در دههٔ اخیر، هوش مصنوعی مولد (Generative AI) و مدل‌های پیش‌بینی (Predictive AI) به‌سرعت در صنایع گوناگون جای خود را باز کرده‌اند. از تولید محتوا و بهینه‌سازی فرایندهای تجاری تا سیستم‌های توصیه‌گر و تحلیل رفتار مشتری، ترکیب معماری صحیح با الگوریتم‌های مدرن می‌تواند تحولی بنیادی ایجاد کند. این دوره:

• به معرفی مفاهیم پایه‌ای و پیشرفتهٔ معماری‌های AI می‌پردازد.
• نحوهٔ کاربرد شبکه‌های عصبی مولد و شبکه‌های یادگیری عمیق را آموزش می‌دهد.
• بر جنبه‌های عملی و مهارت ساخت مدل‌های مقیاس‌پذیر تاکید دارد.

• بخش ۱: مقدمه و اصول پایه معرفی AI مولد و پیش‌بینی، تاریخچه و کاربردهای کلیدی.
• بخش ۲: معماری‌های کلاسیک و مدرن از معماری‌های CNN، RNN و Transformer تا سبک‌های پیشرفتهٔ Diffusion Models.
• بخش ۳: پیاده‌سازی و ابزارها کار با فریم‌ورک‌های معروف مانند TensorFlow، PyTorch و Hugging Face.
• بخش ۴: بهینه‌سازی و استقرار روش‌های ارزیابی، Hyperparameter Tuning و استقرار مدل‌ها در محیط‌های ابری.
• بخش ۵: پروژهٔ عملی نهایی طراحی یک سیستم توصیه‌گر یا تولید محتوا با استفاده از مدل‌های مولد و پیش‌بینی.

• طراحی و ارزیابی معماری‌های Generative AI و Predictive AI.
• تسلط بر مباحث یادگیری عمیق و پردازش زبان طبیعی (NLP).
• استفادهٔ عملی از ابزارهایی مثل TensorFlow، PyTorch و Transformers.
• پیاده‌سازی الگوریتم‌های بهینه‌سازی و Tuning در پروژه‌های واقع‌گرایانه.
• استقرار مدل‌های هوش مصنوعی در محیط‌‌های مقیاس‌پذیر ابری.

• دسترسی رایگان به محتوای با کیفیت لینکدین.
• مطالب بروز و همسو با آخرین تحقیقات و ترندهای AI.
• پروژه‌های عملی مرحله‌به‌مرحله با دیتاست‌های واقعی.
• پشتیبانی و انجمن یادگیری برای تبادل تجربه.
• گواهی پایان دوره از لینکدین برای تکمیل رزومه.

• آشنایی اولیه با برنامه‌نویسی پایتون (Basic Python).
• درک مقدماتی از مفاهیم آمار و جبر خطی.
• آشنایی با مفاهیم پایهٔ Machine Learning.
• کامپیوتر با GPU یا دسترسی به سرویس‌های ابری جهت اجرا و تمرین.

در انتهای دوره، شما دو پروژهٔ محوری خواهید داشت. به عنوان نمونه:

• پیاده‌سازی یک Chatbot مولد با استفاده از Transformer و ارزیابی کیفیت پاسخ‌ها.
• ساخت یک مدل پیش‌بینی churn مشتری با داده‌های فروش یک فروشگاه آنلاین و تحلیل نتایج.

در هر پروژه، گام به گام از پیش‌پردازش داده تا استقرار نهایی راهنمایی خواهید شد.

• تمرین مستمر: تکرار و اجرای مثال‌ها همراه با تغییر پارامترها.
• مطالعه منابع جانبی: مقالات علمی و مستندات فریم‌ورک‌ها.
• مشارکت در انجمن: پرسش و پاسخ در لینکدین و سایر فروم‌ها.
• چالش‌های عملی: شرکت در رقابت‌های Kaggle یا پروژه‌های کوچک شخصی.
• به‌روزرسانی دوره: دنبال کردن نسخه‌های جدید برای یادگیری مباحث نوظهور.

برای دانلود رایگان این دوره کافیست از لینک‌های مستقیم ارائه‌شده در بخش منابع این صفحه استفاده کنید. با کلیک روی دکمهٔ دانلود، فایل‌های ویدیویی و اسلایدها به‌صورت فشرده (ZIP) در اختیار شما قرار می‌گیرند. پس از استخراج فایل‌ها، می‌توانید با نرم‌افزارهای پخش ویدیو و محیط‌های توسعهٔ Python پروژه‌ها را اجرا کنید.