پی سی دانلود - linkedin

در دنیای امروز که حجم داده‌ها به‌طور توامان رو به افزایش است، روش‌های سنتی دیگر پاسخگوی نیازهای پیچیده کاربران نیستند. این دوره آموزشی با هدف عبور از الگوریتم‌های کلاسیک طراحی شده است تا به متخصصان نشان دهد چگونه می‌توانند سیستم‌های توصیه‌گر موجود را با استفاده از قدرت هوش مصنوعی ارتقا بخشند. مدرس دوره، ریشابا میسرا، با تمرکز بر جنبه‌های فنی و عملی، مفاهیم کلیدی همچون تولید تعبیه‌ها (Embeddings)، بازرتبه‌بندی معنایی (Semantic Reranking) و مقابله با چالش «شروع سرد» (Cold Start) را تشریح می‌کند.
بخش مهمی از این آموزش به معماری‌های بومی هوش مصنوعی مولد (GenAI-native) اختصاص یافته است. این معماری‌ها امکان ایجاد تجربه‌های پویا و تعاملی مانند جستجوی گفتگو‌محور و توصیه‌های چندرسانه‌ای (Multimodal) را فراهم می‌کنند. شرکت‌کنندگان در این مسیر یاد می‌گیرند که چگونه از ساختارهای ایستا فاصله گرفته و به سمت سیستم‌هایی حرکت کنند که قادر به درک عمیق‌تری از نیات کاربران هستند.
در دوره Building LLM-Powered Recommendation Systems با مفاهیم و زیرساخت‌های نوین طراحی سیستم‌های پیشنهاددهنده مبتنی بر GenAI آشنا خواهید شد.

دنیای هوش مصنوعی از مدل‌های ساده چت‌بات فراتر رفته و به سمت «عامل‌های هوشمند» حرکت کرده است؛ موجودیت‌هایی که نه تنها پاسخ می‌دهند، بلکه می‌توانند از ابزارها استفاده کرده و وظایف پیچیده را به صورت خودکار انجام دهند. در این دوره آموزشی، اپریل گیتنز (April Gittens)، مهندس باسابقه هوش مصنوعی، به زبانی ساده و تخصصی نشان می‌دهد که چگونه می‌توان با بهره‌گیری از قدرت پایتون و افزونه کاربردی AI Toolkit در محیط ویرایشگر Visual Studio Code، عامل‌هایی ساخت که توانایی تعامل هوشمندانه با محیط را داشته باشند.
بخش اول آموزش بر پایه و اساس معماری عامل‌ها تمرکز دارد. مخاطب می‌آموزد که یک عامل هوشمند دقیقاً چگونه فکر می‌کند و چطور می‌توان با نوشتن دستورات (Prompts) اثربخش، رفتار آن را هدایت کرد. همچنین استفاده از اسکیماها (Schemas) برای دریافت خروجی‌های ساختاریافته آموزش داده می‌شود تا اطمینان حاصل شود که عامل هوشمند، داده‌ها را به شکلی دقیق و قابل استفاده برای برنامه‌های دیگر ارائه می‌دهد.
در مراحل پیشرفته‌تر، شرکت‌کنندگان یاد می‌گیرند که چگونه با تعریف ابزارهای اختصاصی (Custom Tools)، قابلیت‌های عامل خود را گسترش دهند. این یعنی عامل هوشمند فقط به دانش متنی محدود نمی‌شود و می‌تواند عملیاتی مانند جستجوی داده یا محاسبات خاص را انجام دهد. علاوه بر این، دوره به موضوع حیاتی ارزیابی پاسخ‌ها می‌پردازد. با استفاده از معیارهای سنجش داخلی (Metrics)، برنامه‌نویس می‌تواند کیفیت و دقت عملکرد عامل را بررسی کرده و آن را برای سناریوهای واقعی و چالش‌برانگیز در دنیای صنعت آماده کند.
در دوره آموزشی Creating Agents with Python and the AI Toolkit for Visual Studio Code با نحوه طراحی، پیاده‌سازی و ارزیابی عامل‌های هوشمند کاربردی آشنا خواهید شد.

این دوره آموزشی بر پایه ساخت یک پروژه عملی و گام‌به‌گام طراحی شده است تا دانش‌جویان را با فرآیند توسعه ابزارهای هوشمند آشنا کند. در ابتدای مسیر، مدرس دوره، فیکایو آدپوجو، به بررسی توانمندی‌های کلیدی و هسته‌ای مدل Gemini می‌پردازد. او با تمرکز بر تولید متن، به مهارت‌آموزان نشان می‌دهد که چگونه می‌توان پیشنهادهای سفر و برنامه‌های زمانی ساختاریافته و دقیقی را با استفاده از هوش مصنوعی استخراج کرد.
در بخش‌های پیشرفته‌تر، شرکت‌کنندگان یاد می‌گیرند که چگونه قابلیت بارگذاری تصاویر مقاصد مورد نظر را برای کاربران فراهم کنند تا تجربه کاربری بسیار غنی‌تر و شخصی‌سازی‌شده‌تری خلق شود. یکی از نقاط قوت این دوره، آموزش استفاده از قابلیت «فراخوانی توابع» (Function Calling) است که به واسطه آن، برنامه می‌تواند به صورت پویا با سایر رابط‌های برنامه‌نویسی (API) ارتباط برقرار کند؛ برای مثال، برنامه یاد می‌گیرد که چگونه اطلاعات لحظه‌ای مربوط به شرایط آب‌وهوایی را در برنامه‌ریزی‌های سفر لحاظ کند تا دقت پیشنهادات به حداکثر برسد.
در دوره آموزشی Developing a Full-Stack App with the Gemini API با نحوه ساخت یک اپلیکیشن هوشمند برای مدیریت سفر آشنا خواهید شد.

در این دورهٔ عملی، مگان سیلوی، مشاور علوم داده، شرکت‌کنندگان را در مسیر ساخت برنامه‌های کاربردی وب با استفاده از Streamlit هدایت می‌کند. به طور خاص، شرکت‌کنندگان یک دستیار کدنویسی مبتنی بر هوش مصنوعی (AI-powered coding assistant) را در محیط Streamlit خواهند ساخت. این دستیار به آن‌ها کمک می‌کند تا با استفاده از زبان برنامه‌نویسی پایتون و API شرکت OpenAI، داشبوردهای دادهٔ تعاملی را تولید، اصلاح و نگهداری کنند. در ابتدا، شرکت‌کنندگان با ساخت یک دستیار هوش مصنوعی ساده مبتنی بر چت در Streamlit آغاز خواهند کرد. سپس، نحوهٔ بارگذاری، آماده‌سازی و تحلیل داده‌های خود را در Streamlit فرا خواهند گرفت. در مرحلهٔ بعد، از طریق تعاملات مکالمه‌ای با یک دستیار هوش مصنوعی جاسازی‌شده، داشبوردهای پویا همراه با فیلترها و انواع گوناگونی از بصری‌سازی‌ها (ویژوال‌ها) را ایجاد خواهند کرد. در نهایت، آموزش داده می‌شود که چگونه داشبورد هوش مصنوعی کاملاً کاربردی خود را آزمایش کرده، نگهداری کنند و آن را بر روی Streamlit Community Cloud مستقر سازند. این دوره جامع، مهارت‌های لازم برای ساخت ابزارهای داده‌ای قدرتمند و تعاملی را با تمرکز بر بهره‌گیری از قابلیت‌های هوش مصنوعی فراهم می‌آورد.
در دوره آموزشی Build with AI: AI-Powered Dashboards with Streamlit با ساخت برنامه‌های کاربردی وب تعاملی مبتنی بر داده و هوش مصنوعی آشنا خواهید شد.

در این دوره جامع با محوریت پایگاه‌های داده برداری (Vector Databases)، شرکت‌کنندگان به دنیای هیجان‌انگیز فناوری‌های پیشرفته‌ای که در حال متحول ساختن حوزه هوش مصنوعی (AI)، به ویژه هوش مصنوعی مولد (Generative AI) هستند، قدم خواهند گذاشت. این دوره با تمرکز بر «آینده‌سازی هوش مصنوعی مولد» (Future-Proofing Generative AI)، دانش و مهارت‌های لازم برای مهار قدرت پایگاه‌های داده برداری را در کاربردهای پیشرفته‌ای مانند مدل‌های زبان بزرگ (LLM)، ترانسفورماتورهای از پیش آموزش‌دیده مولد (GPT) نظیر ChatGPT، و توسعه هوش عمومی مصنوعی (AGI) در اختیار شرکت‌کنندگان قرار می‌دهد. با شروع از مفاهیم پایه‌ای، شرکت‌کنندگان اصول اولیه پایگاه‌های داده برداری و نقش آن‌ها در ایجاد تحول در جریان‌های کاری هوش مصنوعی را فرا خواهند گرفت. از طریق مثال‌های کاربردی و تمرین‌های کدنویسی عملی، تکنیک‌هایی مانند نمایه‌سازی، ذخیره‌سازی، بازیابی داده‌های برداری و کاهش بُعدی مورد بررسی قرار می‌گیرند. همچنین، مهارت لازم برای ادغام پایگاه داده برداری Pinecone با ابزارهای دیگری مانند LangChain و API اوپن‌ای‌آی (OpenAI API) با استفاده از پایتون (Python)، جهت پیاده‌سازی کاربردهای واقعی و آزادسازی تمام پتانسیل پایگاه‌های داده برداری، کسب خواهد شد.
در دوره آموزشی Master Vector Database with Python for AI & LLM Use Cases با استفاده از پایگاه‌های داده برداری برای کاربردهای پیشرفته هوش مصنوعی و مدل‌های زبان بزرگ آشنا خواهید شد.

این دوره آموزشی برای مهندسان، معماران و طراحانی است که می‌خواهند از قابلیت‌های هوش مصنوعی در اتوکد برای کار سریع‌تر و کارآمدتر استفاده کنند. شرکت‌کنندگان با یادگیری ابزارهای هوش مصنوعی اتوکد می‌توانند فرآیند طراحی و نقشه‌کشی خود را بهینه کنند. این دوره با تمرکز بر ویژگی‌های جدید، به متخصصان کمک می‌کند تا از مزایای فناوری‌های پیشرفته در صنعت خود بهره‌مند شوند. هدف این دوره، کاهش زمان انجام پروژه‌ها و افزایش دقت در طراحی است، که در نهایت به بهبود کیفیت کار منجر می‌شود. این دوره برای افرادی که با اتوکد آشنا هستند و می‌خواهند دانش خود را به‌روزرسانی کنند، بسیار مناسب است. این دوره به کاربرد عملی ابزارهای هوش مصنوعی در جدیدترین نسخه اتوکد می‌پردازد. شرکت‌کنندگان با ویژگی Smart Blocks آشنا می‌شوند، که نحوه قرار دادن، جایگزین کردن و جستجوی بلوک‌ها را متحول کرده است. مدرس، Shaun Bryant، همچنین فرمان DETECT را پوشش می‌دهد و یاد می‌دهد که چگونه می‌توان تبدیل اشیاء شناسایی شده به بلوک را به صورت خودکار انجام داد، که این کار سرعت فرآیند نقشه‌کشی را به طور قابل توجهی افزایش می‌دهد. دوره با نگاهی به Autodesk Assistant که با هوش مصنوعی کار می‌کند، به پایان می‌رسد. این دستیار، راهنمایی‌های خودکار مبتنی بر هوش مصنوعی و امکاناتی برای ارتباط با پشتیبانی از داخل اتوکد ارائه می‌دهد. با تکمیل این دوره، شرکت‌کنندگان قادر خواهند بود تا از این قابلیت‌ها برای بهینه‌سازی جریان کاری خود بهره ببرند و در نتیجه، زمان کمتری را صرف کارهای تکراری کرده و بیشتر بر خلاقیت و طراحی تمرکز کنند.
در دوره آموزشی Leveraging AI in AutoCAD با قابلیت‌های هوش مصنوعی اتوکد برای بهینه‌سازی فرآیندهای طراحی آشنا خواهید شد.

در این دوره، دنیس لینکوف، مدیر بخش یادگیری ماشین در شرکت Wisedocs، قابلیت‌های گوگل جیمینای را به طور کامل بررسی می‌کند. جیمینای یک مدل هوش مصنوعی چندوجهی است که برای بهبود کارهای روزمره طراحی شده است. شرکت‌کنندگان یاد می‌گیرند که چگونه از آن برای ایده‌پردازی، نگارش ایمیل و گزارش‌های جامع استفاده کنند. همچنین، آن‌ها با استفاده از نمونه‌ها و تمرین‌های عملی، نحوه خلاصه‌سازی ویدیوهای یوتیوب را تجربه می‌کنند. دوره شامل آموزش استفاده از جیمینای در پلتفرم‌های بومی گوگل مانند سویت، مپس و فلایتس است که کارهای پیچیده‌ای مانند برنامه‌ریزی سفر را ساده می‌سازد. علاوه بر این، شرکت‌کنندگان با کاربردهای خلاقانه جیمینای آشنا می‌شوند؛ از جمله تولید تصاویر و ویدیوها با خروجی‌های کاملاً قابل تنظیم. پس از اتمام دوره، آن‌ها توانایی ادغام هوش مصنوعی در فرایندهای کاری مختلف را کسب کرده و می‌توانند بهره‌وری و پروژه‌های خلاقانه خود را ارتقا دهند. این دوره به افراد کمک می‌کند تا با ابزارهای نوین هوش مصنوعی آشنا شوند و از آن‌ها برای افزایش کارایی و نوآوری در زمینه‌های مختلف بهره ببرند.
در دوره آموزشی Prompt Engineering with Gemini با استفاده از قابلیت‌های هوش مصنوعی برای افزایش بهره‌وری و خلاقیت آشنا خواهید شد.

این دوره‌ آموزشی که برای مبتدیان طراحی شده است، مبانی GraphRAG (تولید مبتنی بر بازیابی افزوده گراف) را معرفی می‌کند. این یک تکنیک پیشرفته است که گراف‌های دانش را با هوش مصنوعی مولد ترکیب می‌کند تا ارتباط متنی و دقت را افزایش دهد. این دوره که برای متخصصان و دانشجویانی که به‌تازگی با GraphRAG آشنا می‌شوند، طراحی شده، مفاهیم کلیدی مانند ساختارهای گراف، گره‌ها، یال‌ها و روابط را پوشش می‌دهد. همچنین، مهارت‌های عملی در ساخت و پیکربندی مدل‌های GraphRAG آموزش داده می‌شود. شرکت‌کنندگان در این دوره، از طریق تمرین‌های عملی و مثال‌های دنیای واقعی، با نحوه‌ یکپارچه‌سازی GraphRAG در فرآیندهای کاری موجود آشنا می‌شوند تا بتوانند برنامه‌های هوش مصنوعی غنی و مبتنی بر داده ایجاد کنند. این دوره به افراد کمک می‌کند تا بتوانند از طریق پروژه‌های مختلف، این تکنیک را در یک خط تولید هوش مصنوعی مولد به کار ببرند و به درک کاملی از آن برسند. این دوره برای هر کسی که می‌خواهد مهارت‌های خود را در هوش مصنوعی گسترش دهد و به دنبال راه‌حل‌های نوآورانه برای بهبود دقت و ارتباط اطلاعات در سیستم‌های هوش مصنوعی است، مناسب است. شرکت‌کنندگان یاد می‌گیرند که چگونه از ساختارهای پیچیده گراف برای سازماندهی و بازیابی اطلاعات استفاده کنند و در نهایت، مدل‌های هوش مصنوعی مولد دقیق‌تر و کاربردی‌تری بسازند. این دوره درک عمیقی از اینکه چگونه GraphRAG می‌تواند به حل چالش‌های دنیای واقعی کمک کند، ارائه می‌دهد و شرکت‌کنندگان را برای پیاده‌سازی این تکنیک در پروژه‌های آینده آماده می‌سازد.
در دوره آموزشی GraphRAG Essential Training با تکنیک GraphRAG در هوش مصنوعی مولد آشنا خواهید شد.

این دوره برای افرادی طراحی شده است که مایلند مهارت‌های خود را به عنوان متخصص یادگیری ماشین ارتقا دهند، اما نمی‌دانند از کجا شروع کنند. برای دستیابی به این هدف، نیازی به آموزش رسمی در علم داده نیست. در طول این دوره، مَت هریسون به عنوان مدرس، شرکت‌کنندگان را با مفاهیم کلیدی یادگیری ترکیبی آشنا می‌کند. در این دوره، روش‌های مختلف یادگیری ترکیبی از جمله بگینگ (Bagging)، بوستینگ (Boosting) و استکینگ (Stacking) بررسی می‌شوند. شرکت‌کنندگان یاد می‌گیرند که چگونه این روش‌ها را با استفاده از کتابخانه‌های محبوب پایتون مانند سایکیت‌لرن (scikit-learn) و ایکس‌جی‌بوست (XGBoost) پیاده‌سازی کنند. در پایان این دوره، شرکت‌کنندگان به مهارت‌های لازم برای پیاده‌سازی و بهینه‌سازی مدل‌های ترکیبی در وظایف واقعی یادگیری ماشین مجهز خواهند شد. این دوره با گیت‌هاب کداسپیسز (GitHub Codespaces) یکپارچه شده است؛ یک محیط توسعه‌دهنده ابری فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ گونه تنظیمات محلی فراهم می‌کند. با استفاده از گیت‌هاب کداسپیسز، می‌توان در هر زمان و از هر دستگاهی به صورت عملی تمرین کرد – و این در حالی است که از ابزاری استفاده می‌شود که به احتمال زیاد در محیط کار نیز با آن مواجه خواهید شد. برای شروع کار، مطالعه بخش "استفاده از گیت‌هاب کداسپیسز" همراه با این دوره توصیه می‌شود. این دوره به شرکت‌کنندگان کمک می‌کند تا درک عمیقی از یادگیری ترکیبی پیدا کرده و آن را در پروژه‌های خود به کار گیرند، که این امر به بهبود عملکرد مدل‌های یادگیری ماشین و افزایش دقت پیش‌بینی‌ها منجر می‌شود. تأکید این دوره بر جنبه‌های عملی پیاده‌سازی و استفاده از ابزارهای صنعتی است تا شرکت‌کنندگان بتوانند دانش خود را مستقیماً در سناریوهای واقعی به کار گیرند و به متخصصانی کارآمد در زمینه یادگیری ماشین تبدیل شوند.
در دوره آموزشی Applied Machine Learning: Ensemble Learning با پیاده‌سازی و بهینه‌سازی مدل‌های یادگیری ترکیبی آشنا خواهید شد.

پایتون، زبانی محبوب و خوانا با رویکرد شی‌گرا است که هم قدرتمند است و هم یادگیری آن نسبتاً آسان. این دوره برای هر کسی، چه تازه‌کار در برنامه‌نویسی و چه توسعه‌دهنده‌ای باتجربه، طراحی شده است تا به او در شروع کار با پایتون کمک کند. در این دوره، جو مارینی ابتدا یک مرور کلی بر فرآیند نصب پایتون، سینتکس اصلی آن و مثالی از نحوه ساخت و اجرای یک برنامه ساده پایتون ارائه می‌دهد. شرکت‌کنندگان در این دوره یاد می‌گیرند که چگونه با تاریخ و زمان کار کنند، فایل‌ها را بخوانند و بنویسند، و داده‌های JSON و XML را از وب بازیابی و تجزیه کنند. این مهارت‌ها برای توسعه برنامه‌های کاربردی وب، تحلیل داده و بسیاری از حوزه‌های دیگر ضروری هستند. همچنین، این دوره شامل چالش‌های برنامه‌نویسی است که توسط CoderPad ارائه می‌شوند. این چالش‌ها تمرینات کدنویسی تعاملی با بازخورد لحظه‌ای هستند که به شما امکان می‌دهند هم‌زمان با محتوای دوره، تمرین عملی کدنویسی داشته باشید و مهارت‌های برنامه‌نویسی خود را ارتقا دهید. این رویکرد عملی تضمین می‌کند که شرکت‌کنندگان نه تنها مفاهیم را درک می‌کنند، بلکه قادر به پیاده‌سازی آن‌ها در سناریوهای واقعی نیز خواهند بود. هدف نهایی این دوره، تجهیز شرکت‌کنندگان به دانش و ابزارهای لازم برای تبدیل شدن به یک برنامه‌نویس پایتون ماهر و کارآمد است.
در دوره آموزشی Learning Python با مبانی و کاربردهای عملی زبان برنامه‌نویسی پایتون آشنا خواهید شد.