پی سی دانلود - شبکه-عصبی

این دوره به شرکت‌کنندگان آموزش می‌دهد که چگونه یک عامل (Agent) هوش مصنوعی عمومی را بسازند که بتواند ابزارهای مختلف موجود بر روی دستگاه آن‌ها را هماهنگ و مدیریت کند. این ابزارها شامل قابلیت‌هایی مانند خواندن و تبدیل فایل‌ها، فراخوانی ابزارهای شخص ثالث نظیر جستجوی وب و اجرای کد، و در نهایت تحویل نتایج به یک مرورگر محلی هستند. تمرکز اصلی این دوره بر ایجاد یک عامل با یک حلقه اجرایی است که بتواند تاریخچه مکالمات را حفظ کند. این عامل از قابلیت فراخوانی ابزار (Tool Calling) برای انتخاب ابزارها و استدلال‌های مناسب استفاده می‌کند، پیام‌ها را بر اساس نتایج ابزارها به‌روزرسانی می‌کند و در نهایت، تصمیم می‌گیرد که چه زمانی عملیات را متوقف کند.
در طول دوره، شرکت‌کنندگان با نحوه مدیریت محتوا از طریق تکنیک‌های خلاصه‌سازی (Summarization) و بازیابی اطلاعات (Retrieval) آشنا خواهند شد. همچنین، روش‌های افزودن ارزیابی‌ها (Evals) برای شناسایی شکست‌ها و خطاها در عملکرد عامل آموزش داده می‌شود. علاوه بر این، به مبحث مهم افزودن گاردریل‌ها (Guardrails) و بررسی‌های "انسان در حلقه" (Human-in-the-loop checks) برای اقدامات حساس پرداخته می‌شود تا از ایمنی و دقت عامل اطمینان حاصل شود. در پایان این دوره، شرکت‌کنندگان یک عامل هوشمند در اختیار خواهند داشت که می‌توانند به‌طور مستمر آن را با ابزارهای جدید، پروتکل‌های تازه و رابط‌های کاربری بیشتر گسترش دهند و توسعه دهند. این عامل یک پایه قوی برای ایجاد سیستم‌های هوش مصنوعی خودکار و انعطاف‌پذیر است.
در دوره آموزشی Build an AI Agent from Scratch, v2 با نحوه ساخت، توسعه و ارزیابی یک عامل هوش مصنوعی با قابلیت فراخوانی و هماهنگی ابزارها آشنا خواهید شد.

مبانی یادگیری ماشین: ساخت مدل‌های هوش مصنوعی در سطح تخصصی یک برنامه جامع و مناسب برای مبتدیان است که طراحی شده تا شرکت‌کنندگان را از مفاهیم بنیادی به سمت تکنیک‌های پیشرفته یادگیری ماشین هدایت کند. این دوره یک مسیر ساختاریافته و کامل را برای تسلط بر تصمیم‌گیری مبتنی بر داده و مدل‌سازی یادگیری ماشین فراهم می‌کند، خواه فرد در برنامه‌نویسی تازه‌کار باشد یا به دنبال تقویت مجموعه مهارت‌های خود در هوش مصنوعی باشد.
شرکت‌کنندگان در این دوره کار خود را با یادگیری برنامه‌نویسی پایتون، که زبان ضروری برای توسعه مدرن هوش مصنوعی است، آغاز می‌کنند. در مرحله بعد، یک پایه ریاضی قوی از طریق مباحث آمار و آزمون فرضیه ایجاد خواهد شد. این دانش، ذهنیت تحلیلی لازم برای تفسیر مطمئن داده‌ها را در اختیار شرکت‌کنندگان قرار می‌دهد. با پیشرفت در دوره، آنها تجربه‌ عملی در تجزیه‌وتحلیل داده‌ها، مصورسازی داده‌ها و پاک‌سازی داده‌ها کسب می‌کنند – این‌ها مهارت‌های کلیدی هستند که هر متخصص یادگیری ماشین برای آماده‌سازی و درک مجموعه‌داده‌های واقعی به آن‌ها متکی است.
در نهایت، شرکت‌کنندگان عمیقاً وارد حوزه یادگیری ماشین می‌شوند؛ جایی که نحوه طراحی، آموزش، ارزیابی و بهینه‌سازی مدل‌هایی که امروزه در صنایع مختلف استفاده می‌شوند را خواهند آموخت. هر ماژول از این دوره عملی، جذاب و مناسب برای فراگیران با هر پیش‌زمینه‌ای طراحی شده است.
در دوره آموزشی Machine Learning Foundations: Build Expert-Level AI Models با مفاهیم و تکنیک‌های پیشرفته یادگیری ماشین و برنامه‌نویسی پایتون آشنا خواهید شد.

این دوره آموزشی به شکلی واضح و عملی طراحی شده تا درک جامعی از شبکه‌های عصبی به دانشجویان ارائه دهد. این مسیر یادگیری از مفاهیم بسیار پایه آغاز شده و به تدریج به معماری‌های پیشرفته‌ای که امروزه در پژوهش‌ها و صنایع مورد استفاده قرار می‌گیرند، می‌پردازد. در ابتدا، دانشجویان با مفاهیم پایه‌ای پرسبترون‌ها و پرسبترون‌های چندلایه، که سنگ‌بنای مدل‌های شبکه‌های عصبی هستند، آشنا می‌شوند. در ادامه، گام‌به‌گام به اصول آموزش شبکه‌ها مانند روش‌های مقداردهی اولیه وزن‌ها (Xavier و He)، توابع هزینه و استراتژی‌های بهینه‌سازی پرداخته می‌شود. تکنیک‌های منظم‌سازی مانند درون‌ریزی (dropout) و نرمال‌سازی دسته‌ای (batch normalization) نیز پوشش داده می‌شوند تا دانشجویان با نحوه بهبود عملکرد مدل و کاهش بیش‌برازش آشنا شوند. پس از تکمیل مباحث پایه، دوره به شبکه‌های عمیق پیش‌خور، اتصالات پسماند و شبکه‌های عصبی کانولوشنی (CNNs) گسترش می‌یابد. دانشجویان در این بخش می‌بینند که چگونه از شبکه‌های عصبی کانولوشنی هم به صورت نظری و هم عملی با استفاده از کتابخانه PyTorch استفاده می‌شود. همچنین، نحوه پیاده‌سازی معماری‌های مشابه در زبان‌های Julia و MATLAB نیز توضیح داده می‌شود. سپس، دوره به سمت شبکه‌های عصبی بازگشتی (RNNs)، LSTM‌ها، GRUها و مدل‌های زمانی پیش می‌رود، که دانشجویان را برای کار با داده‌های توالی و مسائل پیش‌بینی آماده می‌سازد. در بخش‌های پایانی، مکانیزم‌های توجه (attention mechanisms) و ترنسفورمرها که امروزه ابزارهای استانداردی در پردازش زبان طبیعی و بینایی کامپیوتر هستند، پوشش داده می‌شوند. همچنین، خودرمزگذارها (autoencoders)، خودرمزگذارهای متغیر (variational autoencoders)، مدل‌های احتمالی مانند شبکه‌های عصبی بیزی، و رویکردهای خودسازمان‌دهنده مانند شبکه‌های کوهنن مورد بررسی قرار می‌گیرند. علاوه بر این، دوره شامل مباحثی درباره شبکه‌های عصبی گرافی (GNNs) و سایر معماری‌های تخصصی مانند شبکه‌های اکو استیت و ODEs عصبی می‌شود، که تضمین می‌کند دانشجویان با طیف گسترده‌ای از تکنیک‌ها آشنایی پیدا کنند.
در این دوره آموزشی Neural Networks with Python : 1 با ساختار و کاربردهای گوناگون شبکه‌های عصبی آشنا می‌کند.

این دوره آموزشی برای دانشجویانی طراحی شده که می‌خواهند از یک برنامه‌نویس مبتدی به یک متخصص در کتابخانه نام‌پای تبدیل شوند. نام‌پای زیربنای اصلی تقریباً تمام کتابخانه‌های یادگیری ماشین، یادگیری عمیق و هوش مصنوعی است. از جمله این کتابخانه‌ها می‌توان به سای‌پای (SciPy)، پانداس (Pandas)، پای‌تورچ (PyTorch) و تنسورفلو (TensorFlow) اشاره کرد. این دوره به افراد کمک می‌کند تا چالش‌های رایج در یادگیری نام‌پای را پشت سر بگذارند و از صرفاً استفاده از توابع فراتر رفته و به درکی عمیق از عملکرد داخلی آن برسند. این دوره یک آموزش ساده در مورد توابع نام‌پای نیست. بلکه رویکرد آن بر پرورش تفکر نام‌پای در دانشجویان تمرکز دارد تا بتوانند با اطمینان، کدهای حرفه‌ای را نوشته و اشکال‌زدایی کنند. دانشجویان در طول دوره با مفاهیم گام‌به‌گام و از طریق تمرین‌های کدنویسی، پروژه‌های واقعی و آزمون‌ها آشنا می‌شوند. در پایان این دوره، آن‌ها تنها توابع نام‌پای را نمی‌شناسند، بلکه نحوه عملکرد آن در پشت پرده محاسبات مربوط به سیستم‌های مدرن یادگیری ماشین و هوش مصنوعی را نیز درک خواهند کرد. این دانش به دانشجویان اعتماد به نفس لازم برای کار با کتابخانه‌های پیشرفته و پروژه‌های دنیای واقعی را می‌دهد.
در دوره آموزشی NumPy Mastery for Machine Learning & AI-Beginner to Pro 2025 با کتابخانه نام‌پای، نحوه تفکر در آن، و کاربردهای آن در یادگیری ماشین و هوش مصنوعی آشنا خواهید شد.

این دوره به شما کمک می‌کند تا به این هدف برسید. امروزه، هوش مصنوعی، مدل‌های زبانی بزرگ (LLM) و مدل‌های چندوجهی بزرگ (LMM) همه جا حضور دارند. اما این LLMها چگونه کار می‌کنند؟ چه فناوری ای آن‌ها را نیرو می‌دهد؟ پاسخ این سوال، یادگیری عمیق است. در این دوره، شما دانش پایه و مهارت عملی لازم برای ساختن مدل‌های قدرتمند هوش مصنوعی از ابتدا و با تنها چند خط کد را کسب خواهید کرد. چه مبتدی در هوش مصنوعی باشید و چه یک دانشمند داده با تجربه، این دوره شما را در تسلط بر مفاهیم اصلی یادگیری عمیق از جمله معماری ترانسفورمر راهنمایی خواهد کرد.
در دوره آموزشی Deep Learning Mastery: Build your AI Foundation بر یادگیری عمیق مسلط خواهید شد.

این تخصص پیشگامانه، هنرجویان را به مهارت‌های پیشرفته‌ای مجهز می‌کند تا نوآوری در پایگاه‌های داده را رهبری کنند. در این دوره، ادغام تحول‌آفرین هوش مصنوعی زایشی و پایگاه‌های داده SQL به طور کامل بررسی می‌شود تا روش طراحی، کوئری‌نویسی و بصری‌سازی سیستم‌های داده در سازمان‌ها بازتعریف شود. در این دوره، هوش مصنوعی و SQL با یکدیگر ترکیب می‌شوند تا قابلیت‌هایی ایجاد کنند که قبلاً غیرقابل تصور بودند. از آنجا که هوش مصنوعی زایشی در حال تغییر روش‌های پایگاه داده است، شرکت‌ها به متخصصانی نیاز دارند که بتوانند دانش سنتی SQL را با قابلیت‌های انقلابی هوش مصنوعی پیوند دهند. این دوره به هنرجویان کمک می‌کند تا تخصص لازم را برای طراحی معماری‌های پایگاه داده انعطاف‌پذیر، نوشتن کوئری‌های پیچیده SQL از طریق زبان طبیعی و تولید بصری‌سازی‌های قدرتمند توسعه دهند. تمام این موارد با بهره‌گیری از هوش مصنوعی زایشی به عنوان یک شریک همکاری‌کننده انجام می‌شود. در این پروژه‌های عملی، هنرجویان با استفاده از تکنیک‌های هوش مصنوعی، یک طرح کامل پایگاه داده را طراحی خواهند کرد. همچنین، با استفاده از مکالمه زبان طبیعی، کوئری‌های پیچیده SQL را برای حل مشکلات کسب‌وکار تولید می‌کنند و از نتایج کوئری‌ها، بصری‌سازی‌ها و داشبوردهای تعاملی ایجاد می‌کنند. تمام این فعالیت‌ها توانایی هنرجویان را در بهره‌برداری از هوش مصنوعی برای توسعه حرفه‌ای پایگاه داده نشان می‌دهد.
در دوره آموزشی Generative AI SQL Database Specialist with ChatGPT Specialization با ترکیب هوش مصنوعی زایشی و پایگاه داده‌های SQL آشنا خواهید شد.

در این دوره عملی، پتانسیل خلاقانه شبکه‌های مولد متخاصم (GANs) و انتقال سبک عصبی را آزاد کنید. این دوره شما را با پیشرفته‌ترین تکنیک‌های تولید تصویر و خلق هنر با هوش مصنوعی آشنا می‌کند. ما با استفاده از TensorFlow، به عمق مفاهیم اصلی GANs خواهیم پرداخت و معماری‌های مختلف آن‌ها را بررسی می‌کنیم. در نتیجه، شما مهارت‌های عملی برای پیاده‌سازی آن‌ها از ابتدا به دست خواهید آورد.
در دوره Master GAN with TensorFlow: Create Art with Neural Networks با ایجاد تصاویر، هنر و اصلاح تصاویر با استفاده از شبکه‌های مولد متخاصم (GANs) و انتقال سبک عصبی آشنا خواهید شد.