۲: بخش پایتون: متغیرها و نوع داده‌ها در پایتون
متغیرهای پایتون
۰۳:۳۷
تمرین‌های کدنویسی پایتون
۰۷:۵۴
انواع داده‌ها – اعداد و مقادیر Boolean
۰۳:۰۵
انواع داده‌ها – رشته‌ها (Strings)
۰۵:۴۰
معرفی Anaconda AI
۰۲:۲۷
استفاده از Anaconda Assistant برای رشته‌ها (Strings)
۰۴:۰۷ فصل ۱۳: بخش پایتون: قوانین پایه‌ای پایتون
قواعد پایه‌ای پایتون – عملگرهای حسابی (Arithmetic Operators)
۰۳:۲۳
قواعد پایه‌ای پایتون – علامت مساوی دوبل (==)
۰۱:۳۳
قواعد پایه‌ای پایتون – اختصاص مجدد مقادیر (Reassign Values)
۰۱:۰۸
قواعد پایه‌ای پایتون – افزودن توضیحات (Comments)
۰۱:۳۴
قواعد پایه‌ای پایتون – ادامه خط (Line Continuation)
۰۰:۴۹
قواعد پایه‌ای پایتون – اندیس‌گذاری عناصر (Indexing Elements)
۰۱:۱۸
قواعد پایه‌ای پایتون – فاصله‌گذاری یا تورفتگی (Indentation)
۰۱:۴۴ فصل ۱۴: بخش پایتون: ادامهٔ مبحث اپراتورها
اپراتورها – اپراتورهای مقایسه‌ای (Comparison Operators)
۰۲:۱۰
اپراتورها - اپراتورهای منطقی و هویتی (Logical and Identity Operators)
۰۵:۳۵ فصل ۱۵: بخش پایتون: دستورات شرطی
دستورات شرطی – دستور IF
۰۳:۰۱
دستورات شرطی – دستور ELSE
۰۲:۴۵
دستورات شرطی – دستور ELIF
۰۵:۳۴
دستورات شرطی – نکته‌ای درباره مقادیر بولی (Boolean Values)
۰۲:۱۳ فصل ۱۶: بخش پایتون: توابع
توابع: تعریف یک تابع در پایتون
۰۲:۰۲
توابع: ایجاد یک تابع با یک پارامتر
۰۳:۴۹
توابع: روش دیگری برای تعریف یک تابع
۰۲:۳۶
توابع: استفاده از یک تابع در تابعی دیگر
۰۱:۴۹
توابع: ترکیب دستورات شرطی با توابع
۰۳:۰۶
توابع: ایجاد توابع شامل چند آرگومان
۰۱:۱۶
توابع: توابع داخلی برجسته در پایتون
۰۳:۵۶ فصل ۱۷: بخش پایتون: دنباله‌ها
دنباله‌ها: لیست‌ها
۰۴:۰۲
دنباله‌ها: استفاده از متدها
۰۳:۱۹
دنباله‌ها: برش لیست‌ها
۰۴:۳۰
دنباله‌ها: تاپل‌ها
۰۳:۱۱
دنباله‌ها: دیکشنری‌ها
۰۴:۰۴ فصل ۱۸: بخش پایتون: حلقه‌ها و تکرار (Iteration)
تکرار – حلقه‌های for
۰۲:۵۶
تکرار – حلقه‌های while و افزایش مقدار (Incrementing)
۰۲:۲۵
تکرار – ایجاد لیست‌ها با تابع (range)
۰۳:۴۹
. تکرار – استفاده همزمان از دستورات شرطی و حلقه‌ها
۰۳:۱۱
تکرار - دستورات شرطی، توابع و حلقه‌ها
۰۲:۲۷
استفاده از Anaconda Assistant و چندین ابزار پایتون
۰۵:۵۶
تکرار - حلقه زدن روی دیکشنری‌ها
۰۳:۰۷
استفاده از Anaconda Assistant برای دیکشنری‌ها
۰۲:۲۲ فصل ۱۹: بخش پایتون: چند مفهوم و اصطلاح مهم پایتون
مقدمه‌ای بر برنامه‌نویسی شیءگرا (OOP)
۰۵:۰۰
ماژول‌ها، پکیج‌ها و کتابخانه استاندارد پایتون
۰۴:۲۴
وارد کردن ماژول‌ها
۰۳:۲۴
درک و استفاده از List Comprehension در پایتون
۰۸:۳۰
توابع ناشناس در پایتون (Lambda Functions)
۰۷:۰۰
مستندسازی نرم‌افزار چیست؟
۰۳:۵۷
مستندات پایتون
۰۶:۲۳ فصل ۲۰: بخش پردازش زبان طبیعی (NLP): مقدمه
مقدمه‌ای بر بخش
۰۲:۳۹
معرفی NLP
۰۱:۳۶
پردازش زبان طبیعی در زندگی روزمره
۰۱:۱۴
پردازش زبان طبیعی نظارت‌شده در مقابل بدون نظارت
۰۱:۴۶ فصل ۲۱: بخش پردازش زبان طبیعی (NLP): پیش‌پردازش متن
اهمیت آماده‌سازی داده‌ها
۰۱:۴۵
راه‌اندازی محیط
۰۶:۰۸
تبدیل متن به حروف کوچک
۰۳:۱۸
حذف کلمات توقف (Stop Words)
۰۴:۳۱
عبارات منظم (Regular Expressions یا Regex)
۱۰:۱۷
واحد‌سازی متن
۰۳:۱۳
ریشه‌یابی تقریبی (Stemming)
۰۳:۴۸
ریشه‌یابی معنایی(Lemmatization)
۰۲:۴۶
ان-گرام‌ها (N-grams)
۰۶:۲۶
تمرین عملی: پیش‌پردازش متن
۱۴:۱۶ فصل ۲۲: بخش پردازش زبان طبیعی (NLP): شناسایی اجزای جمله و موجودیت‌های نام‌گذاری‌شده
برچسب‌گذاری متن
۰۱:۲۴
برچسب‌گذاری اجزای کلام (POS Tagging)
۰۶:۳۹
شناخت موجودیت‌های نام‌دار (NER)
۰۸:۰۰
ترین عملی: برچسب‌گذاری اجزای کلام (POS) و شناخت موجودیت‌های نام‌دار (NER)
۱۶:۱۳ فصل ۲۳: بخش پردازش زبان طبیعی (NLP): تحلیل احساسات
تحلیل احساسات (Sentiment Analysis)
۰۱:۵۹
تحلیل احساسات مبتنی بر قوانین (Rule-based Sentiment Analysis)
۰۵:۲۳
مدل‌های ترنسفورمر از پیش آموزش‌دیده (Pre-trained Transformer Models)
۰۵:۳۹
تمرین عملی
۱۱:۳۴ فصل ۲۴: بخش پردازش زبان طبیعی (NLP): تبدیل متن به بردار
نمایش عددی متن
۰۱:۳۲
مدل کیسه کلمات (Bag of Words)
۰۴:۴۴
TF-IDF (وزن‌دهی ترم-به-مستند)
۰۳:۰۸ فصل ۲۵: بخش پردازش زبان طبیعی (NLP): مدل‌سازی موضوعات
مدل‌سازی موضوعی (Topic Modeling) چیست؟
۰۲:۵۶
چه زمانی از مدل‌سازی موضوعی استفاده می‌کنیم؟
۰۱:۳۳
تخصیص پنهان دیریکله(Latent Dirichlet Allocation – LDA)
۰۲:۱۹
تخصیص پنهان دیریکله (LDA) در پایتون
۰۸:۰۹
تحلیل معنایی نهان (Latent Semantic Analysis – LSA)
۰۱:۳۹
تحلیل معنایی نهان (LSA) در پایتون
۰۱:۲۱
تعیین تعداد موضوعات
۰۶:۰۷ فصل ۲۶: بخش پردازش زبان طبیعی (NLP): ساخت طبقه‌بندی متن خودتان
ساخت یک دسته‌بند متن سفارشی
۰۰:۵۶
رگرسیون لجستیک
۰۹:۴۷
Bayes ساده
۰۲:۳۰
ماشین بردار پشتیبان خطی
۰۳:۲۶ فصل ۲۷: بخش پردازش زبان طبیعی (NLP): طبقه‌بندی اخبار جعلی (مطالعهٔ موردی)
معرفی پروژه
۰۳:۳۲
بررسی داده‌های ما از طریق برچسب‌های نقش دستوری (POS)
۰۹:۲۴
استخراج موجودیت‌های نام‌گذاری‌شده
۰۴:۵۱
پردازش متن
۰۸:۳۰
آیا احساسات بین انواع خبرها متفاوت است؟
۰۵:۱۱
چه موضوعاتی در اخبار جعلی ظاهر می‌شوند؟ (بخش ۱)
۰۶:۱۱
چه موضوعاتی در اخبار جعلی ظاهر می‌شوند؟ (بخش ۲)
۰۵:۵۶
دسته‌بندی اخبار جعلی با یک طبقه بند سفارشی
۰۵:۴۸ فصل ۲۸: بخش پردازش زبان طبیعی (NLP): آیندهٔ پردازش زبان طبیعی
یادگیری عمیق چیست؟
۰۳:۰۴
یادگیری عمیق برای پردازش زبان طبیعی (NLP)
۰۱:۵۱
پردازش زبان طبیعی غیرانگلیسی
۰۱:۴۸
قدم بعدی در پردازش زبان طبیعی چیست؟
۰۱:۳۸ فصل ۲۹: بخش مدل‌های زبانی بزرگ (LLMs): مقدمه‌ای بر مدل‌های زبانی بزرگ
مقدمه‌ای بر بخش
۰۲:۲۰
مدل‌های زبان بزرگ (LLMs) چیست؟
۰۲:۵۵
یک مدل زبان بزرگ (LLM) چقدر بزرگ است؟
۰۲:۵۵
مدل‌های چندمنظوره
۰۱:۰۸
پیش‌آموزش و تنظیم دقیق
۰۲:۳۹
مدل‌های زبان بزرگ (LLM) را می‌توان برای چه کاربردهایی استفاده کرد؟
۰۳:۱۷ فصل ۳۰: بخش مدل‌های زبانی بزرگ (LLMs): معماری ترنسفورمر
مرور یادگیری عمیق
۰۲:۳۱
مشکل شبکه‌های بازگشتی (RNNs)
۰۳:۳۵
راه‌حل: توجه، همه چیزی است که نیاز دارید
۰۲:۵۰
معماری ترنسفورمر
۰۱:۰۱
بردارهای ورودی (Input Embeddings)
۰۲:۵۴
توجه چندسَر (Multi-Headed Attention)
۰۳:۵۹
لایهٔ پیش‌خور (Feed-Forward Layer)
۰۲:۳۸
توجه چندسَر ماسک‌گذاری‌شده (Masked Multi-Head Attention)
۰۱:۲۳
پیش‌بینی خروجی نهایی
۰۱:۴۳ فصل ۳۱: بخش مدل‌های زبانی بزرگ (LLMs): شروع کار با مدل‌های GPT
مخفف GPT به چه معناست؟
۰۱:۲۷
توسعهٔ چت‌جی‌پی‌تی (ChatGPT)
۰۲:۲۸
رابط برنامه‌نویسی اپن‌ای‌آی (OpenAI API)
۰۲:۵۸
تولید متن
۰۲:۲۵
سفارشی‌سازی خروجی GPT
۰۴:۰۳
خلاصه‌سازی متن با استفاده از کلمات کلیدی
۰۳:۴۶
برنامه‌نویسی یک چت‌بات ساده
۰۶:۱۶
مقدمه‌ای بر LangChain در پایتون
۰۱:۲۷
لانگ‌چِین (LangChain)
۰۲:۴۹
افزودن داده‌های سفارشی به چت‌بات ما
۰۵:۲۰ فصل ۳۲: بخش مدل‌های زبانی بزرگ (LLMs): ترنسفورمرهای Hugging Face
بستهٔ هوگینگ فیس (Hugging Face)
۰۲:۴۰
مسیر پردازش ترنسفورمر (Transformer Pipeline)
۰۵:۴۹
توکنیزرهای از قبل آموزش‌دیده
۰۹:۰۱
توکن‌های ویژه
۰۲:۵۳
کار با هوگینگ فیس و فریمورک‌های یادگیری عمیق (PyTorch و TensorFlow)
۰۴:۳۲
ذخیره و بارگذاری مدل‌ها
۰۱:۲۵ فصل ۳۳: بخش مدل‌های زبانی بزرگ (LLMs): مدل‌های پرسش و پاسخ با BERT
مقایسه GPT و BERT
۰۳:۰۲
معماری BERT
۰۴:۳۹
بارگذاری مدل و توکنیزر
۰۱:۴۷
بردارهای نمایشی (Embeddings) BERT
۰۳:۴۲
Calculating the response
۰۵:۳۲
ساخت یک ربات پرسش و پاسخ (QA Bot)
۰۸:۴۰
BERT، RoBERTa، DistilBERT
۰۳:۰۶ فصل ۳۴: بخش مدل‌های زبانی بزرگ (LLMs): طبقه‌بندی متن با XLNet
مقایسه GPT، BERT و XLNet
۰۴:۱۷
پیش‌پردازش داده‌های ما
۰۹:۵۸
بردارهای نمایشی (Embeddings) XLNet
۰۴:۲۴
تنظیم دقیق (Fine-Tuning) XLNet
۰۳:۵۵
ارزیابی مدل ما
۰۳:۰۲
معرفی بخش
۰۴:۵۳
کاربردهای کسب‌وکار LangChain
۰۵:۲۲
چه چیزی LangChain را قدرتمند میکند؟
۰۴:۳۲
محتوای دوره چه مواردی را شامل می‌شود؟
۰۵:۳۲ فصل ۳۵: بخش LangChain: مقدمه
مقدمه‌ای بر بخش
۰۴:۵۳
کاربردهای تجاری LangChain
۰۵:۲۲
چه چیزی LangChain را قدرتمند میکند؟
۰۴:۳۲
این دوره چه موضوعاتی را پوشش می‌دهد؟
۰۵:۳۲ فصل ۳۶: بخش LangChain: توکن‌ها، مدل‌ها و قیمت‌ها
توکن‌ها
۰۶:۰۷
مدل‌ها و قیمت‌ها
۰۳:۲۸ فصل ۳۷: بخش LangChain: راه‌اندازی محیط توسعه
راه‌اندازی یک محیط سفارشی Anaconda برای یکپارچه‌سازی با Jupyter
۰۳:۴۲
دریافت کلید API اپن‌ای‌آی (OpenAI)
۰۲:۰۴
تنظیم کلید API به‌عنوان یک متغیر محیطی
۰۷:۱۱ فصل ۳۸: بخش LangChain: رابط برنامه‌نویسی OpenAI (API)
گام اول
۰۳:۵۰
نقش‌های سیستم، کاربر و دستیار
۰۳:۳۶
ساخت یک چت‌بات با پاسخ‌های طعنه‌آمیز
۰۲:۴۵
دما، حداکثر تعداد توکن‌ها و پخش جریان داده (Streaming)
۰۶:۲۷ فصل ۳۹: بخش LangChain: ورودی‌های مدل
فریمورک LangChain
۰۵:۴۰
Chat Open AI
۰۶:۲۴
پیام‌های سیستم و انسان
۰۴:۲۹
پیام‌های هوش مصنوعی
۰۵:۰۷
قالب‌های پرامپت و مقادیر پرامپت
۰۵:۲۲
قالب‌های پرامپت چت و مقادیر پرامپت چت
۰۶:۰۵
قالب‌های پرامپت پیام چت با نمونه‌های محدود (Few-shot)
۰۶:۱۵ فصل ۴۰: بخش LangChain: تجزیه‌کننده‌های خروجی
تجزیه‌کننده خروجی رشته‌ای (String Output Parser)
۰۲:۲۷
تجزیه‌کننده خروجی فهرست جداشده با کاما (Comma-separated List Output Parser)
۰۳:۱۵
تجزیه‌کننده خروجی تاریخ و زمان (Datetime Output Parser)
۰۲:۴۷ فصل ۴۱: بخش LangChain: زبان بیان LangChain
اتصال (Piping) یک پرامپت، مدل و تجزیه‌کننده خروجی
۰۶:۳۳
پردازش دسته‌ای (Batching)
۰۴:۳۵
پخش زنده (Streaming)
۰۴:۱۷
کلاس‌های Runnable و RunnableSequence
۰۴:۵۲
زنجیره‌های اتصال (Piping Chains) و کلاس RunnablePassthrough
۰۷:۳۲
رسم نمودار Runnables (Graphing Runnables)
۰۲:۱۵
Runnable Parallel
۰۶:۲۳
اتصال (Piping) یک RunnableParallel با سایر Runnables
۰۵:۳۱
Runnable Lambda
۰۵:۲۳
کوراتور @chain
۰۴:۲۲ فصل ۴۲: بخش LangChain: تولید تقویت‌شده با بازیابی (RAG)
نحوه‌ی یکپارچه‌سازی داده‌های سفارشی در یک مدل زبان بزرگ (LLM)
۰۳:۴۸
مقدمه‌ای بر RAG (Retrieval-Augmented Generation)
۰۳:۴۰
مقدمه‌ای بر بارگذاری و تقسیم‌بندی اسناد
۰۳:۵۶
مقدمه‌ای بر تعبیه‌سازی اسناد (Document Embedding)
۰۶:۴۶
مقدمه‌ای بر ذخیره‌سازی، بازیابی و تولید اسناد
۰۳:۴۹
نمایه‌سازی بارگذاری اسناد با استفاده از PyPDFLoader
۰۷:۱۰
نمایه‌سازی بارگذاری اسناد با استفاده از Docx2txtLoader
۰۲:۲۴
نمایه‌سازی و تقسیم‌بندی اسناد با استفاده از تقسیم‌کننده متن بر اساس کاراکتر (نظریه)
۰۲:۴۶
نمایه‌سازی و تقسیم‌بندی اسناد با استفاده از تقسیم‌کننده متن بر اساس کاراکتر (تمرین کدنویسی)
۰۵:۱۹
نمایه‌سازی و تقسیم‌بندی اسناد با استفاده از تقسیم‌کننده متن بر اساس سرصفحه‌های Markdown
۰۵:۵۳
نمایه‌سازی و تعبیه‌سازی متن با استفاده از OpenAI
۰۶:۰۰
نمایه‌سازی و ایجاد یک Chroma vectorstore
۰۵:۴۱
نمایه‌سازی و بررسی و مدیریت اسناد در یک vectorstore
۰۴:۲۱
بازیابی با جستجوی شباهت (Similarity Search)
۰۵:۲۹
بازیابی با جستجوی بیشینه ارتباط حاشیه‌ای (Maximal Marginal Relevance – MMR)
۰۶:۴۷
بازیابی با استفاده از بازیابی‌کننده مبتنی بر Vectorstore (Vectorstore-backed Retriever)
۰۳:۳۰
تولید با استفاده از اسناد انباشته‌شده (Generation – Stuffing Documents)
۰۴:۲۲
تولید پاسخ (Generation – Generating a Response)
۰۳:۵۱ فصل ۴۳: بخش LangGraph : مقدمه
خوش آمدید به بخش!
۰۲:۴۲
دوره چه موضوعاتی را پوشش می‌دهد؟
۰۳:۲۶
پیش‌نیازهای بخش
۰۲:۱۳ فصل ۴۴: بخش LangGraph: راه‌اندازی محیط توسعه
راه‌اندازی محیط (Setting up the environment)
۰۴:۳۷ فصل ۴۵: بخش LangGraph: مؤلفه‌های گراف و پیاده‌سازی
حالت‌ها، گره‌ها و یال‌ها (States, Nodes, and Edges)
۰۵:۲۴
اولین نمودار: وارد کردن کلاس‌های مرتبط (First Graph – Importing Relevant Classes)
۰۳:۴۵
اولین نمودار: تعریف یک حالت و یک گره
۰۴:۱۸
اولین نمودار: ساختن نمودار
۰۴:۵۵
لبه‌های شرطی تعریف گره‌ها و یک تابع مسیریابی
۰۵:۴۰
لبه‌های شرطی ساختن نمودار
۰۵:۰۳ فصل ۴۶: بخش LangGraph: مدیریت پیام‌ها
ساختار حاشیه‌نویسی شده و توابع کاهش‌دهنده
۰۴:۴۹
توابع کاهش‌دهنده در عمل
۰۳:۳۸
کلاس MessagesState
۰۳:۳۴
کلاس RemoveMessages
۰۲:۵۶
برش پیام‌ها
۰۳:۵۷
خلاصه‌سازی پیام‌ها
۰۷:۵۳ فصل ۴۷: بخش LangGraph: نگهداری داده‌ها در سطح Thread
چک‌پوینترها و رشته‌ها (Threads)
۰۳:۲۷
حافظه کوتاه‌مدت با کلاس In Memory Saver
۰۵:۲۹
کلاس State Snapshot
۰۳:۰۹
حافظه بلندمدت با SQLite
۰۴:۴۷ فصل ۴۸: بخش پایگاه داده‌های برداری: مقدمه
معرفی بخش
۰۲:۵۹
مقایسه پایگاه داده‌ها: SQL، NoSQL و Vector
۰۵:۰۱
درک پایگاه‌های داده برداری (Vector Databases)
۰۴:۱۶ فصل ۴۹: بخش پایگاه داده‌های برداری: مبانی فضای برداری و داده‌های با ابعاد بالا
مقدمه‌ای بر فضای برداری (Vector Space)
۰۴:۳۵
معیارهای فاصله در فضای برداری (Distance Metrics in Vector Space)
۰۵:۵۰
راهنمای کار با جاسازی‌های برداری (Vector Embeddings Walkthrough)
۰۴:۱۰ فصل ۵۰: بخش پایگاه داده‌های برداری: مقدمه‌ای بر پایگاه داده برداری Pinecone
پایگاه‌های داده برداری، مقایسه
۰۶:۵۸
ثبت‌نام در Pinecone، راهنمای کار و ایجاد یک ایندکس
۰۳:۳۸
اتصال به Pinecone با استفاده از پایتون
۰۲:۵۶
ایجاد و حذف یک ایندکس در Pinecone با استفاده از پایتون
۰۳:۲۶
وارد کردن (Upsert) داده‌ها در پایگاه داده برداری Pinecone
۰۳:۵۰
آشنایی با مجموعه داده Fine Web و بارگذاری آن در Jupyter
۰۲:۰۶
وارد کردن (Upsert) داده‌ها از یک فایل متنی و استفاده از الگوریتم جاسازی (Embedding)
۰۵:۲۰ فصل ۵۱: بخش پایگاه داده‌های برداری: جستجوی معنایی با Pinecone و سفارشی (مطالعهٔ موردی)
مقدمه‌ای بر جستجوی معنایی
۰۳:۴۴
مقدمه‌ای بر مطالعه موردی – جستجوی هوشمند برای دوره‌های علوم داده
۰۵:۰۶
آشنایی با داده‌های مربوط به مطالعه موردی
۰۲:۰۹
بارگذاری و پیش‌پردازش داده‌ها
۰۴:۲۸
رابط‌های برنامه‌نویسی پایتون Pinecone و اتصال به سرور Pinecone
۰۴:۱۶
الگوریتم‌های جاسازی (Embedding)
۰۴:۱۰
جاسازی داده‌ها و وارد کردن (Upsert) فایل‌ها به Pinecone
۰۳:۲۸
جستجوی شباهت و پرس‌وجوی داده‌ها
۰۴:۲۷
نحوه به‌روزرسانی و تغییر پایگاه داده برداری شما
۰۳:۳۴
پیش‌پردازش داده‌ها و جاسازی برای دوره‌ها با داده‌های بخش‌ها
۰۴:۱۰
وارد کردن (Upsert) فایل‌های جدید و به‌روز شده به Pinecone
۰۲:۱۰
جستجوی شباهت و پرس‌وجوی داده‌های دوره‌ها و بخش‌ها
۰۴:۱۰
استفاده از الگوریتم جاسازی BERT
۰۳:۴۴
پایگاه داده برداری برای موتورهای پیشنهاددهی
۰۳:۴۱
پایگاه داده برداری برای جستجوی معنایی تصاویر
۰۴:۰۷
پایگاه داده برداری برای پژوهش‌های زیست‌پزشکی
۰۳:۵۳ فصل ۵۲: بخش تشخیص گفتار: مقدمه
خوش‌آمدید به دنیای تشخیص گفتار
۰۴:۵۰
رویکرد بخش
۰۴:۱۹
چگونه همه چیز شروع شد: فرمنت‌ها، هارمونیک‌ها و فونم‌ها
۰۳:۲۰
توسعه و تکامل
۰۴:۰۶ فصل ۵۳: بخش تشخیص گفتار: مبانی صدا و گفتار
انسان‌ها چگونه گفتار را تشخیص می‌دهند؟
۰۳:۱۶
اصول پایه صدا و امواج صوتی
۰۳:۲۸
ویژگی‌های امواج صوتی
۰۵:۴۸ فصل ۵۴: بخش تشخیص گفتار: تبدیل آنالوگ به دیجیتال
مفاهیم کلیدی: نرخ نمونه‌برداری (Sample Rate)، عمق بیت (Bit Depth)، و نرخ بیت (Bit Rate)
۰۵:۰۲
پردازش سیگنال صوتی برای یادگیری ماشین و هوش مصنوعی
۰۴:۴۵ فصل ۵۵: بخش تشخیص گفتار: استخراج ویژگی‌های صوتی برای کاربردهای هوش مصنوعی
ویژگی‌های صوتی در حوزهٔ زمان
۰۶:۵۳
ویژگی‌های صوتی در حوزهٔ فرکانس و حوزهٔ زمان–فرکانس
۰۶:۱۹
استخراج ویژگی‌های حوزه زمان: تقسیم‌بندی و محاسبه ویژگی‌ها
۰۴:۴۳
استخراج ویژگی‌های حوزه فرکانس: تبدیل فوریه(Fourier)
۰۴:۲۷ فصل ۵۶: بخش تشخیص گفتار: اصول و عملکرد فناوری
مدل‌سازی صوتی و زبانی
۰۳:۴۹
مدل‌های مارکوف پنهان (HMM) و شبکه‌های عصبی سنتی
۰۶:۳۰
مدل‌های یادگیری عمیق: CNNها، RNNها و LSTMها
۰۶:۳۶
سیستم‌های پیشرفته شناسایی گفتار: ترنسفورمرها (Transformers)
۰۴:۵۲
ساخت یک مدل شناسایی گفتار: بخش اول
۰۴:۲۶
ساخت یک مدل شناسایی گفتار: بخش دوم
۰۴:۱۹
انتخاب ابزار مناسب شناسایی گفتار
۰۵:۴۸ فصل ۵۷: بخش تشخیص گفتار: راه‌اندازی محیط توسعه
نصب آناکوندا
۰۲:۲۴
راه‌اندازی یک محیط جدید
۰۲:۴۷
نصب بسته‌ها برای شناسایی گفتار
۰۶:۱۶
وارد کردن بسته‌های مربوطه در ژوپیتر (Jupyter)
۰۴:۲۷ فصل ۵۸: بخش تشخیص گفتار: تبدیل صوت به متن با استفاده از Google Web Speech API
فرمت‌های فایل صوتی برای شناسایی گفتار
۰۷:۰۴
وارد کردن فایل‌های صوتی در ژوپیتر نوت‌بوک (Jupyter Notebook)
۰۷:۴۷
کتابخانه SpeechRecognition و API گفتار گوگل (Google Web Speech API)
۰۸:۳۲
معیارهای ارزیابی WER و CER
۰۳:۱۱
محاسبه WER و CER در پایتون
۰۵:۳۴ فصل ۵۹: بخش تشخیص گفتار: نویز پس‌زمینه و طیف‌نگاشت‌ها
درک نویز در فایل‌های صوتی
۰۳:۵۹
ایجاد یک اسپکتروگرام با پایتون
۰۷:۲۲
مقابله با نویز پس‌زمینه
۰۸:۵۰ فصل ۶۰: بخش تشخیص گفتار: تبدیل صوت به متن با استفاده از OpenAI Whisper
تبدیل گفتار به متن مبتنی بر ترنسفورمر Whisper AI
۰۷:۳۶
ترنسکریپت کردن چندین فایل صوتی از یک دایرکتوری
۰۵:۲۲
ذخیره ترنسکریپت‌های صوتی به فرمت CSV برای تحلیل آسان
۰۵:۰۵
معکوس کردن فرآیند: تبدیل متن به گفتار با استفاده از هوش مصنوعی
۰۳:۲۴ فصل ۶۱: بخش تشخیص گفتار: بحث پایانی و مسیرهای آینده
شیوه‌ها و کاربردهای مدرن
۰۵:۱۰
چالش‌ها و محدودیت‌ها
۰۲:۳۶
آیندهٔ تشخیص گفتار با هوش مصنوعی
۰۳:۴۲ فصل ۶۲: بخش مهندسی مدل‌های زبانی بزرگ (LLM) : مقدمه
معرفی بخش
۰۳:۲۸
این دوره چه مباحثی را پوشش می‌دهد؟
۰۲:۲۳
جزئیات ابزار مصاحبه
۰۵:۰۰ فصل ۶۳: بخش مهندسی مدل‌های زبانی بزرگ (LLM): مرحله برنامه‌ریزی
میزبانی یک مدل زبانی در مقابل استفاده از یک API
۰۴:۱۵
مدل‌های متن‌باز در برابر مدل‌های متن‌بسته
۰۶:۳۵
توکن‌ها
۰۴:۵۵
مقایسهٔ قیمت: میزبانی یک مدل زبانی در برابر پرداخت بر اساس توکن
۰۳:۴۷
توسعهٔ دستور اولیه، بخش ۱
۰۴:۵۹
توسعهٔ دستور اولیه، بخش ۲
۰۴:۵۹
طراحی پایگاه داده و توسعهٔ ساختار آن
۰۳:۲۷
نمودار فعالیت چیست؟
۰۳:۳۱
ایجاد نمودار فعالیت
۰۵:۰۸
پایان‌بندی مرحلهٔ برنامه‌ریزی
۰۲:۰۵ فصل ۶۴: بخش مهندسی مدل‌های زبانی بزرگ (LLM): طراحی و آزمایش پرسش‌های هوش مصنوعی (Prompts)
محیط OpenAI Play ground
۰۶:۵۰
بهینه‌سازی پارامترهای Temperature و Top P برای کاربردهای مختلف
۰۵:۲۱
مهندسی پرامپت برای توسعه نرم‌افزار
۰۶:۰۵
چگونه یک قالب پرامپت را آزمایش کنیم؟
۰۴:۲۴ فصل ۶۵: بخش مهندسی مدل‌های زبانی بزرگ (LLM): آشنایی با Streamlit
راه‌اندازی محیط
۰۶:۲۷
مزایا و معایب استریم‌لیت
۰۲:۵۷
عناوین، سربرگ‌ها و قالب‌بندی عناصر استریم‌لیت
۰۳:۲۷
روش‌های متنی عناصر استریم‌لیت
۰۳:۲۳
عناصر چت در استریم‌لیت
۰۴:۲۴
حالت نشست (Session State)
۰۶:۲۴ فصل ۶۶: بخش مهندسی مدل‌های زبانی بزرگ (LLM): توسعه نمونه اولیه
مقداردهی اولیه یک کلاینت OpenAI
۰۴:۱۵
پیاده‌سازی قابلیت چت
۰۶:۰۵
ساخت صفحه تنظیمات
۰۷:۲۲
بهبود تعامل چت‌بات با استفاده از حالت نشست (Session State)
۰۶:۱۰
پالایش پروژه ما
۰۲:۴۳
پیاده‌سازی قابلیت بازخورد – قسمت ۱
۰۳:۵۲
پیاده‌سازی قابلیت بازخورد – قسمت ۲
۰۶:۴۷
بارگذاری پروژه خود در گیت‌هاب
۰۴:۴۶
انتشار اپلیکیشن استریم‌لیت شما
۰۳:۵۷ فصل ۶۷: بخش مهندسی مدل‌های زبانی بزرگ (LLM): حل چالش‌های واقعی هوش مصنوعی
معرفی
۰۱:۴۰
ساختار اپلیکیشن
۰۳:۲۵
ساختار پرسش‌ها در مصاحبه‌های منابع انسانی (HR)
۰۵:۵۷
ساختار پرسش‌ها در مصاحبه‌های فنی
۰۷:۳۴
محافظت اضافی در برابر خطاها
۰۲:۳۴
خطاهای تولیدی مدل
۰۷:۰۴
دستکاری ورودی (Prompt Injection)
۰۳:۵۵
شمارش توکن‌ها
۰۲:۳۶
کاهش هزینه‌ها
۰۹:۱۷
مقیاس‌پذیری
۰۳:۰۳
نتیجه‌گیری
۰۱:۱۸ فصل ۶۸: بخش اخلاق هوش مصنوعی: مقدمه‌ای بر اخلاق هوش مصنوعی و داده‌ها
این دوره چه مباحثی را پوشش می‌دهد؟
۰۴:۳۷
چرخه عمر هوش مصنوعی: از جمع‌آوری داده‌ها تا کاربرد مدل
۰۵:۴۲
چرا اخلاق هوش مصنوعی بیش از هر زمان دیگری اهمیت دارد؟
۰۶:۴۹
اخلاق در مقابل قوانین
۰۴:۲۳ فصل ۶۹: بخش اخلاق هوش مصنوعی: اصول اساسی اخلاق در هوش مصنوعی
حریم خصوصی
۰۳:۳۵
شفافیت
۰۳:۱۶
پاسخ‌گویی
۰۳:۳۷
عدالت
۰۴:۵۱ فصل ۷۰: بخش اخلاق هوش مصنوعی: جمع‌آوری داده‌ها به‌صورت اخلاقی
تأمین اخلاقی و انواع داده‌ها
۰۴:۲۴
داده‌های مالکیتی
۰۳:۲۹
داده‌های عمومی
۰۱:۴۸
داده‌های استخراج‌شده از وب
۰۲:۳۹
مدیریت اطلاعات حساس و محافظت‌شده
۰۲:۲۲
تعصب داده‌ها و نمایندگی عادلانه
۰۲:۳۳ فصل ۷۱: بخش اخلاق هوش مصنوعی: توسعه اخلاقی هوش مصنوعی
چالش‌های اخلاقی در کار با داده‌های برچسب‌خورده
۰۴:۱۴
ملاحظات اخلاقی برای داده‌های بدون برچسب
۰۳:۵۴
چالش‌های اخلاقی در آموزش بدون نظارت
۰۳:۳۱
ملاحظات اخلاقی برای تنظیم دقیق تحت نظارت
۰۴:۰۰
یادگیری تقویتی با بازخورد انسانی (RLHF) و رفتار اخلاقی هوش مصنوعی
۰۳:۰۵
شیوه‌های توسعه هوش مصنوعی فراگیر و عادلانه
۰۳:۵۳ فصل ۷۲: بخش اخلاق هوش مصنوعی: استقرار اخلاقی هوش مصنوعی
مالکیت معنوی و رضایت کاربران در تعاملات با هوش مصنوعی
۰۳:۳۸
مسئولیت‌های اخلاقی توسعه‌دهندگان مدل‌های پایه
۰۳:۲۱
مسائل رایج در مدل‌های پایه و داده‌های متن‌باز
۰۳:۳۸
ناسازگاری
۰۴:۳۲
تولید اطلاعات نادرست توسط هوش مصنوعی
۰۴:۲۲
پایش مستمر و کاهش ریسک برای هوش مصنوعی مستقر شده
۰۲:۱۵ فصل ۷۳: بخش اخلاق هوش مصنوعی: هوش مصنوعی اخلاقی برای کاربران نهایی و کسب‌وکارها
دسترسی به فناوری هوش مصنوعی برای کسب‌وکارها در تمام اندازه‌ها
۰۴:۳۶
شفافیت در فرآیندهای تصمیم‌گیری هوش مصنوعی
۰۴:۵۸
استفاده اخلاقی از خروجی‌های هوش مصنوعی در کسب‌وکار
۰۳:۲۵
پذیرش مسئولانه هوش مصنوعی و مدیریت ریسک برای کسب‌وکارها
۰۳:۰۹ فصل ۷۴: بخش اخلاق هوش مصنوعی: هوش مصنوعی اخلاقی برای کاربران فردی
برابری در دسترسی به فناوری هوش مصنوعی
۰۳:۴۷
ملاحظات اخلاقی در همکاری انسان و هوش مصنوعی
۰۲:۴۲
استفاده مسئولانه از خروجی‌های تولیدشده توسط هوش مصنوعی
۰۳:۰۳ فصل ۷۵: بخش اخلاق هوش مصنوعی: اخلاق ChatGPT
آشنایی با ChatGPT
۰۴:۳۳
نگرانی‌های مربوط به حریم خصوصی در ChatGPT
۰۴:۰۶
سیاست‌های حفظ حریم خصوصی OpenAI و مدیریت داده‌ها
۰۵:۰۵
اطلاعات نادرست و محتوای تولیدشده توسط هوش مصنوعی
۰۴:۰۴
سرقت ادبی در ChatGPT
۰۵:۰۱
ChatGPT و محیط زیست
۰۳:۴۱ فصل ۷۶: بخش اخلاق هوش مصنوعی: چارچوب‌های قانونی داده‌ها و هوش مصنوعی
مقررات جهانی هوش مصنوعی و داده‌ها
۰۱:۴۹
مقررات حفاظت از داده‌های عمومی اتحادیه اروپا (GDPR) و قانون هوش مصنوعی اتحادیه اروپا
۰۴:۵۳
مقررات هوش مصنوعی در ایالات متحده در سطح ایالت‌ها
۰۲:۳۲
منطقه آسیا-پاسفیک: کنترل قوی دولت‌ها
۰۲:۳۵
تلاش آفریقا برای حاکمیت هوش مصنوعی
۰۲:۳۹ مشاهده بیشتر
پیش نمایش دوره
- ۳۰ ساعت ویدیو
- دسترسی همیشگی به ویدیوها
- امکان دانلود ویدیوها
- زیرنویس اختصاصی گرولی
- پرداخت قسطی با اسنپ پی
نظرات دانشجویان دوره
۴.۶
دوره به خوبی از صفر تا صد مباحث موردنیاز رو پوشش میده. از مباحث پایه ای گرفته تا مباحث به روز و پیشرفته و کاربردی. فن بیان خیلی خوب مدرسین دوره باعث میشه با زبان خیلی راحت و با مثال های ارائه شده بتونیم درک بهتر و یادگیری خوبی داشته باشیم. همچنین اسلایدهای دوره و محتوای کدها که در اختیار قرار داده شده به شدت در فهم مطالب کمک میکنه از این جهت که پا به پای ویدیوهای دوره، میتونیم خودمون هم تمرین کنیم و یادبگیریم. ویدیوهای آموزشی به بهترین نحو و به اصطلاح user friendly درست شده که باعث میشه در طول دوره تمرکز از بین نره و دیدن ویدیوها خسته کننده نباشه. در کل دوره به شدت خوبی هست و تمام مباحث موردنیاز برای مهندسی صفرتا صد هوش مصنوعی به خوبی در این دوره پوشش داده شده.
دانشجوی دوره
خیلی جذاب تدریس میکنند اصلا حوصله شما سر نمیره.
علی شکوهی
برای یادگیری از صفر عالی و جامع است.
سینا رضائی فرسنگی
دوره کامل و جامعی هستش و چیزای زیادی ازش یاد گرفتم.
دانشجوی دوره
بیان عالی و جذاب در بیان مفاهیم پیچیده.
سالار جدیری
دوره فوق العاده و بی نقص.
سینا سبحانی نیکو
مدرسان دوره
آکادمی گرولی
• آکادمی گرولی با هدف توانمندسازی و توسعه‌ی حرفه‌ای افراد فعالیت میکند.
• دوره‌های این آکادمی در حوزه‌های شغلی متنوعی مانند هوش مصنوعی، برنامه‌نویسی، نرم‌افزارهای کاربردی، مدیریت محصول، بازاریابی دیجیتال، مهارت‌های نرم و توسعه کسب‌وکار دسته‌بندی می‌شوند.
درباره مدرس
این دوره‌ها اکثرا از پرفروش‌ترین آموزش‌های برترین پلتفرم‌های یادگیری دنیا مانند یودمی، لینکدین‌لرنینگ، کورسرا و ریفورج هستند که همگی با زیرنویس فارسی منتشر شده‌اند. همچنین چندی از دوره‌های این آکادمی نیز، به صورت اختصاصی توسط مدرسان معتبر ایرانی تهیه گردیده‌اند.
365 Careers
«۳۶۵ Careers» به‌عنوان مدرس این دوره معرفی شده است.
گواهینامه دوره
اگر بیش از ۹۰٪ دوره را گذرانده باشید، میتوانید با ارسال اسکرین‌شاتِ بخش پیشرفت دوره برای پشتیبانی، گواهینامه گرولی را دریافت کنید.
سوالات پرتکرار
آیا در صورت خرید دوره، گواهینامه آن به من تعلق میگیرد؟
خیر، در صورت تکمیل دوره گواهینامه به شما تعلق میگیرد.
آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟
بله. پس از پایان مدت دوره نیز به ویدئوها، تمرینها، پروژهها و سایر محتوای آموزشی دوره دسترسی خواهید داشت.
آیا امکان دانلود ویدیوهای دوره وجود دارد؟
بله.
آیا این دوره به پیشنیاز احتیاج دارد؟
خیر، این دوره به پیشنیازی احتیاج ندارد.
پس از خرید، نحوه دسترسی به محتوای دوره چگونه است؟
از طریق مکتبخونه به محتوای دوره دسترسی خواهید داشت.
آیا امکان پرسشوپاسخ در مورد محتوای دوره وجود دارد؟
میتوانید در کامیونیتی گرولی مطرح کنید.
اگر از خرید منصرف شدم، شرایط بازگشت وجه چیست؟
از سیاست بازگشت وجه مکتبخونه پیروی میکند.
