خرید اشتراک

بلاگ

کارآموزی

محصولات سازمانی

بوت‌کمپ‌ها

درباره آکادمی

ویژگی ها

چرا مسیرهای آکادمی؟

مسیر ها

تجربه شرکت کنندگان مسیرهای قبلی

وبینار کامل معرفی مسیر

آمار کلی

سوالات متداول

مهندس هوش مصنوعی

مسیر «مهندس هوش مصنوعی» یک برنامه جامع و پروژه‌محور است که شما را برای ورود به یکی از پرطرفدارترین و رو‌به‌رشدترین نقش‌های حوزه فناوری آماده می‌کند. در این مسیر، با مفاهیم کلیدی یادگیری ماشین، یادگیری عمیق و هوش مصنوعی مدرن آشنا شده و توانایی طراحی و توسعه سیستم‌های هوشمند را به‌دست می‌آورید. همچنین با رویکردهای نوین مانند هوش مصنوعی مولد، مدل‌های چندوجهی و سیستم‌های مبتنی بر LLM آشنا می‌شوید و در نهایت مهارت‌های لازم برای پیاده‌سازی و استقرار سیستم‌های هوش مصنوعی در مقیاس واقعی را کسب می‌کنید

17,000,000 تومان

هر قسط با اسنپ پی : 4,250,000 تومان4 قسط ماهانه، بدون چک و ضامن.

تاریخ به روزرسانی:

1405/04/06

گواهینامه:

ندارد

مدت زمان:

176 ساعت و 43 دقیقه

وبینار معرفی کامل مسیر

مسیر «مهندس هوش مصنوعی» یک برنامه جامع و پروژه‌محور است که از مبانی برنامه‌نویسی و کار با داده آغاز شده و تا طراحی و استقرار سیستم‌های هوش مصنوعی در سطح صنعتی ادامه دارد. در این مسیر با پایتون، گیت و پایگاه داده به‌عنوان ابزارهای پایه آشنا می‌شوید و سپس وارد مباحث اصلی یادگیری ماشین، یادگیری عمیق و یادگیری تقویتی می‌شوید. در ادامه با مفاهیم پیشرفته‌تر مانند هوش مصنوعی مولد، مهندسی پرامپت، مدل‌های چندوجهی (Multimodal AI) و RAG آشنا می‌شوید. در بخش پایانی نیز مهارت‌های مهندسی و استقرار شامل Docker، CI/CD، MLflow، MLOps و Kubernetes را یاد می‌گیرید تا بتوانید سیستم‌های هوش مصنوعی را به‌صورت عملی و مقیاس‌پذیر پیاده‌سازی کنید.

ثبت‌نام رایگان

12 ساعت و 18 دقیقه

(814 رای)

الگوریتم و فلوچارت

متغیرها و عملگرها

رشته ها

ساختارهای داده

ساختارهای کنترلی

توابع

شی گرایی

کتابخانه NumPy

کتابخانه Pandas

کتابخانه Matplotlib

فایل و مدیریت خطا

9 ساعت و 36 دقیقه

(98 رای)

مقدمه ای بر پایتون و کتابخانه‌های آن در امور مختلف

مباحث پیشرفته پایتون

شی‌گرایی مقدماتی

شی‌گرایی پیشرفته

آموزش مقدماتی decorator

آموزش decorator پیشرفته قسمت اول

آموزش decorator پیشرفته قسمت دوم

Type Annotations مقدماتی

کتابخانه‌ی Typing

آشنایی کتابخانه Pydantic

شروع برنامه‌نویسی تابعی قسمت اول

شروع برنامه‌نویسی تابعی قسمت دوم

Generator ها در پایتون

روش توسعه اصولی پروژه های پایتونی

مفهوم کد تمیز

Design Pattern و Singleton Pattern

معرفی کتابخانه Logging و نحوه‌ی ماژول‌بندی

ادامه‌ی نحوه‌ی Log زدن صحیح در Production

نحوه‌ی نوشتن CLI در پایتون (typer , argparse)

آشنایی با Enum کلاس‌ها

معرفی پروژه‌ی کلاس Silero-VAD-Python

معرفی ساختار تمیز و استفاده از Cookiecutter

Linterها در پایتون

آموزش نحوه Test نویسی

بازنویسی پروژه Silero-VAD-Python

نحوه انتشار پکیج در pypi.org

وب اپلیکشن‌ها در پایتون

7 ساعت و 37 دقیقه

(68 رای)

معرفی گیت و گیت هاب

مبانی گیت

نصب گیت

push کردن در گیت هاب

نحوه clone , pull, push در یک پروژه تیمی ساده

آشنایی با add , gitignore

آشنایی با commit و انواع تغییرات فایل در گیت

آشنایی با دستور diff

آشنایی با دستور remote و push

آشنایی با pull و fetch و رفع ناسازگاری‌ها

بازگشت به عقب با استفاده از reset, revert

مفهوم شاخه(Branch)

مباحث تکمیلی گیت

گیت هاب

8 ساعت و 59 دقیقه

(144 رای)

آشنایی با پایگاه‌داده

نصب نرم افزار

دستورات پایه و شرط در SQL

کار با توابع در SQL

ایجاد ارتباط بین جداول

ساخت جدول و دیتابیس

درج و تغییر جداول و داده ها در SQL

توابع تجمیعی در SQL

ستون محاسباتی، حلقه، و کنترل جریان

جداول موقت، اپراتورهای مجموعه، و مقایسه جداول

توابع پنجره ای

اتوماسیون فرایند و دسترسی در SQL

Index , Schema

14 ساعت و 27 دقیقه

(197 رای)

!Welcome to Machine Learning

Linear Regression

K-nearest neighbors

Evaluation Metrics for Classification

Decision Tree

Multiclass

Bayesian Networks

Gaussian Naive Bayes

Logistic Regression & Roc Curve

Support Vector Machine

Ensembles of Classifiers

11 ساعت و 58 دقیقه

(127 رای)

introduction

Clustering Algorithms

معیار‌های فاصله و شباهت

انواع روش‌های خوشه‌بندی

خوش‌بندی سلسله مراتبی

الگوریتم K-means

الگوریتم Kernel K-means

الگوریتم DBSCAN

معیار‌های ارزیایی خوشه‌بندی

مقایسه Linkage‌ های مختلف در خوشه‌بندی سلسله مراتبی (Programming)

نحوه استفاده از الگوریتم DBSCAN و ارزیابی آن (Programming)

پیاده‌سازی الگوریتم k-means روی مجموعه داده digits (Programming)

استفاده از الگوریتم k-means برای color quantization (Programming)

Dimensionality Reduction

Density Estimation

VAE

Normalizing Flows

Semi-Supervised Learning

Transfer Learning and Self-Supervised Learning

تشخیص ناهنجاری (Anomaly detection)

11 ساعت و 51 دقیقه

(190 رای)

هوش مصنوعی

یادگیری ماشین

مقدمه‌ای بر یادگیری عمیق

شبکه عصبی کانولوشنال(CNN)

معماری شبکه‌های عصبی عمیق

آموزش و بهینه سازی شبکه های عمیق

یادگیری انتقالی

اتوانکدر

مقدمات پیاده‌ سازی

شبکه‌های بازگشتی و ترانسفورمرها

پیاده سازی مدل‌های یادگیری عمیق

اساتید

جمال کزازیرزومه

دانشجوی دکتری مهندسی برق مخابرات دانشگاه تهران

مدرس مدعو دانشگاه تهران

محمد رضیئی فیجانی رزومه

دکتری برق گرایش مخابرات دانشگاه صنعتی شریف

کارگاه های برنامه نویسی در دانشگاه امیرکبیر و شرکت های زیرمجموعه مپنا، وبینار پایتون بوت کمپ تحلیل‌گر داده آکادمی همراه اول

محمد رضیئی فیجانی رزومه

دکتری برق گرایش مخابرات دانشگاه صنعتی شریف

عباس فرمانی رزومه

کارشناسی ارشد مهندسی صنایع دانشگاه شریف بهینه‌سازی سیستم‌ها

مدرس پژوهشگاه ارتباطات و فناوری اطلاعات و شرکت نقش اول کیفیت

احسان ناظرفردرزومه

دکتری علوم کامپیوتر سیستم‌های هوشمند از دانشگاه ایالتی واشنگتن

عضو هیئت علمی دانشکده مهندسی کامپیوتر دانشگاه صنعتی امیرکبیر

مصطفی توسلی‌پوررزومه

دکتری هوش مصنوعی از دانشگاه صنعتی شریف

عضو هیئت علمی دانشکده برق و کامپیوتر دانشگاه تهران

احمدرضا هرویرزومه

دکتری مهندسی برق مخابرات از دانشگاه فردوسی مشهد

جلیل علیزادهرزومه

کارشناسی ارشد هوش مصنوعی دانشگاه شریف محقق یادگیری ماشین دانشگاه بریتیش کلمبیا

نویسنده مقالات هوش مصنوعی در پایگاه Analytics Vidhya

حسین حسنیرزومه

کارشناسی مهندسی برق دانشگاه شریف کارشناسی ارشد مهندسی برق دانشگاه شریف دکتری هوش مصنوعی دانشگاه شریف

تدریس در دانشگاه شریف و سمینار wss

سینا رنج کش زاده رزومه

دانشجو دکتری مخابرات دانشگاه صنعتی شریف

اردوان زمانپوررزومه

دکتری مهندسی معماری کامپیوتر

تدریس دوره های Network+ , CCNA، تدریس پایتون پیشرفته و Cisco در شرکت Zitel ، تدریس فناوری اطلاعات در دانشگاه تهران

علیرضا اخوان پوررزومه

دانشگاه تربیت دبیر شهید رجایی مدرس یادگیری عمیق در دوره علم داده جهاد دانشگاهی شریف مدرس یادگیری عمیق در دوره های جامع ۳۵۰ ساعته دانشگاه تهران

مهرنوش شمس فردرزومه

دکتری مهندسی کامپیوتر هوش مصنوعی دانشگاه امیرکبیر

عضو هیئت علمی دانشکده مهندسی و علوم کامپیوتر دانشگاه شهید بهشتی | مدیر آزمایشگاه nlp دانشگاه شهید بهشتی | طراح آزمایشگاه ملی علوم داده شناختی

مهدی چراخلورزومه

Co-Founder و CTO در شرکت Yar و شرکت NamaKav - دانشمند داده اسبق در شرکت همراه اول

دکتری مهندسی پزشکی دانشگاه شریف

مدرس دانشگاه

عرفان طاهری رزومه

کارشناسی ارشد فناوری اطلاعات، شبکه‌های کامپیوتری دانشگاه صنعتی شریف

تدریس دوره‌های تخصصی IT در آموزشگاه ها

الهام آژیررزومه

دکتری نرم افزار از دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

سهیل تهرانی‌پوررزومه

دکتری هوش مصنوعی

مدرس Data Science همراه اول و جهاد دانشگاهی شریف

رامین طوسیرزومه

دکتری مهندسی مخابرات از دانشگاه تهران

افشین ایقانیانرزومه

مهندس ارشد DevOps در مبین نت

دریافت مدرک

قابلیت انتشار گواهینامه در لینکدین

دریافت گواهینامه به زبان فارسی و انگلیسی در پایان دوره

مشاوره رایگان

مهندس هوش مصنوعی - آکادمی همراه

11 ساعت و 35 دقیقه

(44 رای)

مقدمه

مباحث پیشرفته یادگیری ماشین

ensemble methods

Deep Reinforcement Learning

Capsule Networks

Neural Turing Machines

Advanced Recurrent Neural Networks (RNNs)

Advance GANs

Variational Autoencoders

Diffusion Models

Transformers

Transfer Learning and Fine-Tuning

Prompt Engineering

پروژه

14 ساعت و 12 دقیقه

(46 رای)

مقدمه

مرور یادگیری ماشین

Markov Decision Process(MDP)

dynamic programming

model-free method: روش های مبتنی بر ارزش

model-free method: گرادیان سیاست

model-free method:‌ روش های actor-critic

model based method

Imitation learning

یادگیری تقویتی برون خطی

یادگیری تقویتی با بازخورد انسانی (RLHF)

Multi-Armed Bandit

کدنویسی بخش روش مبتنی بر ارزش

کدنویسی بخش روش مبتنی بر ارزش۲

کد نویسی بخش روش مبتنی بر گرادیان سیایت

کدنویسی بخش روش مبتنی بر مدل

کدنویسی بخش multi armed bandit

9 ساعت و 2 دقیقه

(82 رای)

مبانی و مفاهیم اولیه

مقدمه، مشاهده یک پرامپت، مبانی

مبانی و مفاهیم پرامپت‌نویسی

اصول و قواعد پرامپت‌نویسی

مدل‌ها و ابزارهای پرامپت‌نویسی

بررسی تغییر متغیرهای پرامپت‌نویسی و اثر آن‌ها

تمرین نکات اموزشی فصل اول و اجزای پرامپت

پیاده‌سازی یک ایجنت هوش مصنوعی ساده و مرور پرامپت‌های پیشرفته

یادگیری مدل‌های مختلف، ابزارها و بهینه‌سازی پرامپت

روش‌های پیشرفته پرامپت نویسی

روش‌های نوظهور و کاربردی پرامپت نویسی

روش‌های کاربردی پرامپت‌نویسی بخش اول

روش‌های کاربردی پرامپت‌نویسی بخش دوم

روش‌های کاربردی پرامپت‌نویسی بخش سوم

روش‌های کاربردی پرامپت‌نویسی بخش چهارم

مرور کدهای روش DSP

مرور کد active prompt بخش اول

مرور کد active prompt بخش دوم

مرور کد Tree of Thoughts

مرور کد Automatic reasoning and Tool-use بخش اول

مرور کد Automatic reasoning and Tool-use بخش دوم

مرور کد Program-aided language

مرور کد React

مرور کد Chain of Table

مرور کد Automatic Prompt Engineering

مرور کد Least-to-Most

مرور کد RAG بخش اول

پیاده سازی RAG ساده و بررسی ساختار آن 1

پیاده سازی RAG ساده و بررسی ساختار آن 2

مرور کد RAG بخش دوم

مهارت‌های عملی پرامپت نویسی

8 ساعت و 24 دقیقه

(67 رای)

معماری RAG ساده

مقدمه‌ایی بر سیستم‌های پرسش و پاسخ و چیستی RAG

معماری - ویژگی‌ها و سیر تکامل RAG

پیاده‌سازی پایه‌ای RAG

پیش پردازش و قطعه‌بندی

استراتژی‌های قطعه‌بندی و جاسازی (Embedding)

بهینه‌سازی مدل‌های جاسازی (Embedding)

پیاده‌سازی کامل پایپ‌لاین RAG ساده با FAISS و مدل جاسازی E5

پیاده‌سازی و بررسی استراتژی‌های مختلف قطعه‌بندی متن (Chunking)

بازیابی (Retrieval) و نمایه‌سازی (Endexing)

معماری RAG پیشرفته

چالش‌های RAG ساده و فیلترهای پیش بازیابی (Pre-Retrieval)

فیلترهای پسابازیابی (Post-retrieval)

RAG پیمانه‌ای (Modular)

اجزای RAG در کاربرد فرضی و Augmentation

RAG خودبازتابی (Self-RAG) و RAG تطبیقی (Adaptive)

پیاده‌سازی و مقایسه روش‌های بازیابی برداری، واژگانی، ترکیبی و بازنویسی رتبه (Reranking)

معماری RAG چند وجهی

RAG چند وجهی - مقدمه ایی بر RAG گرافی

RAG های مبتنی بر گراف و تفاوت های آن با RAG های متنی

الگوهای بازیابی در GraphRAG

TableRAG - Text2SQL - NL2SQL

الگوهای RAG چندوجهی

پیاده‌سازی TableRAG با تولید و اعتبارسنجی خودکار کوئری‌های SQL

پیاده‌سازی GraphRAG مبتنی بر رویکرد مایکروسافت

RAG عامل محور

مرور و مقایسه انواع RAG و معرفی RAG عامل محور

معرفی نقش طرح‌ریز (Planner) در RAG عامل محور

معرفی نقش حافظه (Memory) در RAG عامل محور

چالش‌های سیستم‌های مبتنی بر RAG و معیارهای ارزیابی عملکرد آنها

مروری بر زیست بوم RAG و کارهای قابل انجام آتی

16 ساعت

(25 رای)

مقدمه و مفاهیم پایه

Registry و Repository

راه‌اندازی محیط Kubernetes (Cluster Setup)

مفاهیم پایه Kubernetes Objects

Health Check و Lifecycle

Controllerها و Workloadها

Networking و Service

Ingress

Health Check و Lifecycle قسمت دوم و تعریف Service Headless

Storage و management Volume قسمت اول

Configuration Management

Deployment و Stateful Application

درک عمیق معماری داخلی Kubernetes

Security و Access Control

Resource Management

Scheduling پیشرفته

توسعه‌پذیری Kubernetes

Storage و management Volume قسمت دوم

Monitoring و Logging

Autoscaling

ابزارهای مدیریتی

High Availability و Load Balancing

Maintenance و عملیات BackUp

مباحث Networking

مهندس هوش مصنوعی

برنامه نویسی پایتون

پایتون پیشرفته

Git & GitHub

پایگاه داده مقدماتی

یادگیری ماشین نظارت شده

یادگیری ماشین بدون نظارت

یادگیری عمیق

مشاوره رایگان

هوش مصنوعی مولد با رویکرد مدل‌های زبانی بزرگ

یادگیری تقویتی

مهندسی پرامپت

آموزش کاربردی هوش مصنوعی آفلاین با Ollama

هوش مصنوعی چندوجهی (Multimodal AI)

تولید تقویت‌شده با بازیابی (RAG)

آموزش کاربردی ساخت چت‌بات

آموزش کاربردی Docker

آموزش کاربردی CI/CD

آموزش کاربردی ML flow

MLOps

آموزش کاربردی Kubernetes