درباره دوره: در این وبینار از مجموعه دوره‌های آموزش هوش مصنوعی و آموزش ماشین لرنینگ می‌خواهیم بدانیم هوش مصنوعی چیست و چرا باید آن را دنبال کنیم، کاربردهای آن کجای زندگی به به چشم می‌آید؟ چه مسیر شغلی را برای تبدیل شدن به یک متخصص هوش مصنوعی طی کنیم؟ در واقع هوش مصنوعی به هوشی می‌گویند که یک ماشین در شرایط مختلف از خود نشان می‌دهد. ماشینی که تلاش شده مثل انسان وقایع و اتفاقات را احساس کند، عاقلانه فکر کند، عاقلانه عمل کند، مثل انسان فکر کند و مثل انسان عمل کند. موارد بیان شده ویژگی‌های هوش مصنوعی است که برای ملموس شدن موضوع به شرح هرکدام از ویژگی‌های آن می‌پردازیم: -       مانند انسان عمل کردن (Acting humanly) -       مانند انسان فکر کردن (Thinking  humanly) -       عاقلانه فکر کردن (Think rationally) -       عاقلانه عمل کردن (Act rationally) کاربردهای هوش مصنوعی برای متخصص هوش مصنوعی سیستم‌های خبره، برنامه‌هایی كامپیوتری هستند که الگوی منطقی‌ دارند و نحوه تفكر و تصمیم‌گیری یك متخصص در یك زمینه خاص را شناسایی و شبیه‌سازی می‌كنند. شبكه‌های عصبی شبیه‌سازی شده یا كامپیوتری قادر هستند تا بخش كوچكی از خصوصیات و ویژگی‌های شبكه‌های عصبی بیولوژیك را شبیه‌سازی كنند. در حقیقت، هدف از ایجاد یك شبكه عصبی نرم‌افزاری، بیش از آنكه شبیه‌سازی مغز انسان باشد، ایجاد مكانیسمی برای حل مسائل مهندسی با الهام از الگوی رفتاری شبكه‌های بیولوژیك است. الگوریتم‌های ژنتیك الگوریتم‌هایی هستند كه دارای قدرت بسیار زیادی در یافتن جواب مسئله هستند، اما باید توجه داشت كه شاید بتوان كاربرد اصلی این الگوریتم‌ها را در مسائلی در نظر گرفت كه دارای فضای حالت بسیار بزرگ هستند و عملاً بررسی همه حالت‌ها برای انسان در زمان‌های نرمال (در حد عمر بشر) ممكن نیست. از میان همه شاخه‌های هوش مصنوعی، شاید كاربردی‌ترین آن‌ها كامپیوتری و مكانیزه كردن سیستم‌های بینایی باشد. دامنه كاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از كاربردهای عادی و معمولی مثل كنترل كیفیت خط تولید و نظارت ویدئویی گرفته تا تكنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است. پردازش‌ زبان‌های‌ طبیعی‌ به‌عنوان‌ زیرمجموعه‌ای‌ از هوش‌ مصنوعی‌، می‌تواند توصیه‌ها و بیانات‌ را با استفاده‌ از زبانی‌ که‌ شما به‌ طور طبیعی‌ در مکالمات‌ روزمره‌ به‌کار می‌برید، بفهمد و مورد پردازش‌ قرار دهد. مهم‌ترین کاربرد گراف مدل‌سازی پدیده‌های گوناگون و بررسی بر روی آن‌هاست. با گراف می‌توان به راحتی یک نقشه بسیار بزرگ یا شبکه‌ای عظیم را در درون یک ماتریس به نام ماتریس وقوع گراف ذخیره کرد و یا الگوریتم‌های‌ مناسب مانند الگوریتم دایجسترا یا الگوریتم کروسکال و غیره را بر روی آن اعمال نمود. الگوریتم کلونی مورچه الهام گرفته شده از مطالعات و مشاهدات روی کلونی مورچه‌هاست. این مطالعات نشان داده که مورچه‌ها حشراتی اجتماعی هستند که در کلونی‌ها زندگی می‌کنند و رفتار آن‌ها بیشتر در جهت بقاء کلونی است. از کاربردهای ACO می‌توان به بهینه کردن هر مسئله‌ای که نیاز به یافتن کوتاه‌ترین مسیر دارد، اشاره نمود: منطق فازی تکنولوژی جدیدی است که شیوه‌های مرسوم برای طراحی و مدل‌سازی یک سیستم را که نیازمند ریاضیات پیشرفته و نسبتا پیچیده است با استفاده از مقادیر و شرایط زبانی و یا به عبارتی دانش فرد خبره و با هدف ساده‌سازی و کارآمدتر شدن طراحی سیستم جایگزین و یا تا حدود زیادی تکمیل می‌نماید. هوش مصنوعی خیلی آهسته وارد همه ابعاد زندگی ما شده‌است و جایگزین کارهای سنتی می‌شود، از آنجا که هر روز بیش از پیش با ماشین‌هایی که حاوی هوش مصنوعی هستند در ارتباط هستیم و هر روز هوش مصنوعی زندگی ما را بیشتر متحول می‌کند ضرورت دارد آن را بشناسیم تا بهتر بتوانیم از آن در جهت بهبود زندگی خود استفاه کنیم. بهتر است بدانیم هوش مصنوعی به زودی منشی‌ها و پاسخگویان تلفنی را منقرض می‌کند. گسترش هوش مصنوعی نه تنها بسیاری از مشاغل را به خطر انداخته، بلکه کیفیت کار بالاتر و هزینه بسیار پائین‌تر آن موجب خواهد شد که بسیاری مشاغل غیرپیچیده در آینده‌ای نه چندان دور منقرض شوند، از جمله این مشاغل نیز می‌توان به ویزیتورها و پاسخگویان تلفنی اشاره کرد. در یکی از آخرین تحولات در این زمینه استارتاپ Kea که اخیرا 10 میلیون دلار جذب سرمایه کرده‌است، به رستوران‌ها هوش مصنوعی خاصی ارائه می‌دهد که سفارشات مشتریان را به صورت تلفنی دریافت و ثبت می‌کند. بنا به اظهارات توسعه‌دهندگان، هوش مصنوعی فوق برخلاف پاسخگویان انسانی خسته نخواهد شد و با صدایی زیبا و با حوصله به تمامی سوالات پاسخ می‌دهد و با تسلطی کامل سفارشات را ثبت می‌کند و از دیگر سو با توجه به عدم محدودیت تعداد اپراتورهای مصنوعی می‌توان همزمان به تعداد بیشتری از مشتریان خدمات ارائه کرد. وبینار چگونه متخصص هوش مصنوعی شویم؟: 1 - وبینار چگونه متخصص هوش مصنوعی شویم؟

درباره دوره: هوش مصنوعی یا به زبان انگلیسی Artificial intelligence حوزه‌ای پرطرفدار است که احتمالاً درباره آن شنیده یا خوانده‌اید. وقتی به‌اصطلاح هوش مصنوعی فکر می‌کنید، ممکن است در ذهن شما ربات‌ها، فناوری و عصر دیجیتال و غیره خطور کند. دوره آموزش رایگان هوش مصنوعی با هدف آموزش این ترند پرطرفدار در مکتب خونه تهیه و تدوین شده است و دانشجو را با ابعاد مختلف این فناوری آشنا خواهد کرد. برنامه نویسی هوش مصنوعی یک پیشرفت تکنولوژیکی در علوم کامپیوتر است که شامل فناوری برنامه‌نویسی برای حل مسئله می‌شود. هوش مصنوعی اغلب شامل جنبه‌های مختلفی مانند یادگیری ماشین، یادگیری عمیق و کلان داده است. این دوره آموزش رایگان هوش مصنوعی شمارا با جنبه‌های مختلف آن آشنا می‌کند. امروزه هوش مصنوعی از نیازهای ضروری هر سازمان و شرکتی است و یا در آینده به آن نیاز پیدا خواهند کرد، بنابراین یادگیری هوش مصنوعی از واجبات دنیای امروزی به‌حساب می‌آید. این دوره آموزش هوش مصنوعی به‌صورت عملی جنبه‌های مختلف هوش مصنوعی را در قالب پروژه و به‌صورت عملی مورد بحث قرار می‌دهد. ازاین‌رو دانشجویانی که در رشته‌های مختلف مشغول تحصیل هستند یا صاحبان انواع کسب‌وکارها می‌توانند با یادگیری زبان‌های برنامه‌نویسی هوش مصنوعی و فراگیری یادگیری ماشین با پایتون python مهارت‌های خود را در این زمینه توسعه دهند. برای یادگیری هوش مصنوعی از مقدماتی تا پیشرفته باید مسیر زیادی را طی کنیم که این دوره، دوره بسیار مناسبی برای شروع است. هدف از برگزاری این دوره آموزش هوش مصنوعی این است که شما را در هر سطحی که قرار دارید، چند گام بالاتر ببریم تا بتوانید زبان برنامه نویسی هوش مصنوعی را از سطوح پایین تا سطوح پیشرفته‌تر فرا بگیرید. از این رو دانشجویانی که در رشته‌های مختلف مشغول تحصیل هستند یا صاحبان انواع کسب‌وکارها می‌توانند با یادگیری زبان‌های برنامه نویسی هوش مصنوعی و فراگیری یادگیری ماشین با برنامه نویسی پایتون مهارت‌های خود را توسعه دهند. دانشجویانی که این دوره هوش مصنوعی را پشت سر می‌گذارند با مهارت‌های زیر آشنا خواهند شد: برای شرکت در دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین، بهتر است که ابتدا با الگوریتم‌های مختلف و چگونگی استفاده از آن‌ها آشنایی داشته باشید. از طرفی الگوریتم‌های هوش مصنوعی براساس ریاضیات و آمار و احتمال ساخته می‌شوند. برای فراگیری آموزش machine learning هم به آشنایی با داده کاوی و برنامه نویسی به زبان پایتون نیاز دارید. پنج مهارت اصلی که برای برنامه نویسی هوش مصنوعی به آن نیاز دارید، عبارتند از: این دوره آموزش Ai شامل پنج فصل است که از مباحث پایه شروع شده و به مرور به مباحث پیشرفته‌تر و عملیاتی‌تر می‌رسد. در ویدئوهای فصل اول از این آموزش هوش مصنوعی از پایه، با مفاهیم هوش مصنوعی و کاربردهای آن در کارهای روزمره آشنا می‌شوید. به‌طور خلاصه هوش مصنوعی در هر صنعتی کاربردهای خاص خود را دارد. به عنوان مثال از نرم افزار هوش مصنوعی می‌توان برای ساخت دستیارهای مراقبت از سلامت شخصی، تولید، خرده فروشی و حتی ورزش و بازی استفاده کرد. در این فصل همچنین به آموزش یادگیری ماشین با پایتون (Python) می‌پردازیم. برای اینکه بتوانید با هوش مصنوعی کار کنید، نیاز دارید تا یک زبان برنامه‌نویسی را فرا بگیرید. پایتون همان زبان برنامه‌نویسی موردنظر است که در این زمینه بسیار مفید عمل می‌کند. همچنین در این فصل شما می‌توانید با تولکیت‌ها (toolkits) یا همان جعبه ابزار یادگیری ماشین در پایتون آشنا شوید. آموزش ریاضیات هوش مصنوعی و کاربردهای هوش مصنوعی در رشته‌های مختلف مانند پزشکی، امور مالی، بازاریابی، توزیع و تدارکات و غیره از دیگر مباحثی است که در فصل اول به آن اشاره می‌شود. برنامه نویسی هوش مصنوعی اول از هر چیز به دانستن ریاضیات و آمار و احتمال نیاز دارد. نوشتن الگوریتم‌های هوش مصنوعی و یادگیری ماشین کار چندان آسانی نیست و کار کردن با آن نیازمند این است که از دانش ریاضی زیادی برخوردار باشید. در واقع پایه و اساس برنامه نویسی هوش مصنوعی آشنایی با اصول ریاضی است. از طرفی در دنیای مدرن امروز احتمالات و عدم اطمینان‌ها بیشتر از هر زمانی احساس می‌شوند. از آنجایی که هیچ‌کس نمی‌تواند کاملاً‌ بر اطلاعات مسلط باشد، لازم است از آمار و احتمالات در استفاده از زبان‌های برنامه نویسی هوش مصنوعی استفاده شود. بنابراین در فصل دوم دوره رایگان هوش مصنوعی به مباحث ریاضیات و آمار و احتمال در هوش مصنوعی می‌پردازیم. پایتون یک زبان برنامه‌نویسی بسیار راحت و قابل فهم است. از این زبان می‌توانید در پروژه‌ها و تمرین‌های مختلفی استفاده کنید. به همین منظور در فصل سوم این دوره پنج مینی پروژه برایتان درنظر گرفته‌ایم که با آن‌ها می‌توانید به خوبی پایتون را یاد بگیرید. در فصل چهارم از این دوره آموزش رایگان هوش مصنوعی و یادگیری ماشین، به آموزش کتابخانه نامپای پرداخته‌ایم. در این قسمت متدهایی از NumPy به شما آموزش داده می‌شود که می‌توانید محاسبات ریاضی را به صورت عنصر به عنصر روی آرایه‌هایی از جنس نامپای انجام دهید. سایر متدهای موجود در این کتابخانه را در قالب تمرینات بیشتر به شما آموزش خواهیم داد. در بخش‌های دیگر این فصل به آموزش یادگیری ماشین با پایتون اشاره می‌کنیم. این بخش‌ها از مهمترین جلسات آموزش رایگان یادگیری ماشین با پایتون است. چرا که در آن به بیان جایگاه هوش مصنوعی، آموزش ماشین لرنینگ و مباحث داغی مانند شبکه‌های عصبی عمیق می‌پردازیم. رویکردهای مختلف یادگیری ماشین مانند یادگیری بدون نظارت، بانظارت، تقویتی، آماری، برخط، چندوظیفه‌ای، تقلیدی و غیره از دیگر مباحث مهم این فصل است. با این وجود هنوز هم رویکردهای دیگری وجود دارند که از طبیعت و انسان الهام گرفته شده‌اند و در انتها به عنوان تمرین داده می‌شوند. در این فصل به آموزش یادگیری تقویتی می‌پردازیم. یادگیری تقویتی یکی از زیرشاخه‌های یادگیری ماشین است. این علم یک عامل را قادر می‌کند تا با تعامل در یک محیط و با کمک آزمون و خطا و همچنین گرفتن بازخورد از یافته‌ها و اعمال خود بهترین رفتاری که در یک موقعیت خاص باید داشته باشد، را یاد بگیرد. یادگیری تقویتی با یادگیری تحت نظارت متفاوت است. در واقع در یادگیری تحت نظارت داده‌های آموزشی کلید پاسخ دارند و از پاداش و تنبیه برای نشان دادن رفتار مثبت و منفی استفاده می‌شود. در حالی که در یادگیری تقویتی هیچ جوابی وجود ندارد. در این یادگیری، عامل خودش تصمیم می‌گیرد که برای انجام وظیفه‌ای که به او محول شده چه کاری انجام دهد. در این صورت عامل از تجربیات خود برای انجام کارها استفاده می‌کند. از یادگیری تقویتی در هدایت خودروهای خودران و کنترل ربات‌های انسان‌نما استفاده می‌شود. در این فصل از دوره آموزش رایگان Artificial intelligence می‌توانید با یادگیری تقویتی بیشتر آشنا شوید. برای اینکه عمیق‌تر این مبحث را فرا بگیرید، می‌توانید از کتاب یادگیری ماشین هم کمک بگیرید. به زبان ساده هوش مصنوعی (Artificial intelligence) تئوری و توسعه برنامه‌های کامپیوتری به‌حساب می‌آید که قادر به انجام وظایف و حل مسائلی است که معمولاً به هوش انسانی نیاز دارد. چیزهایی مانند ادراک بصری، تشخیص گفتار، تصمیم‌گیری و ترجمه کلمات، همه‌چیزهایی هستند که معمولاً به هوش انسانی نیاز دارند، اما اکنون برنامه‌های کامپیوتری می‌توانند از هوش و توانایی خود برای حل این وظایف استفاده کنند. در مکتب خونه انواع دوره آموزش هوش مصنوعی، آموزش پایتون، آموزش برنامه نویسی و آموزش یادگیری ماشین موجود است که کاربران با استفاده از آن صفر تا صد این فناوری را یاد خواهند گرفت. این نوع فن‌آوری در ژوئن سال 1965 متولد شد، جایی که گروهی از دانشمندان و ریاضیدانان در دارتموث گرد هم آمدند تا در مورد ایده کامپیوتری که واقعاً می‌تواند فکر کند، بحث و گفتگو کنند. آن‌ها نمی‌دانستند اسمش را چه بگذارند، اما صحبت‌هایشان در آنجا سروصدایی را ایجاد کرد و بعدها چیزی به نام هوش مصنوعی از آن به وجود آمد. سوال جالبی است، هوش مصنوعی چه تفاوتی باهوش انسانی دارد؟ هوش مصنوعی و الگوریتم‌هایی که این هوش را اجرا می‌کنند توسط انسان‌ها طراحی‌شده‌اند و درحالی‌که کامپیوتر می‌تواند از محیط اطراف خود یاد بگیرد و سازگار شود یا رشد کند، درنهایت توسط انسان ساخته شد. هوش انسان ظرفیت بسیار بیشتری برای انجام چندوظیفگی، تعاملات اجتماعی و خودآگاهی دارد. هوش مصنوعی I.Q ندارد که این ویژگی، آن را باهوش انسان و انسان بسیار متفاوت می‌کند. جنبه‌های زیادی از تفکر و تصمیم‌گیری وجود دارد که هوش مصنوعی به‌سادگی نمی‌تواند بر آن‌ها مسلط شود. محاسبات احساسات چیزی نیست که ما بتوانیم یک ماشین را آموزش دهیم، صرف‌نظر از اینکه این ماشین چقدر هوشمند است. همچنین شما نمی‌توانید چندوظیفه‌ای را خودکار کرده یا روابط مستقلی ایجاد کنید. یادگیری شناختی و یادگیری ماشینی همیشه منحصربه‌فرد و جدا از یکدیگر خواهند بود. دانستن اینکه هوش مصنوعی چیست با درک عملکردهای اساسی آن چیزی متفاوت است. هوش مصنوعی با پردازش داده‌ها از طریق الگوریتم‌های پیشرفته عمل می‌کند. مجموعه داده‌های بزرگ را با الگوریتم‌های خود ترکیب می‌کند و از الگوها یا ویژگی‌های موجود در داده‌ها یاد می‌گیرد. تئوری‌ها و زیرشاخه‌های زیادی در سیستم‌های هوش مصنوعی وجود دارد ازجمله: یادگیری ماشینی از شبکه‌های عصبی برای یافتن بینش‌های پنهان از داده‌ها استفاده می‌کند، بدون اینکه برنامه‌ریزی شود که به دنبال چه چیزی بگردیم یا چه نتیجه‌ای بگیریم. یادگیری ماشینی روشی رایج برای برنامه‌ها برای یافتن الگوها و افزایش هوش ماشین در طول زمان است که از تکتنیک هایی مانند خوشه بندی، طبقه بندی و غیره برای پیش بینی استفاده میکند. در دوه آموزش هوش مصنوعی بحث یادگیری ماشین به طور مفصل به صورت عملی ارائه شده است. یادگیری عمیق از شبکه‌های عصبی عظیم با لایه‌های زیاد استفاده می‌کند و از اندازه آن برای پردازش مقادیر عظیمی از داده‌ها با الگوهای پیچیده استفاده می‌کند. یادگیری عمیق یکی از عناصر یادگیری ماشینی است، فقط با مجموعه داده‌های بزرگتر و لایه‌های بیشتر کار می‌کند. در هوش مصنوعی، بینایی کامپیوتر از تشخیص الگو و یادگیری عمیق برای درک یک تصویر یا ویدیو استفاده می‌کند. این بدان معناست که دستگاه می‌تواند به اطراف نگاه کند و عکس یا فیلم را در زمان واقعی بگیرد و محیط اطراف را تفسیر کند. هدف کلی هوش مصنوعی ساختن نرم‌افزاری است که بتواند در مورد یک ورودی یاد بگیرد و نتیجه را با خروجی آن توضیح دهد. هوش مصنوعی فعل‌وانفعالاتی شبیه انسان ایجاد می‌کند، اما به این زودی‌ها جایگزین انسان‌ها نخواهد شد. هوش مصنوعی به صدها روش در اطراف ما استفاده می‌شود. امروزه این فن‌آوری دنیای ما را تغییر داده و زندگی ما را راحت‌تر و جالب‌تر کرده است. در دوره آموزش رایگان هوش مصنوعی ما با کاربردهای عملی این فن آوری در قالب پروژه های کوچک آشنا خواهیم شد. برخی از کاربردهای متعدد هوش مصنوعی که ممکن است بدانید عبارت‌اند از: یادگیری ماشین و تشخیص چهره در وسایل نقلیه خودران استفاده می‌شود تا به خودرو کمک کند محیط اطراف خود را درک کند و بتواند بر اساس آن واکنش نشان دهد. سیستم‌های تشخیص چهره و بیومتریک به خودروهای خودران کمک می‌کنند افراد را بشناسند و آن‌ها را ایمن نگه‌دارند. این خودروها می‌توانند الگوهای ترافیکی، علائم و موارد دیگر را یاد بگیرند و با آن‌ها سازگار شوند. همچنین امروزه تغییر چهره با هوش مصنوعی هم بسیار رایج است. بسیاری از شرکت‌ها از هوش مصنوعی برای تقویت گروه‌های خدمات مشتری خود استفاده می‌کنند. چت بات می‌تواند با مشتریان تعامل داشته باشد و بدون نیاز به استفاده از زمان واقعی انسان، به سؤالات عمومی پاسخ دهد. آن‌ها می‌توانند یاد بگیرند و با پاسخ‌های خاصی سازگار شوند، اطلاعات بیشتری را برای کمک به تولید خروجی متفاوت به دست آورند و موارد دیگر. این سیستم خبره می‌تواند تعاملی در سطح انسانی به مشتریان بدهد. بسیاری از این چت بات ها برای تبدیل متن به عکس با هوش مصنوعی هم استفاده میشوند. سیستم‌های خرید آنلاین از الگوریتم‌هایی برای کسب اطلاعات بیشتر در مورد ترجیحات شما و پیش‌بینی آنچه می‌خواهید خرید کنید، استفاده می‌کنند. سپس آن‌ها می‌توانند آن موارد را درست در مقابل شما قرار دهند (رکومندیشن سیستم‌ها). آمازون و سایر خرده‌فروشان به‌طور مداوم روی الگوریتم‌های خودکار می‌کنند تا درباره کاربر و آنچه ممکن است بخرد بیشتر بدانند. هوش مصنوعی نقش بزرگی در فناوری مراقبت‌های بهداشتی ایفا می‌کند زیرا ابزارهای جدیدی برای تشخیص، توسعه دارو، نظارت بر بیماران و موارد دیگر در حال استفاده هستند. این فناوری می‌تواند همان‌طور که استفاده می‌شود یاد بگیرد و توسعه یابد، اطلاعات بیشتری در مورد بیمار یا دارو بیاموزد و باگذشت زمان برای بهتر شدن و بهبود سازگار شود. صنایع حمل‌ونقل و خرده‌فروشی به لطف نرم‌افزارهای مرتبط باهوش مصنوعی با انقلاب بزرگی روبه‌رو شده‌اند. برای مثال سیستم‌هایی از هوش مصنوعی وجود دارد که کل فرآیند حمل‌ونقل را خودکار می‌کنند و در حین حرکت یاد می‌گیرند و کارها را سریع‌تر و کارآمدتر می‌کنند. کل این سیستم‌ها نحوه اداره انبارها و کارخانه‌ها را تغییر می‌دهند و آن‌ها را ایمن‌تر و پربازده‌تر می‌کنند. هوش مصنوعی در آموزش کاربرد بسیار گسترده‌ای دارد. مواردی مانند بررسی‌کننده سرقت ادبی می‌تواند به دانشجویان کمک کند تا از هوش مصنوعی برای تقویت مقالات و تحقیقات استفاده کنند. سیستم‌های هوش مصنوعی می‌توانند کلمات استفاده‌شده را بخوانند و از پایگاه داده‌های خود برای تحقیق در مورد هر آنچه می‌دانند در یک‌چشم به هم زدن استفاده کنند. این به آن‌ها امکان می‌دهد املا، دستور زبان، محتوای سرقت شده و غیره را بررسی کنند. هر روز کاربردهای دیگری از هوش مصنوعی در اطراف پیاده سازی می‌شوند، این حوزه فناوری با سرعتی سریع در حال پیشرفت است و به‌طور مداوم نحوه زندگی ما را تغییر می‌دهد، بنابراین نیاز به یادگیری آن با یک دوره آموزش هوش مصنوعی جامع و کامل از هر زمانی بیشتر احساس می‌شود. دوره آموزش رایگان هوش مصنوعی مکتب خونه برای شروع ایده بسیار خوبی است. همچنین امروزه انواع ابزار نقاشی با هوش مصنوعی هم موجود است که به عنوان ابزار آموزشی از آن استفاده میشود. همچنین انواع کاربرد دیگر هوش مصنوعی میتوان به موارد زیر اشاره کرد: سیستم‌های هوش مصنوعی در حال حاضر بر نحوه زندگی ما تأثیر می‌گذارند و درهای آینده برای اینکه چگونه در آینده بر ما تأثیر بگذارد کاملاً باز است. فناوری مبتنی بر هوش مصنوعی احتمالاً به بهبود کارایی و بهره‌وری ادامه خواهد داد و در طول زمان به صنایع بیشتری گسترش خواهد یافت. امروزه توسعه‌دهندگان و برنامه نویسان زیادی به حوزه هوش مصنوعی روی آورده‌اند و تقریباً این فنّاوری به تمام جنبه‌ای مهم زندگی اجتماعی، اقتصادی و... انسان وارد شده است. ما باید برای پوشش نیازهای آینده خود در زمینه فنّاوری حتماً باهوش مصنوعی آشنایی پیدا کنیم که در این رابطه دوره آموزش رایگان هوش مصنوعی ارائه شده می‌تواند به ما خیلی کمک کند. بسیاری از مردم نگران این هستند که ربات‌ها درنهایت شغل آن‌ها را بگیرند، حقیقت این است که بسیاری از زمینه‌ها نسبتاً از این اتفاق ایمن هستند. زمینه‌هایی مانند فناوری اطلاعات برای پذیرش فناوری‌های جدید و سیستم‌های امنیتی که باعث اجرای هوش مصنوعی می‌شوند، همچنان موردنیاز خواهند بود. متخصصان مراقبت‌های بهداشتی و معلمان نمی‌توانند با روبات‌ها جایگزین شوند. کاری که آن‌ها مستقیماً با بیماران و کودکان انجام می‌دهند چیزی است که نمی‌توان آن را با ماشین انجام داد. به‌طور مشابه در تجارت، برخی از فرآیندها را می‌توان خودکار کرد، اما غریزه انسانی، تصمیم‌گیری و روابط همیشه برای آینده حیاتی خواهد بود. هوش مصنوعی در حال دگرگونی شیوه جهان است و باگذشت زمان این کار را ادامه خواهد داد. اگر به فکر یادگیری هوش مصنوعی هستید و دوست دارید روی آینده خود سرمایه‌گذاری کنید همین الان با استفاده از دوره‌های هوش مصنوعی مکتب خونه اولین و مهم‌ترین قدم خود را در این راستا بردارید. در مکتب خونه انواع دوره آموزش هوش مصنوعی در دسته‌های زیر موجود است. با ثبت نام در دوره و یادگیری آموزش هوش مصنوعی از صفر مدنظر خود می‌توانید اولین قدم خود را در این راستا بردارید و یا اگر از قبل با هوش مصنوعی آشنایی دارید می‌توانید به مجموعه مهارت‌های خود بیفزایید. امروزه به علت کاربردهای گسترده‌ای که هوش مصنوعی در زمینه‌هایی مانند آموزش، بازاریابی، اینترنت اشیا، پزشکی، استارتاپ، بلاکچین و غیره دارد از مهم‌ترین مهارت‌هایی محسوب می‌شود که کاربران روی آن سرمایه‌گذاری می‌کنند. با انواع دوره جامع هوش مصنوعی در مکتب خونه سعی کنید مهارت‌های هوش مصنوعی را برای آینده‌ای بهتر یاد بگیرید فصل اول: مقدمه: 1 - هوش مصنوعی چیست؟ 2 - کاربرد هوش مصنوعی در کارهای روزمره 3 - اشنایی با تولکیت‌های(جعبه ابزار-toolkits) یادگیری ماشین در پایتون 4 - پایتون مقدماتی-بخش اول 5 - پایتون مقدماتی- بخش دوم 6 - پایتون مقدماتی- بخش سوم 7 - پایتون مقدماتی- بخش چهارم 8 - پایتون مقدماتی- بخش پنجم 9 - پایتون مقدماتی- بخش ششم 10 - پایتون مقدماتی- بخش هفتم 11 - کاربردهای هوش مصنوعی در رشته‌های مختلف 12 - آموزش ریاضیات هوش مصنوعی فصل دوم: ریاضیات در هوش مصنوعی: 1 - آمار و احتمال در هوش مصنوعی فصل سوم: مینی پروژه‌های پایتون: 1 - پروژه‌ی اول 2 - پروژه‌ی دوم 3 - پروژه‌ی سوم 4 - پروژه‌ی چهارم 5 - پروژه‌ی پنجم فصل چهارم: یادگیری ماشین با پایتون: 1 - مقدمه‌ای بر Numpy 2 - ایجاد ‌آرایه در Numpy 3 - چاپ آرایه‌ها در Numpy 4 - عملگرها در Numpy 5 - یونیورسال فانکشن ها (universal functions) در Numpy- پارت اول 6 - یونیورسال فانکشن ها (universal functions) در Numpy- پارت دوم 7 - indexing و slicing و iterating در Numpy‌‌ 8 - مبحث shape manipulator در Numpy 9 - ذخیره(stacking) آرایه‌ها در Numpy 10 - شکستن(splitting) آرایه‌ها در Numpy 11 - کپی(copies) و نمایش(views) در Numpy 12 - broadcasting rules در Numpy 13 - جبر خطی در Numpy 14 - رویکردهای مختلف در یادگیری ماشین 15 - مقدمه‌ای بر Scikit-learn 16 - خواندن داده‌ها (dataset) با Scikit-learn 17 - واکشی(fetching) داده‌ها در Scikit-learn 18 - تولید پایگاه داده در Scikit-learn 19 - دیگر روش‌های خواندن پایگاه داده در Scikit-learn 20 - وظایف مهم (tasks) در یادگیری ماشین 21 - مدل‌های خطی در Scikit-learn 22 - رگرسیون خطی(Linear Regression) در Scikit-Learn 23 - SGD Regressor در Scikit-Learn 24 - حل مسئله‌ی SGD Regressor در Scikit-Learn 25 - رگرسیون لاسو (LASSO Regressor) در Scikit-Learn 26 - حل مسئله‌ی LASSO Regressor در Scikit-Learn 27 - Elastic-Net Regressor در Scikit-Learn 28 - حل مسئله‌ی Elastic-Net Regressor در Scikit-Learn 29 - روش‌های گروهی (Ensemble Methods) در Scikit-Learn 30 - حل مسئله‌ با Voting Regressor 31 - Logisitic Regression 32 - حل مسئله‌ با Logisitic Regression 33 - یادگیری مبتنی بر مجرم (Instance-based Learning) 34 - حل مسئله‌ با KNN 35 - یادگیری نظارت نشده و دسته‌بندی (Unsupervised Learning and Clustering) 36 - تعریفی از یادگیری تقویتی و مقایسه‌ی آن با یادگیری نظارت‌شده و نظارت‌نشده 37 - الگوریتم K-means 38 - حل مسئله‌ با الگوریتم K-means 39 - دسته‌بندی سلسله مراتبی (Hierarchical Clustering) 40 - یک نمونه ساده با Agglomerative Clustering 41 - حل مسئله‌ با استفاده از (Gaussian Mixture Model (GMM 42 - نگاهی بر کاهش بعد (Dimensionality Reduction) 43 - الگوریتم تحلیل اجزای اصلی ((Principal Component Analysis (PCA) 44 - حل مسئله‌ با ((Principal Component Analysis (PCA 45 - کاهش بعد با استفاده از LDA 46 - مقایسه PCA با LDA با یک مثال 47 - مقدمه‌ای بر انتخاب مدل و ارزیابی 48 - شکستن پایگاه داده (Dataset Splitting) 49 - معیاهای امتیازدهی 50 - دقت در امتیازدهی 51 - دقت امتیازدهی در Scikit-Learn فصل پنجم: مقدمه‌ای بر Reinforcement Learning: 1 - Exploration و Exploitation در یادگیری تقویتی 2 - مقدار دهی در یادگیری تقویتی و مقایسه رویکرد model-based و model-free 3 - بهینه‌سازی مقادیر در multi-armed (راهزن چند دست) 4 - نگاهی به مبحث (Gaussian Mixture Model (GMM 5 - فرآیند تصمیم‌گیری ماکوف 6 - المان‌های فرآیند تصمیم‌گیری مارکوف 7 - policyهای بهینه در فرآیند تصمیم‌گیری مارکوف 8 - برنامه‌نویسی داینامیک 9 - بهبود policyها در برنامه نویسی پویا 10 - نمونه‌ای از برنامه‌نویسی پویا 11 - روش منت‌کارلو(Monte Carlo) 12 - حالت‌های مختلف منت‌کارلو (Monte Carlo) 13 - مبحث Multi-armed Bandits (راهزن چنددست)

درباره دوره: بیاموزید که هوش مصنوعی چیست، تاریخچه مختصری از این رشته به دست آورید، با انواع روش‌هایی آشنا می‌شوید که با آن هوش مصنوعی زندگی امروز ما را تحت‌تأثیر قرار می‌دهد و امکاناتی را پیشروی ما می‌گذارد. هوش مصنوعی دهه‌هاست که در آگاهی عمومی وجود داشته است، اما هر روز با پیشرفت فناوری‌ها توجه بیشتری را به خود جلب می‌کند به نظر می‌رسد در مورد هوش مصنوعی کنجکاوی و اضطراب به یک اندازه وجود دارد، و بسیاری از مردم در مورد اینکه دقیقاً «هوش مصنوعی» امروز چه معنایی دارد و همه جوانب مثبت و منفی آن سؤالاتی دارند. هدف این دوره از مجموعه دوره‌های آموزش هوش مصنوعی مکتب خونه رمزگشایی از هوش مصنوعی این است که هوش مصنوعی چیست و چگونه کار می‌کند که با شروع از مفاهیم ساده و شناخته شده، و توسعه تدریجی درک روش‌های پیچیده هوش مصنوعی و نحوه استفاده از آن‌ها برای ساخت برنامه‌های قدرتمند در لینکدین است. Souvik Ghosh، مدیر هوش مصنوعی در لینکدین، موضوعاتی مانند سه رکن هوش مصنوعی، یادگیری تحت نظارت و بدون نظارت، رگرسیون خطی، طبقه‌بندی، را پوشش می‌دهد و به موضوعات پیچیده‌تری مانند مدل‌های غیرخطی و شبکه‌های عصبی می‌پردازد. در این دوره آموزشی به Souvik بپیوندید تا تاریخچه مختصری از این رشته، انواع روش‌هایی که هوش مصنوعی زندگی امروز ما را تحت‌تأثیر قرار می‌دهد و احتمالاتی که در پیشرو داریم، به دست آورید. مقدمه: 1 - آکادمی هوش مصنوعی لینکدین - ضرورت درک هوش مصنوعی مقدمه‌ای بر هوش مصنوعی: 1 - هوش مصنوعی چیست؟ 2 - هوش مصنوعی و ماشین لرنینگ 3 - سه ستون الگوریتم های داده اهداف هوش مصنوعی 4 - ساخت اپلیکیشن های واقعی هوش مصنوعی یادگیری تحت نظارت: 1 - یادگیری تحت نظارت در مقابل یادگیری بدون نظارت رگرسیون: 1 - رگرسیون چیست؟ 2 - رگرسیون خطی 3 - رگرسیون خطی چندگانه 4 - بایاس و واریانس 5 - ارزیابی مدل رگرسیون خطی طبقه‌بندی: 1 - طبقه بندی چیست 2 - رگرسیون منطقی 3 - ارزیابی مدل ها و انتخاب بهترین ها مدل‌های غیرخطی: 1 - چرا مدل های خطی کافی نیستند؟ 2 - آغازگر به مدل های غیرخطی درخت تصمیم شبکه های عصبی انجام درست آن: 1 - هدف خود را بدانید داده های خود را بشناسید و به داده ها گوش دهید نتیجه‌گیری: 1 - ادامه با هوش مصنوعی

درباره دوره: هرچه داده‌های بیشتری تولید کنیم، درک همه آن داده‌ها و استخراج بینش معنادار از آن‌ها دشوارتر می‌شود. داده کاوی راه‌حلی برای این موضوع ارائه می‌دهد، راه‌حلی که روش‌های تصمیم‌گیری کسب‌وکارها، کاهش هزینه‌ها و افزایش درآمد را شکل خواهد داد. دوره آموزش داده کاوی با هدف آموزش این ترند در دنیای کامپیوتر و برنامه‌نویسی ارائه شده است و به‌خوبی مفاهیم مربوط به درس داده کاوی را ارائه می‌دهد. دوره آموزش داده کاوی مکتب خونه، در ٢٤ جلسه در قالب محتوای ویدیویی از کلاس دانشگاه اصفهان گردآوری‌شده است. این دوره آموزشی در ٢٥ ساعت به کاربران ارائه می‌شود و در آن مفاهیم داده کاوی پوشش داده خواهد شد. دوره آموزش داده کاوی برای تمامی افرادی که به مفاهیم علم داده، تحلیل داده، متن کاوی، یادگیری ماشین، هوش مصنوعی و غیره علاقه‌مند هستند، مناسب است. به‌صورت کلی این دوره برای افراد زیر توصیه می‌شود. هدف از ارائه آموزش دیتا ماینینگ، آموزش مفاهیم و تکنیک‌های مربوط به داده کاوی به کاربران است. این آموزش یک آموزش کلاس محور است و برای اهداف کاربردی نیز مناسب خواهد بود. داده ‌کاوی (دیتا ماینینگ | data mining) معمولاً به‌عنوان فرآیند استفاده از کامپیوتر و اتوماسیون برای جستجوی مجموعه‌های بزرگی از داده‌ها برای الگوها و روندها، تبدیل آن یافته‌ها به بینش‌ها و پیش‌بینی‌های تجاری تعریف می‌شود. داده کاوی فراتر از فرآیند جستجو است، زیرا از داده‌ها برای ارزیابی احتمالات آینده و توسعه تجزیه‌وتحلیل‌های عملی استفاده می‌کند. دوره آموزش داده کاوی مختص آموزش این ترند است و بیشتر مفاهیمی که در داده کاوی موجود هستند را برای کاربران پوشش می‌دهد. مفهوم داده کاوی قبل از کامپیوترها وجود داشته است. آغاز داستان داده کاوی توسط قضیه بیز در سال 1763 و کشف تحلیل رگرسیون در سال 1805 آغاز شد. از طریق ماشین جهانی تورینگ (1936)، کشف شبکه‌های عصبی (1943)، توسعه پایگاه‌های داده (دهه 1970) و الگوریتم‌های ژنتیک (1975) و کشف دانش در پایگاه‌های داده (1989)، زمینه برای درک مدرن ما از آنچه داده کاوی امروزی است فراهم شد. همچنین بعداً با رشد پردازنده‌های کامپیوتری، ذخیره‌سازی داده‌ها و فناوری در دهه‌های 1990 و 2000، داده‌کاوی نه‌تنها قدرتمندتر، بلکه در انواع موقعیت‌ها نیز پربارتر شد. داده کاوی و یادگیری ماشینی (machine learning) فرآیندهای منحصربه‌فردی هستند که اغلب مترادف در نظر گرفته می‌شوند. با این حال، درحالی‌که هر دو برای تشخیص الگوها در مجموعه داده‌های بزرگ مفید هستند، عملکرد آن‌ها بسیار متفاوت است. داده کاوی فرآیند یافتن الگوها در داده‌ها خواهد بود. زیبایی داده کاوی در این است که با شناسایی پیشگیرانه الگوهای داده غیرشهودی از طریق الگوریتم‌ها (به‌عنوان‌مثال، مصرف‌کنندگانی که شیر می‌خرند به‌احتمال‌زیاد بیسکویت می‌خرند) به سؤالاتی که نمی‌دانستیم بپرسیم، پاسخ دهیم. با این حال، تفسیر این بینش‌ها و کاربرد آن‌ها در تصمیم‌گیری‌های تجاری همچنان نیازمند مشارکت انسانی است. در همین حال، یادگیری ماشینی فرآیندی است که به کامپیوتر یاد می‌دهد تا مانند انسان‌ها یاد بگیرد. با یادگیری ماشینی، کامپیوترها یاد می‌گیرند که چگونه احتمالات را تعیین کرده و بر اساس تجزیه‌وتحلیل داده‌های خود پیش‌بینی کنند. یادگیری ماشین گاهی از داده کاوی به‌عنوان بخشی از فرآیند خود استفاده می‌کند، در نهایت نیازی به دخالت مکرر انسان به‌صورت مداوم ندارد، به‌عنوان نمونه می‌توان از یادگیری عمیق و شبکه عصبی اشاره کرد که از دیتا ماینینگ استفاده می‌کنند. داده کاوی از یک روش کاملاً ساختاریافته و شش مرحله‌ای پیروی می‌کند که به‌عنوان فرآیند استاندارد بین صنعت برای داده کاوی (CRISP-DM) شناخته می‌شود. این فرآیند کار را در مراحل و در صورت لزوم تکرار مراحل را تشویق می‌کند. در واقع، تکرار مراحل اغلب برای توضیح تغییر داده‌ها یا معرفی متغیرهای مختلف ضروری است. در دوره آموزش داده کاوی مراحل و فرایند داده کاوی آموزش داده خواهد شد اما با این حال در زیر به این مراحل اشاره شده است. بیایید نگاهی دقیق‌تر به هر مرحله از CRISP-DM بیندازیم: برای شروع، ابتدا این سؤالات را بپرسید: هدف ما چیست؟ برای حل چه مشکلی تلاش می‌کنیم؟ چه داده‌هایی برای حل آن نیاز داریم؟ بدون درک روشنی از داده‌های مناسب برای استخراج، پروژه می‌تواند خطاها، نتایج نادرست یا نتایجی ایجاد کند که به سؤالات صحیح پاسخ نمی‌دهند. پس از تعیین هدف کلی، داده‌های مناسب باید جمع‌آوری شوند. داده‌ها باید با موضوع مرتبط باشند و معمولاً از منابع مختلفی مانند سوابق فروش، نظرسنجی مشتریان و داده‌های موقعیت جغرافیایی می‌آیند. هدف این مرحله ‌این است که اطمینان حاصل شود که داده‌ها به‌درستی تمام مجموعه داده‌های لازم برای رسیدگی به هدف را در برمی‌گیرند. زمان‌برترین مرحله، مرحله آماده‌سازی، شامل سه مرحله است: استخراج، تبدیل و بارگذاری که به آن ETL نیز گفته می‌شود. ابتدا داده‌ها از منابع مختلف استخراج شده و در یک منطقه مرحله‌بندی سپرده می‌شوند. در مرحله بعد، در مرحله تبدیل: داده‌ها تمیز می‌شوند، مجموعه‌های تهی پر می‌شوند، داده‌های پرت و تکراری حذف می‌شوند، خطاها برطرف می‌شوند و همه داده‌ها به جداول اختصاص می‌یابد. در مرحله آخر، بارگذاری، داده‌های فرمت شده برای استفاده در پایگاه داده بارگذاری می‌شوند. مدل‌سازی داده‌ها به مجموعه داده‌های مربوطه می‌پردازد و بهترین رویکرد و تحلیل‌های آماری و ریاضی را برای پاسخگویی به سؤال‌های هدف در نظر می‌گیرد. تکنیک‌های مدل‌سازی مختلفی مانند طبقه‌بندی، خوشه‌بندی و تحلیل رگرسیون موجود است که در دوره آموزش داده کاوی موردبحث واقع‌شده‌اند. پس از ساخت و آزمایش مدل‌ها، زمان ارزیابی کارایی آن‌ها در پاسخ به سؤالی که در مرحله درک کسب‌وکار شناسایی‌شده است فرا می‌رسد. این یک مرحله انسان‌محور است، زیرا فردی که پروژه را اجرا می‌کند باید تعیین کند که آیا خروجی مدل به‌اندازه کافی اهداف آن‌ها را برآورده می‌کند یا خیر. در غیر این صورت، می‌توان مدل متفاوتی ایجاد کرد یا داده‌های متفاوتی تهیه کرد. هنگامی که مدل data کاوی دقیق و موفق در پاسخ به سؤال عینی تلقی شد، زمان استفاده از آن فرا می‌رسد. استقرار می‌تواند در قالب یک ارائه بصری یا یک گزارش به اشتراک‌گذاری بینش رخ دهد. همچنین می‌تواند به اقداماتی مانند ایجاد یک استراتژی فروش جدید یا اجرای اقدامات کاهش ریسک منجر شود. داده کاوی در شناسایی الگوهای داده و استخراج بینش تجاری مفید از آن الگوها بسیار مفید است. برای انجام این وظایف، متخصصین از تکنیک‌های مختلفی برای تولید نتایج متفاوت استفاده می‌کنند. در اینجا پنج تکنیک رایج داده کاوی آورده شده است که این تکنیک‌ها در دوره آموزش داده کاوی نیز آورده شده‌اند. تکنیک طبقه‌بندی یا کلاس‌بندی، نقاط داده بر اساس یک سؤال یا مشکل خاص به گروه‌ها یا کلاس‌ها اختصاص داده می‌شود که در دوره آموزش دیتا ماینینگ آموزش داده خواهد شد. این تابع به دنبال کشف روابط بین نقاط داده خواه بود. از آن برای تعیین اینکه آیا یک عمل یا متغیر خاص دارای ویژگی‌هایی است که می‌تواند با سایر اقدامات مرتبط باشد استفاده می‌شود. در دوره آموزش داده کاوی مفاهیم مربوط به خوشه‌بندی پوشش داده شده است. علاوه بر جستجوی الگوها، داده کاوی به دنبال کشف داده‌های غیرعادی در یک مجموعه است. تشخیص ناهنجاری فرآیند یافتن داده‌هایی است که با الگو مطابقت ندارند. این فرآیند می‌تواند به یافتن موارد تقلب کمک کند و به خرده‌فروشان کمک کند تا در مورد افزایش یا کاهش فروش محصولات خاص بیشتر بدانند. خوشه‌بندی به دنبال شباهت‌ها در یک مجموعه داده می‌گردد و نقاط داده‌ای را که ویژگی‌های مشترک دارند را به زیرمجموعه‌ها جدا می‌کند. این شبیه به نوع تجزیه‌وتحلیل طبقه‌بندی است که نقاط داده را گروه‌بندی می‌کند، اما در تجزیه‌وتحلیل خوشه‌بندی، داده‌ها به گروه‌های قبلاً تعریف‌شده اختصاص داده نمی‌شوند. خوشه‌بندی برای تعریف صفات در یک مجموعه داده مفید است، مانند تقسیم‌بندی مشتریان بر اساس رفتار خرید، وضعیت نیاز، مرحله زندگی یا ترجیحات احتمالی در ارتباطات بازاریابی. در دوره آموزش داده کاوی مباحث خوشه‌بندی به‌صورت کامل پوشش داده خواهد شد. تجزیه‌وتحلیل رگرسیون در مورد درک این است که کدام عوامل در یک مجموعه داده مهم‌تر هستند، چه عواملی می‌توانند نادیده گرفته شوند و چگونه این عوامل با هم تعامل دارند. با استفاده از این روش، داده‌کاوی‌ها می‌توانند نظریه‌هایی را تأیید کنند. کسب‌وکارها از داده‌کاوی استفاده می‌کنند تا با استفاده از داده‌هایی که در مورد مشتریان، محصولات، فروش و کمپین‌های تبلیغاتی و بازاریابی جمع‌آوری می‌کنند، مزیت رقابتی به خود بدهند. داده کاوی به آن‌ها کمک می‌کند تا عملیات را سریع‌تر کنند، روابط با مشتریان فعلی را بهبود بخشند و مشتریان جدیدی به دست آورند. به‌صورت کلی کاربردهای داده کاوی را می‌توان در موارد زیر خلاصه کرد ولی کاربردها به این موارد خلاصه نمی‌شود. در ابتدایی ترین کاربرد، خرده‌فروشان از تجزیه‌وتحلیل سبد برای تجزیه‌وتحلیل آنچه مصرف‌کنندگان می‌خرند استفاده می‌کنند. این یک شکل از تکنیک تداعی است که به خرده‌فروشان بینشی در مورد عادات خرید می‌دهد و به آن‌ها اجازه می‌دهد خریدهای دیگر را توصیه کنند. پیش‌بینی فروش شکلی از تحلیل پیش‌بینی‌کننده است که کسب‌وکارها بیشتر از بودجه خود را به آن اختصاص می‌دهند. داده کاوی می‌تواند با بررسی داده‌های تاریخی مانند سوابق فروش، شاخص‌های مالی، عادات مخارج مصرف‌کننده، فروش منتسب به یک زمان خاص از سال و روندها، به کسب‌وکارها کمک کند تا فروش را پیش‌بینی کنند و اهداف تعیین کنند. کسب‌وکارها پایگاه‌های داده بزرگی از داده‌های مصرف‌کننده می‌سازند که از آن برای شکل‌دهی و تمرکز تلاش‌های بازاریابی خود استفاده می‌کنند. این کسب‌وکارها به راه‌هایی برای مدیریت و استفاده از این داده‌ها برای توسعه ارتباطات بازاریابی هدفمند و شخصی‌شده نیاز دارند. داده کاوی به کسب‌وکارها کمک می‌کند تا رفتارهای مصرف‌کننده را درک کنند، اطلاعات تماس و سرنخ‌ها را ردیابی کنند و مشتریان بیشتری را در پایگاه‌های داده بازاریابی خود درگیر کنند. داده کاوی می‌تواند اطلاعات به‌روزی را در مورد موجودی محصول، برنامه‌های تحویل و الزامات تولید در اختیار کسب‌وکارها قرار دهد. داده کاوی همچنین می‌تواند به حذف برخی از عدم قطعیت‌های ناشی از مسائل ساده عرضه و تقاضا در زنجیره تأمین کمک کند. سرعتی که داده‌کاوی می‌تواند الگوها را تشخیص دهد و پیش‌بینی‌ها را طراحی کند، به شرکت‌ها کمک می‌کند تا سهام محصول خود را بهتر مدیریت کنند و کارآمدتر عمل کنند. کسب‌وکارها، به‌ویژه خرده‌فروشان، حجم عظیمی از داده‌ها را از طریق برنامه‌های وفاداری تولید می‌کنند. داده کاوی به این کسب‌وکارها اجازه می‌دهد تا از طریق این داده‌ها روابط با مشتری را ایجاد و تقویت کنند. در زیر چند موقعیت برتر که از تکنیک‌های داده کاوی استفاده می‌کنند آورده شده است. مدیران پایگاه داده نقش‌های حیاتی در ذخیره، ایمن‌سازی و بازیابی بالقوه داده‌های یک شرکت ایفا می‌کنند. آن‌ها اطمینان حاصل می‌کنند که تحلیلگران می‌توانند در صورت نیاز به داده‌های مناسب دسترسی داشته باشند. مدیریت پایگاه داده یک زمینه در حال گسترش با پتانسیل حقوق و دستمزد زیادی است. دانشمندان علوم کامپیوتر و اطلاعات فناوری جدید (زبان‌های کامپیوتری، سیستم‌عامل‌ها، نرم‌افزارها و غیره) را در فضایی که به‌سرعت در حال گسترش است طراحی می‌کنند و همیشه در جستجوی ایده‌های جدید هستند. آن‌ها در زمینه‌هایی مانند مالی، فناوری، مراقبت‌های بهداشتی و اکتشاف علمی کار می‌کنند. تحلیلگران تحقیقاتی مطالعات بازاریابی را برای کمک به شرکت‌ها برای هدف قرار دادن مشتریان جدید، افزایش فروش و تعیین پتانسیل فروش محصولات جدید انجام می‌دهند. رشد تجارت الکترونیک باعث رشد در این زمینه می‌شود. معماران شبکه ارتباطات داده یک شرکت را طراحی، می‌سازند و نگهداری می‌کنند که می‌تواند از چند کامپیوتر تا یک مرکز داده بزرگ و مبتنی بر ابر را شامل شود. کارشناسان امنیت دیجیتال تقریباً برای هر سازمانی که نیاز به محافظت از داده‌های حساس و جلوگیری از حملات سایبری دارد ضروری شده‌اند و داده کاوی این پتانسیل را دارد که به آن‌ها کمک کند. به‌صورت کلی در حال حاضر همه شرکت‌های بزرگ و کوچک که مبنی بر فناوری و اینترنت هستند از داده کاوی بهره می‌برند، بنابراین یادگیری داده کاوی با منابع و مراجع آموزشی به‌نوعی ضرورت تبدیل‌شده است. دوره آموزش داده کاوی مکتب خونه نقطه شروع خوبی برای انجام این کار است. فیلم های آموزشی: 1 - جلسه اول - شناخت انواع داده‌ها و ویژگی‌ها 2 - جلسه دوم - انواع ویژگی‌ها و توصیف آماری داده‌ها 3 - جلسه سوم - شناخت داده‌ها (پراکندگی، توزیع نرمال، تحلیل هیستوگرام، اندازه‌گیری شباهت و عدم شباهت داده‌ها) 4 - جلسه چهارم - تکمیل روش‌های شباهت‌سنجی-مصورسازی داده‌ها 5 - جلسه پنجم - عملیات پیش‌پردازش وپاک‌سازی داده‌ها 6 - جلسه ششم - عملیات پیش پردازش- تجمیع داده‌ها (تحلیل همبستگی – تست کای-دو) 7 - جلسه هفتم - روش‌های کاهش داده- (کاهش بعد، تبدیل موجک، تبدیل HAAR) 8 - جلسه هشتم - روش‌های کاهش داده- هیستوگرام، خوشه‌بندی و… 9 - جلسه نهم - انواع روش‌های گسسته‌سازی 10 - جلسه دهم - انباره داده‌ها-شماهای ستاره‌ای، دانه‌برفی تحلیل الگوهای پرتکرار 11 - جلسه یازدهم - ایجاد قوانین انجمنی 12 - جلسه دوازدهم - الگوریتم Apriori 13 - جلسه سیزدهم - افزایش بهره‌وری الگوریتم Apriori و شروع FP-growth 14 - جلسه چهاردهم - الگوریتم Eclat و معیارهای ارزیابی قوانین انجمنی 15 - جلسه پانزدهم - مفاهیم دسته‌بندی داده‌ها 16 - جلسه شانزدهم - درخت تصمیم 17 - جلسه هفدهم - بررسی معیارهای شاخص و هرس درخت تصمیم 18 - جلسه هجدهم - دسته‌بندی بیزین - دسته‌بندی مبتنی بر قانون 19 - جلسه نوزدهم - استخراج قوانین درخت تصمیم 20 - جلسه بیستم - ارزیابی و مقایسه روش‌های دسته‌بندی 21 - جلسه بیست و یکم - Ensemble Methods 22 - جلسه بیست و دوم - روش‌های دسته‌بندی پیشرفته 23 - جلسه بیست و سوم - مفاهیم خوشه‌بندی – k-means 24 - جلسه بیست و چهارم - خوشه‌بندی سلسله‌مراتبی

درباره دوره: طی دهه‌های اخیر، با ظهور یوتیوب، آمازون، نتفلیکس و بسیاری از وب سرویس‌های دیگر، سیستم های پیشنهاد دهنده جایگاه ویژه‌ای در زندگی ما پیدا کرده‌اند. کاربرد این‌گونه سیستم‌ها در خدمات متنوعی از جمله تجارت الکترونیکی، تبلیغات آنلاین و حتی سفرهای آنلاین رومزه غیرقابل انکار است. وقتی یک محصولی را به صورت آنلاین خریداری می‌کنید، ممکن است مقالاتی به شما پیشنهاد داده شود؛ یا حتی وقتی در اینترنت در حال گشت‌وگذار هستید، مطالبی مناسب با شما و طبق ترجیحاتتان برایتان نمایش داده می‌شود. این قبیل موارد که هر روزه با آن‌ها مواجه هستید، با کمک Recommender System ها امکان‌پذیر است. با توجه به اهمیت سامانه‌های پیشنهاد دهنده در دنیای امروز، تصمیم گرفتیم دوره‌ای برای آموزش سیستم توصیه‌گر (Recommender Systems) طراحی کنیم. در این دوره بعد از معرفی این سیستم‌ها به روش ساخت آن‌ها با استفاده از تکنیک‌های مدرن هوش مصنوعی و یادگیری ماشین هم می‌پردازیم. طی این دوره با مقدمات و مفاهیم بازیابی اطلاعات (Information Retrieval) و سامانه‌های توصیه‌گر، لزوم طراحی و استفاده از آن‌ها در وب‌سایت‌ها و اپلیکیشن‌ها و تاثیر این سامانه‌ها بر افزایش نرخ تبدیل (Conversion Rate) در کسب‌وکارهای آنلاین آشنا خواهید شد. پس از آشنایی با این موارد، مدرن‌ترین روش‌ها و متدهای روز دنیا برای پیاده‌سازی سیستم‌های پیشنهاددهنده در پایتون را بررسی خواهیم کرد. دوره آموزش سیستم پیشنهاد دهنده از از مجموعه دوره‌های آموزش هوش مصنوعی و آموزش ماشین لرنینگ مکتب خونه تنها به این مباحث ختم نمی‌شود. مهم‌ترین بخش این دوره، تدریس گام به گام چگونگی پیاده‌سازی سیستم‌های پیشنهاد دهنده در پایتون است. طبق این برنامه آموزشی، شما یاد می‌گیرید که براساس علایق و سوابق جمع‌آوری شده از کاربران، با استفاده از هوش مصنوعی و شبکه‌های عصبی مصنوعی (Artificial Neural Networks) به کاربران خود فیلم پیشنهاد دهید. در این راستا از زبان برنامه‌نویسی Python و فریم‌ورک TensorFlow و Keras استفاده خواهیم کرد. در این دوره آموزشی خواهید توانست از مفاهیم پایه و معرفی سیستم تا استقرار روی سرورهای عملیاتی را قدم به قدم فرا بگیرید. بنابراین اگر قصد آموزش عملی و صفر تا صد پیاده سازی سیستم‌های پیشنهاد دهنده را دارید، دوره آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems) مکتب‌خونه را به شما پیشنهاد می‌دهیم. همان‌طور که اشارده شد سیستم‌های پیشنهاد دهنده یکی از به‌روزترین شیوه‌های ارتقاء کسب‌وکار و جذب مشتری هستند. طبق پژوهش‌های انجام‌شده به طور قطع تا چندین سال آینده، این سیستم‌ها از مهم‌ترین مباحث موجود در کسب‌وکارها و دنیای دیجیتال خواهد بود. بنابراین، دوره آموزشی طراحی و توسعه سیستم‌های پیشنهاد دهنده با هدف آشنایی دانشجویان، برنامه‌نویسان، مهندسان و مدیران کسب‌و‌کارهای آنلاین با سامانه توصیه گر، چگونگی پیاده‌سازی و استفاده از آن‌ها در کسب‌وکارها طراحی شده‌است. بعد از گذراندن این دوره به راحتی می‌توانید با استفاده از هوش مصنوعی و یادگیری ماشین، سیستم های پیشنهاد دهنده امروزی را برای استفاده در صنعت یا کار‌های پژوهشی، پیاده‌سازی و ارزیابی کنید. روش‌های آموزشی استفاده شده در دوره آموزش سیستم‌های پیشنهاد دهنده ویژگی‌های منحصر به فردی دارد که شما را نسبت به نتیجه‌ی نهایی حاصل از فراگیری دوره مطمئن خواهد کرد. این ویژگی‌ها به شرح ذیل است: به طور کلی، سیستم های توصیه گر یا سیستم های پیشنهاد دهنده الگوریتم‌هایی هستند که هدف آن‌ها پیشنهاد دادن موارد مرتبط با کاربران است. پیشنهاد فیلم برای تماشا، متن برای خواندن، محصول برای خرید یا هرچیز دیگری از جمله این موارد هستند. بسته به صنعتی که در آن فعالیت دارید، می‌توانید از سیستم پیشنهاد دهنده برای جذب مخاطب استفاده کنید. پیاده‌سازی سیستم‌های پیشنهاد دهنده در بعضی از صنایع واقعا حیاتی هستند؛ چرا که اگر کارایی لازم و کافی را داشته باشند، درآمد قابل توجهی را برایتان به ارمغان خواهند آورد. برای اثبات اهمیت این موضوع می‌توانیم به Netflix اشاره کنیم. این شرکت حاضر است برای ده درصد بهبود در سامانه توصیه گر فیلم خود مبلغ یک میلیون دلار بپردازد! سیستم‌های پیشنهاد دهنده از دو منظر دسته‌بندی می‌شوند؛ تقسیم‌بندی محصولی و تقسیم‌بندی الگوریتمی. تقسیم‌بندی محصولی ریکامندر سیستم‌ها شامل دو دسته آیتم‌محور و کاربرمحور است. توصیه‌هایی که در دسته آیتم‌محور به کاربر داده می‌شود، برای یک آیتم خاص است. در این حالت اگر وارد صفحه‌ای از یک سایت شوید، یک مطلب در ارتباط با عنوان همان صفحه به شما نمایش داده می‌شود. سیستم‌های پیشنهاد دهنده کاربرمحور براساس سلیقه کاربر پیشنهاد ارائه می‌دهند. مثلا اگر یک برنامه‌نویس پایتون باشید و وارد یک سایت شوید، مطلبی در ارتباط با پایتون به شما نمایش داده خواهد شد. این سیستم‌ها را از منظر الگوریتم و دیتای ورودی هم می‌توان به دو دسته محتوا محور و بازدید محور تقسیم می‌کنند. در دسته محتوا محور، سامانه توصیه گر محتوای آیتم‌ها را تحلیل کرده و نزدیک‌ترین مطلب یا محصول را نمایش می‌دهد. ریکامندر سیستم‌های بازدید محور بدون توجه به محتوای آیتم‌ها، از دیتای بازدید کاربران سایت استفاده می‌کند. مثلا در یک سایت، سامانه پیشنهاد دهنده بین دو کاربر شباهت پیدا کرده و یک محصول را به هردوی آن‌ها پیشنهاد می‌دهد. سیستم‌های پیشنهاد دهنده در پایتون از روش‌های مختلفی می‌توانند به علایق کاربران دست یابند و آن‌ها را پیش‌بینی کنند. آن‌ها از ماتریس‌هایی برای شناسایی رابطه بین موجودیت آیتم و کاربران استفاده می‌کنند. علاوه‌براین، سیستم‌های پیشنهاد دهنده برای استخراج ویژگی‌های خاص هر کاربر از یادگیری عمیق بهره می‌گیرند. شبکه‌های عصبی عمیق نقش چشم‌گیری در پردازش متن، تشخیص گفتار، پیش‌بینی در حوزه‌های مختلف و غیره دارند. از این ویژگی‌ها می‌توان در پیاده سازی سیستم‌های پیشنهاد دهنده به خوبی استفاده کرد. آموزش ساخت سیستم های توصیه گر یکی از آموزش‌های مهم و پرکاربرد برای طراحی بخش پیشنهادات در وب سایت‌ها است. در آموزش ساخت سیستم های پیشنهاد دهنده، با استفاده از هوش مصنوعی و یادگیری ماشین و هم‌چنین زبان‌های برنامه نویسی نظیر پایتون، به ارائه‌ی پیشنهادات متنوع و کاربردی به کاربران می‌پردازیم. عمدتاً گزینه‌های این پیشنهادات از روی رفتار کاربر و یا مجموعه‌ی کاربران و تعاملات با آن‌ها، ایجاد می‌شود. سیستم توصیه گر یا Recommendation systems (که با اسامی دیگری مانند سیستم پیشنهادگر، ریکامندر و یا پیشنهاد دهنده نیز شناخته می‌شود) یک نوع سیستم نرم افزاری برای پیشنهاد دادن اقلام مختلف در یک زمینه‌ی خاص به کاربر است. حتماً در فروشگاه‌های اینترنتی و وب‌سایت‌های ارائه‌دهنده‌ی محتوا، با این موضوع برخورده‌اید که در صفحه‌ی معرفی یک محصول، اقلام دیگر نیز به شما پیشنهاد می‌شود. مثلاً در یک وب سایت تماشای فیلم، ممکن است دیگر فیلم‌های آن کارگردان یا ژانرهای مشابه به شما توصیه شود. این موضوع، توسط یک سیستم توصیه گر انجام می‌شود. به‌طور کلی، سیستم های پیشنهاد دهنده دارای سه زیرگروه هستند که عبارتند از: این نوع سیستم‌های پیشنهاد دهنده، از تعاملات کاربر برای پیشنهاد کردن یک کالا به وی استفاده می‌کنند. به این صورت که علاقه‌مندی تمام کاربران به کالاهای مختلف، تحت ارزیابی قرار می‌گیرد. مثلاً اگر کاربر «الف»، کالای x را پسندیده و کاربر «ب» به کالاهای x و y علاقه‌مند است؛ می‌تواند کالای y را به کاربر «الف» پیشنهاد دهد. این سیستم‌ها، پیشنهاد را با استفاده از پروفایل کاربر و ویژگی‌های اقلام انتخابی وی، ارائه می‌دهند. این سیستم در نظر می‌گیرد که چون کاربر قبلاً به چنین کالایی علاقه‌مند بوده، پس احتمال دارد تا مجدد نیز علاقه‌مندی وی به کالاهای پیشنهاد شده، برقرار شود. این نوع از سیستم های پیشنهاد کننده، ترکیبی از روش‌های قبلی را ارائه می‌دهد. معمولاً خروجی این سیستم‌ها دقت بالاتری نسبت به دیگر انواع Recommendation systems خواهد داشت. دسته‌بندی دیگری نیز برای این سیستم‌ها پیشنهاد شده است که طبق آن، ریکامندرها از انواع فیلترینگ مشارکتی (Collaborative filtering) و یا فیلترینگ هیبریدی خواهند بود. ریکامندرها، کاربردهای زیادی دارند که در صنایع مختلف برای کاربران و ارائه‌دهندگان کالا یا خدمات، ایده‌آل و مفید خواهد بود. یکی از مهم‌ترین بخش‌های هر وب سایت فروشگاهی، سیستم ریکامندر آن است. کاربران همیشه علاقه دارند تا در خصوص خرید بهترین گزینه، راهنمایی شوند. طوری که آن‌ها بتوانند کالاهای هم‌سان را با یکدیگر مقایسه کرده و راحت‌تر و سریع‌تر برای خرید آن، تصمیم‌گیری نمایند. در فهرست زیر، مهم‌ترین مزایای این سیستم‌ها نشان داده شده است. •      جست‌وجو در میان محصولات سایت recommendation systems، ساده‌تر انجام می‌شود. •      سیستم‌های توصیه گر، سبب سهولت در تصمیم‌گیری و انتخاب خواهند شد. •      سیستم‌های پیشنهاد دهنده به ارائه‌دهندگان کمک می‌کنند تا فروش خود را افزایش داده و به درآمد بالاتری برسند. •      سیستم‌های پیشنهادگر، بستر بهتری برای مقایسه‌ی کالاها و خدمات ایجاد می‌کنند. تمام این مزایا و قابلیت‌ها، سبب می‌شوند تا طراحی و پیاده‌سازی این سیستم‌ها اهمیت زیادی داشته و کاربرد سیستم های توصیه گر در حرفه‌های ارائه دهنده‌ی کالا یا خدمت، دیده شود. در نتیجه، با آموزش‌های ساخت سیستم‌های ریکامندر، می‌توانیم این نیازها را پاسخگو باشیم. آموزش ساخت سیستم‌های ریکامندر کمک می‌کند تا با استفاده از هوش مصنوعی و یادگیری ماشین، با ساختار Recommendation systems آشنا شده و مهارت پیاده‌سازی آن را به‌دست آورید. برای این منظور، شما می‌توانید از کتاب سیستم های توصیه گر و یا دوره‌های آموزشی متعدد استفاده کنید. در آموزش ساخت سیستم های توصیه گر، شما از زبان برنامه نویسی پایتون و فریمورک‌های تنسورفلو یا keras استفاده خواهید کرد. هم‌چنین شما برای پیاده سازی این سیستم‌ها به هوش مصنوعی و گراف شبکه‌های عصبی مصنوعی نیاز دارید. خلاصه این‌که گام به گام صفر تا صد طراحی سیستم‌های توصیه کننده، در این آموزش‌ها گنجانده می‌شود. به‌طور کلی دوره‌ی آموزش ساخت پروژه سیستم های توصیه گر، به تمام آن دسته از برنامه نویسان و علاقه‌مندانی توصیه می‌شود که به پیاده‌سازی سیستم‌های جذاب مبتنی بر هوش مصنوعی علاقه دارند. هم‌چنین اگر شما جزو آن دسته از مدیران دلسوزی هستید که برای رشد و پیشرفت کسب و کارتان، تلاش زیادی را به خرج می‌دهید، می‌توانید از این دوره‌ی آموزشی بهره‌مند شوید. در دوره‌ی آموزش ساخت سیستم های پیشنهادگر، از زبان برنامه نویسی پایتون (python) استفاده می‌شود. لذا برای این‌که بتوانید مباحث آموزشی این دوره را درک کنید، می‌بایست تسلط خوبی روی زبان پایتون و دستورات آن داشته باشید. شما می‌توانید از دوره‌های آموزش پایتون مکتب خونه برای تسلط روی این زبان برنامه نویسی استفاده کنید. انتظار می‌رود با کتابخانه‌های رایج پایتون آشنا باشید. چراکه در این آموزش‌ها، از کتابخانه‌های متعددی نظیر tensorFlow استفاده شده است. کار با این کتابخانه را می‌توانید از طریق دوره‌های آموزش تنسورفلو مکتب خونه، یاد بگیرید. هم‌چنین برای مباحث حرفه‌ای‌تر در آموزش ساخت سیستم پیشنهاد دهنده، شما نیاز به یادگیری کامل این کتابخانه و موضوع یادگیری عمیق خواهید داشت. موضوع دیگر در ساخت سیستم های ریکامندر، اهمیت هوش مصنوعی و یادگیری ماشین است. توصیه می‌کنیم از دوره‌های آموزش یادگیری ماشین مکتب خونه برای آشنایی مقدماتی با مفاهیم ML و هوش مصنوعی استفاده کنید. آن‌چه در این دوره‌ی آموزشی، مد نظر قرار می‌گیرد؛ در مباحث زیر قابل بررسی خواهد بود. •      مقدمه‌ای بر سیستم‌های پیشنهاد دهنده •      بارگذاری داده‌ها با استفاده از کتابخانه‌ی TFDS •      پیش پردازش ویژگی‌ها با استفاده از Keras Preprocessing Layers •      ساخت یک مدل بازیابی اطلاعات (Retrieval Task) •      جست‌وجوی نزدیک‌ترین همسایگی (K-nearest Neighbors) •      ساخت یک مدل رتبه‌بندی (Ranking Task) •      استقرار مدل هوش مصنوعی با استفاده از TF Serving •      پروژه‌ی عملی دوره‌ی آموزشی مذکور در ۲۷ ساعت ویدیویی طراحی و تدوین شده است. از این مدت زمان، ۶ ساعت آموزش و ۲۱ ساعت به تمرینات عملی و پروژه اختصاص دارد. بازه‌ی زمانی نهایی، با توجه به تسلط کاربر روی مفاهیم پیش نیاز و سرعت عمل وی، قابل محاسبه خواهد بود. برای این‌که بتوانید سیستم های توصیه گر را طراحی و پیاده‌سازی کنید، می‌توانید از آموزش‌های موجود در مکتب خونه استفاده نمایید. شما می‌توانید تمام موارد پیش نیاز ساخت این سیستم‌ها را در میان دوره‌های مکتب خونه جست‌وجو کرده و دنبال نمایید. بعد از تسلط کامل بر روی مفاهیم پیش نیاز، استفاده از آموزش ساخت سیستم‌های پیشنهاد دهنده به شما کمک می‌کند تا صفر تا صد Recommendation systems را پیاده‌سازی کنید. آموزش ساخت سیستم های پیشنهاد دهنده به شما نشان می‌دهد که چطوری می‌توان سیستمی را برای پیشنهاد دیگر کالاها و خدمات به کاربران ارائه دهیم. از آموزش ساخت سیستم های توصیه گر، برای پیاده‌سازی این بخش در وب سایت‌ها و فروشگاه‌های اینترنتی استفاده می‌شود. در مکتب خونه انواع دوره آموزش برنامه نویسی، آموزش پایتون، آموزش هوش مصنوعی، آموزش دیتاساینس و آموزش یادگیری ماشین به عنوان مکمل و پیش نیاز این دوره موجود است. فصل اول: مقدمه‌ای بر سیستم‌های پیشنهاد دهنده: 1 - سامانه پیشنهاد دهنده (Recommender System) چیست؟! 2 - کوییز سیستم‌های پیشنهاد دهنده 3 - مراحل مختلف (Taskها) در یک سامانه پیشنهاد دهنده 4 - کوییز مراحل مختلف در یک سیستم پیشنهاد دهنده 5 - روش‌های فیلتر کردن اقلام برای پیشنهاددهی 6 - کوییز روش‌های فیلتر کردن اقلام برای پیشنهاد دهی 7 - نمایش (Representation) ویژگی‌های آشکار و نهان کاربران و اقلام به الگوریتم‌های یادگیری ماشین 8 - کوییز نمایش (Representation) ویژگی‌های آشکار و نهان کاربران و اقلام به الگوریتم‌های یادگیری ماشین 9 - معرفی دیتاست MovieLens 10 - کوییز معرفی دیتاست MovieLens فصل دوم: بارگذاری داده‌ها با استفاده از کتابخانه TFDS: 1 - معرفی کتابخانه Tensor Flow Datasets 2 - کوییز معرفی کتابخانه Tensor Flow Datasets 3 - بارگذاری دیتاست MovieLens 4 - کوییز بارگذاری دیتاست MovieLens 5 - بررسی و نمایش داده‌ها در قالب Pandas DataFrame 6 - کوییز بررسی و نمایش داده‌ها در قالب Pandas DataFrame 7 - انتخاب ویژگی‌ها (Feature Selection) 8 - کوییز انتخاب ویژگی‌ها (Feature Selection) 9 - جداسازی دیتاست آموزش (Train) و آزمایش (Test) 10 - کوییز جداسازی دیتاست آموزش (Train) و آزمایش (Test) فصل سوم: پیش‌پردازش ویژگی‌ها با استفاده از Keras Preprocessing Layers: 1 - پیش‌پردازش داده‌های انواع ویژگی‌ها و ساخت مدل‌های End-to-End 2 - کوییز پیش‌پردازش داده‌های انواع ویژگی‌ها و ساخت مدل‌های End-to-End 3 - نرمال‌سازی داده‌های یک ویژگی عددی (Numerical) 4 - کوییز نرمال‌سازی داده‌های یک ویژگی عددی (Numerical) 5 - پیش‌پردازش ویژگی‌های دسته‌ای (Categorical) مانند "شناسه کاربر" و تبدیل آن‌ها به بردار Embedding 6 - کوییز پیش‌پردازش ویژگی‌های دسته‌ای (Categorical) مانند "شناسه کاربر" و تبدیل آن‌ها به بردار Embedding 7 - به‌دست آوردن بردار Embedding برای ویژگی "شناسه فیلم" 8 - کوییز به‌دست آوردن بردار Embedding برای ویژگی "شناسه فیلم" 9 - پیش‌پردازش ویژگی‌های متنی (Textual) با تکنیک‌های پردازش زبان طبیعی (NLP) 10 - کوییز پیش‌پردازش ویژگی‌های متنی (Textual) با تکنیک‌های پردازش زبان طبیعی (NLP) 11 - مدلی برای نمایش Query ها و Candidate ها در شبکه عصبی دو برجی (Two-Tower Neural Networks) 12 - کوییز مدلی برای نمایش Query ها و Candidate ها در شبکه عصبی دو برجی (Two-Tower Neural Networks) فصل چهارم: ساخت یک مدل بازیابی اطلاعات (Retrieval Task): 1 - استفاده از ویژگی‌های جانبی (Side Features) برای غلبه بر مشکل Cold Start 2 - کوییز استفاده از ویژگی‌های جانبی (Side Features) برای غلبه بر مشکل Cold Start 3 - مقدمه‌ای بر Retrieval Task 4 - کوییز مقدمه‌ای بر Retrieval Task 5 - استفاده ضمنی (Implicit) از دیتاست MovieLens برای انجام تسک بازیابی اطلاعات 6 - کوییز استفاده ضمنی (Implicit) از دیتاست MovieLens برای انجام تسک بازیابی اطلاعات 7 - معرفی کتابخانه TensorFlow Recommenders 8 - کوییز معرفی کتابخانه TensorFlow Recommenders 9 - پیاده‌سازی لایه Retrieval با استفاده از کتابخانه TFRS 10 - پیاده‌سازی لایه Retrieval با استفاده از کتابخانه TFRS 11 - ساخت مدل Retrieval دو برجی با استفاده از کتابخانه TFRS 12 - کوییز ساخت مدل Retrieval دو برجی با استفاده از کتابخانه TFRS 13 - آموزش (Fit) و ارزیابی (Evaluation) مدل بازیابی اطلاعات با استفاده از توابع Keras 14 - کوییز آموزش (Fit) و ارزیابی (Evaluation) مدل بازیابی اطلاعات با استفاده از توابع Keras 15 - رسم نمودار تغییرات خطا (Loss) هنگام آموزش مدل با استفاده از کتابخانه Matplotlib 16 - کوییز رسم نمودار تغییرات خطا (Loss) هنگام آموزش مدل با استفاده از کتابخانه Matplotlib فصل پنجم: جستجوی نزدیک‌ترین همسایگی‌ها (K-nearest Neighbors): 1 - جستجوی KNN به صورت Brute-force 2 - کوییز جستجوی KNN به صورت Brute-force 3 - جستجوی KNN به صورت تقریبی با استفاده از کتابخانه Google ScaNN 4 - کوییز جستجوی KNN به صورت تقریبی با استفاده از کتابخانه Google ScaNN 5 - ذخیره مدل آموزش‌دیده در محیط Google Colab و انتقال آن به Google Drive 6 - کوییز ذخیره مدل آموزش‌دیده در محیط Google Colab و انتقال آن به Google Drive فصل ششم: ساخت یک مدل رتبه‌بندی (Ranking Task): 1 - مقدمه‌ای بر تسک Ranking 2 - کوییز مقدمه‌ای بر تسک Ranking 3 - پیاده‌سازی مدل Ranking با استفاده از کتابخانه TFRS 4 - کوییز پیاده‌سازی مدل Ranking با استفاده از کتابخانه TFRS 5 - آموزش (Fit) و ارزیابی (Evaluation) مدل رتبه‌بندی با استفاده از توابع Keras فصل هفتم: استقرار مدل هوش مصنوعی با استفاده از TF Serving: 1 - آشنایی با داکر و TensorFlow Serving برای استقرار یک مدل یادگیری ماشین روی سرور عملیاتی 2 - کوییز آشنایی با داکر و TensorFlow Serving برای استقرار یک مدل یادگیری ماشین روی سرور عملیاتی 3 - اجرای TensorFlow Serving روی سرور لینوکس و ارسال درخواست HTTP برای دریافت لیست اقلام پیشنهادی 4 - کوییز اجرای TensorFlow Serving روی سرور لینوکس و ارسال درخواست HTTP برای دریافت لیست اقلام پیشنهادی فصل هشتم: پروژه پایانی: 1 - پروژه پایانی

درباره دوره: آینده‌ی کار با عصر هوش مصنوعی مولد همراه شده و برخوردهای مشترک زیاد هستن. در واقع، بعضی‌ها استدلال می‌کنن که ما در یکی از مهم‌ترین لحظات تاریخ بشریت زندگی می‌کنیم. به گفته‌ی بیل گیتس، عصر هوش مصنوعی آغاز شده و هوش مصنوعی مولد مهم‌ترین پیشرفت فناوری در 40 سال گذشته‌ست. به گفته‌ی مک‌کینزی، «نوآوری‌هایی که هوش مصنوعی مولد می‌تونه برای کسب‌وکارها در هر اندازه و سطوحی از مهارت‌های فن‌آوری ایجاد کنه، واقعا هیجان‌انگیزه، با کاربردهایی در بازاریابی، فروش، عملیات، ریسک، فناوری اطلاعات و حتی منابع انسانی». چندین شرکت مانند مورگان استنلی، پی‌دابلیوسی، استرایپ و سیلزفورس از هوش مصنوعی مولد برای کارآمدتر کردن فرآیندهای کاری استفاده می‌کنن. این تقاطع، این لحظه قابلیت بازتعریف ماهیت کار و دگرگونی سازمان‌ها رو در هر سطحی داره. این پتانسیل نه تنها بازتعریف شیوه‌ی کار، بلکه بازگشایی سطوح نمایی از بهره‌وری، رشد و نوآوری رو نیز به همراه داره. از اونجایی که سازمان‌ها با چالش‌ها، عدم قطعیت‌ها و فرصت‌های این دهه مواجه هستن، هوش مصنوعی مولد می‌تونه به ایجاد چابکی، پاسخگویی و نوآوری مورد نیاز برای هدایت آینده‌ای که در پیش روی ماست کمک کنه. همونطور که هوش مصنوعی مولد رشد می‌کنه و پیچیده‌تر می‌شه، در حال ظاهر شدن به‌عنوان یک دارایی استراتژیک قدرتمند و ضروری برای سازمان‌هاست. استفاده از پتانسیل هوش مصنوعی مولد و سرمایه‌گذاری از پتانسیلی که ارائه می‌ده، محرک مهمی از مزیت رقابتی برای سازمان‌های امروز و آینده خواهد بود. الان زمان این رسیده که گفتگو  درباره‌ی نقشی که منابع انسانی در تقاطع هوش مصنوعی مولد و آینده‌ی کار ایفا می کنن رو آغاز کنیم که این دوره آموزشی از مجموعه دوره‌های آموزش هوش مصنوعی مکتب خونه، مختص این کار است. مقدمه: 1 - هوش مصنوعی مولد و تغییر منابع انسانی سرعت دادن به منابع انسانی با هوش مصنوعی مولد: 1 - آینده‌ی کار و عصر هوش مصنوعی 2 - هوش مصنوعی مولد به منابع انسانی سرعت، تحویل و قدرت می‌بخشه اعمال هوش مصنوعی مولد در منابع انسانی: 1 - جذب استعداد و حضور 2 - رهبری و توسعه‌ی کارمندی 3 - تنوع، شمول و برابری 4 - تجربه‌ی کارمندان 5 - توسعه‌ی سیاست‌های منابع انسانی آماده‌سازی نیروی کار برای هوش مصنوعی مولد: 1 - ارزیابی آمادگی سازمانی 2 - ایجاد آگاهی و تسلط نسبت به هوش‌ مصنوعی‌ مواد 3 - ایجاد موارد استفاده 4 - شناسایی حفره‌های مهارتی 5 - آموزش و آزمایش اولیه ملاحظات قانونی و آینده‌‌ی هوش مصنوعی مولد: 1 - مسئولیت‌های قانونی و اخلاقی 2 - آینده‌ی هوش مصنوعی و مشاغل اختتامیه: 1 - ادامه‌ی ماجراجویی در هوش مصنوعی در منابع انسانی

درباره دوره: در دوره آموزش مقدماتی یادگیری ماشین در پروداکشن با زیرنویس اختصاصی از مکتب‌خونه، شما اجزای مختلف را شناسایی کرده و یک سیستم تولید ML را به صورت سرتاسر طراحی می‌کنید: محدوده پروژه، نیازهای داده، استراتژی‌های مدل‌سازی و محدودیت‌ها و الزامات استقرار. همچنین یاد خواهید گرفت که چگونه یک خط پایه مدل ایجاد کنید، گذار مفهوم و فرآیند توسعه، استقرار و بهبود مستمر یک برنامه کاربردی ML تولیدی را نمونه‌سازی کنید. درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال یک شغل موثر در حوزه هوش مصنوعی هستید، به مهارت مهندسی تولید نیز نیاز دارید. مهندسی یادگیری ماشین برای تولید، مفاهیم اساسی یادگیری ماشین را با تخصص عملکردی توسعه نرم‌افزار مدرن و نقش‌های مهندسی ترکیب می‌کند تا به شما در توسعه مهارت‌های Production-Ready کمک کند. برای شروع یک دوره آموزش مقدماتی یادگیری ماشین در پروداکشن، مهم است که ابتدا با مفاهیم اصلی و پایه‌ای یادگیری ماشین آشنا شوید. در این دوره، شما با الگوریتم‌های یادگیری ماشین، از جمله نظارتی و بدون نظارت آشنا خواهید شد و یاد می‌گیرید چگونه داده‌ها را برای آموزش مدل‌ها پیش‌پردازش کنید. یادگیری ماشین چیست؟ استفاده از یادگیری ماشین در پروداکشن می‌تواند مزایای قابل‌توجهی داشته باشد. نخست، افزایش بهره‌وری و کارایی است؛ مدل‌های یادگیری ماشین می‌توانند داده‌های بزرگ را تجزیه‌وتحلیل کنند و به‌سرعت تصمیم‌گیری‌های دقیق ارائه دهند. دوم، اتوماسیون فرایندها؛ این مدل‌ها قادرند فرایندهای تکراری را اتوماتیک کرده و از نیروی انسانی برای وظایف پیچیده‌تر و خلاقانه‌تر استفاده کنند. سوم، بهبود تجربه مشتری؛ یادگیری ماشین می‌تواند به شناسایی الگوها و نیازهای مشتریان کمک کرده و خدمات شخصی‌سازی شده ارائه دهد که این امر منجر به افزایش رضایت مشتری می‌شود. در نهایت، نوآوری و توسعه محصول؛ داده‌های به‌دست‌آمده از یادگیری ماشین می‌توانند درک بهتری از بازار فراهم آورده و به توسعه محصولات و خدمات جدید کمک کنند. این مزایا نشان می‌دهند که چرا یادگیری ماشین در پروداکشن به یک ابزار کلیدی در دنیای تکنولوژی و کسب‌وکار تبدیل شده است. دوره ماشین لرنینگ، راهنمای اساسی شما برای ورود به این فضاست. ضمن آن آموزش رایگان یادگیری ماشین با پایتون، یکی از اصلی‌ترین و پر جستجو ترین مباحث در این زمینه است. پس از آن، تمرکز دوره بر روی استقرار مدل‌ها در محیط‌های تولید است که شامل معماری سیستم‌های یادگیری ماشین، انتخاب پلتفرم‌ها و ابزارهای مناسب برای استقرار، و نحوه مدیریت وابستگی‌ها و مشکلات مقیاس‌پذیری است. علاوه بر این، شما با مفاهیم اصلی نظارت بر عملکرد مدل در محیط‌های واقعی و روش‌های بهبود مداوم مدل‌ها پس از استقرار آنها آشنا خواهید شد. همچنین، مباحثی درباره تقسیم داده‌ها به داده‌های آموزش، آزمایش و اعتبارسنجی پوشش داده می‌شود. یادگیری ماشین در پروداکشن به معنای استفاده از الگوریتم‌ها و مدل‌های یادگیری ماشینی در محیط‌های عملیاتی و تولیدی است. این فرایند، از جمع‌آوری داده‌ها و آموزش مدل‌ها تا استفاده از آن‌ها برای انجام وظایف و پردازش‌های مختلف در محیط‌های واقعی، از جمله سرویس‌های آنلاین، دستگاه‌های هوشمند، یا سیستم‌های تولیدی، را شامل می‌شود. در این روند Machine learning، داده‌ها به طور مداوم جمع‌آوری می‌شوند و مدل‌ها به‌روزرسانی می‌شوند تا با تغییرات محیط و نیازهای کاربران همگام شوند. این روند نه‌تنها نیازمند داشتن مدل‌های دقیق و کارآمد است، بلکه به مدیریت داده‌ها، نگهداری مدل‌ها، و ارتباط مستمر با تیم‌های مهندسی و توسعه نیز نیاز دارد. در آموزش مقدماتی یادگیری ماشین برای استفاده در محیط‌های تولید (پروداکشن)، مباحث مختلفی مورد بررسی قرار می‌گیرند. این مباحث در آموزش یادگیری ماشین با پایتون به‌طورکلی به دودسته تقسیم می‌شوند: فنی و مدیریتی. مدل‌سازی و ارزیابی: 1.     آموزش داده‌ها: انتخاب و پیش‌پردازش داده‌ها برای آموزش مدل. 2.     ساخت مدل‌های یادگیری ماشین: انتخاب الگوریتم‌های مناسب برای مسئله موردنظر. 3.     ارزیابی مدل: استفاده از معیارهای عملکردی برای سنجش کیفیت مدل‌ها. مدیریت داده‌ها: 1.     برخورد با داده‌های بزرگ: مدیریت حجم زیاد داده‌ها و استفاده از ابزارهای مناسب مانند Hadoop یا Spark. 2.     تمیزکاری داده: اطمینان از دقت و کیفیت داده‌ها قبل از آموزش مدل. بهینه‌سازی مدل: 1.     تنظیم پارامترها: بهینه‌سازی تنظیمات مدل برای بهبود عملکرد. 2.     انتخاب ویژگی‌ها: انتخاب داده‌ها و ویژگی‌هایی که بیشترین تأثیر را بر پیش‌بینی دارند. عملیاتی‌سازی مدل (MLOps): 1.     دیپلوی مدل‌ها: استراتژی‌های برای به‌کارگیری مدل‌ها در محیط‌های تولید. 2.     نظارت و مانیتورینگ: رصد عملکرد مدل در زمان واقعی و اطمینان از پایداری و کارایی مدل. 3.     به‌روزرسانی مدل‌ها: ارزیابی مدل‌ها و اعمال تغییرات لازم بر اساس داده‌های جدید. امنیت و حریم خصوصی: 1.     حفاظت از داده‌ها: اطمینان از امنیت داده‌ها و رعایت قوانین حفاظت از داده‌ها مانند GDPR. 2.     اخلاق در یادگیری ماشین: توجه به مسائل اخلاقی در استفاده از مدل‌های یادگیری ماشین. افرادی که به دوره آموزش مقدماتی یادگیری ماشین در پروداکشن نیاز دارند عمدتاً شامل چندین گروه مختلف هستند: 1. توسعه‌دهندگان نرم‌افزار: توسعه‌دهندگانی که قصد دارند مهارت‌های خود را در زمینه یادگیری ماشین توسعه دهند و بتوانند مدل‌های یادگیری ماشین را در محصولات نرم‌افزاری خود ادغام کنند. 2. تحلیلگران داده و دانشمندان داده: این افراد که قبلاً با تحلیل داده‌ها آشنایی دارند، می‌توانند از یادگیری ماشین برای بهبود تحلیل‌های خود و ایجاد مدل‌های پیش‌بینی دقیق‌تر استفاده کنند. 3. مهندسین یادگیری ماشین: مهندسینی که به تازگی وارد این حوزه شده‌اند یا آن‌هایی که می‌خواهند دانش فنی خود را در زمینه به‌کارگیری مدل‌های یادگیری ماشین در محیط‌های واقعی و پروداکشن افزایش دهند. 4. مدیران پروژه و مدیران محصول: این افراد باید درک کافی از فناوری‌های یادگیری ماشین داشته باشند تا بتوانند تصمیمات آگاهانه‌ای در مورد ادغام این تکنولوژی‌ها در محصولات و خدمات شرکت خود بگیرند. 5. استارتاپ‌ها و کارآفرینان: کسانی که در حال راه‌اندازی یک کسب‌وکار جدید هستند و می‌خواهند از قدرت یادگیری ماشین برای ایجاد مزیت رقابتی استفاده کنند. دوره‌های مقدماتی به این افراد کمک می‌کنند تا با مفاهیم اصلی یادگیری ماشین و نحوه پیاده‌سازی آن‌ها در محیط‌های واقعی آشنا شوند. این آموزش‌ها معمولاً شامل مواردی مانند پردازش داده‌ها، ساخت مدل‌ها، آزمایش و توسعه مدل‌ها در محیط پروداکشن می‌شود. آموزش مقدماتی ماشین لرنینگ در محیط‌های تولیدی و پروداکشن کاربردهای گسترده‌ای دارد که می‌توانند به بهبود کارایی، کاهش هزینه‌ها و افزایش کیفیت محصولات کمک کنند. این کاربردها نمونه‌هایی از چگونگی استفاده از یادگیری ماشین در پروداکشن هستند که می‌توانند به شرکت‌ها کمک کنند تا کارایی خود را افزایش دهند و درعین‌حال هزینه‌ها را کاهش دهند. مدل‌های یادگیری ماشین می‌توانند با تجزیه‌وتحلیل داده‌های تاریخی فروش، ترندهای مصرفی و داده‌های بازار، به پیش‌بینی تقاضای آینده برای محصولات کمک کنند. این اطلاعات به شرکت‌ها امکان می‌دهد تا موجودی خود را بهتر مدیریت کنند و برنامه‌ریزی تولید خود را بهینه‌سازی نمایند. با استفاده از کتاب یادگیری می‌توان تجهیزات و محصولات را به‌صورت مداوم نظارت کرد و کیفیت تولید را در زمان واقعی ارزیابی نمود. این فناوری می‌تواند عیوب را به‌سرعت شناسایی کند و به کاهش هزینه‌های مرتبط با مرجوعی‌ها و تعمیرات کمک کند. مدل‌های یادگیری ماشین می‌توانند در شناسایی الگوهای پنهان در داده‌های تولیدی و پیشنهاد راه‌حل‌هایی برای بهبود فرآیندها کمک کنند. این بهینه‌سازی می‌تواند شامل کاهش زمان توقف ماشین‌آلات، افزایش بهره‌وری و کاهش مصرف انرژی باشد. با تجزیه‌وتحلیل داده‌های سنسورهای تجهیزات، مدل‌های یادگیری ماشین می‌توانند زمان‌های بالقوه خرابی را پیش‌بینی کنند و به شرکت‌ها امکان می‌دهند تعمیرات را قبل از وقوع خرابی انجام دهند. این کار به کاهش زمان تعطیلی و افزایش عمر مفید تجهیزات کمک می‌کند. در خطوط تولید، روبات‌ها و سیستم‌های خودکار می‌توانند با استفاده از الگوریتم‌های یادگیری ماشین برای انجام دقیق‌تر و سریع‌تر فعالیت‌ها به کار روند. این فناوری‌ها می‌توانند به افزایش سرعت تولید و کاهش خطاهای انسانی کمک کنند. آموزش یادگیری ماشین در محیط پروداکشن در دنیای مکتب خونه، یک فرآیند چالش‌برانگیز و حیاتی است که نیازمند توجه دقیق به جزئیات و اجرای موثر است. در این فرآیند، مدل‌های یادگیری ماشین که پیش‌تر در محیط آزمایشی آموزش داده شده‌اند، باید به طور صحیح و با کیفیت به محیط پروداکشن منتقل شوند. ابتدا، لازم است که داده‌های ورودی مدل در محیط پروداکشن بررسی شوند تا اطمینان حاصل شود که دقیق و کامل هستند. سپس، معماری مدل و پارامترهای آن باید با دقت مورد بررسی قرار گیرند تا اطمینان حاصل شود که مدل به‌درستی عمل می‌کند و بهینه‌سازی‌های لازم انجام شده‌اند. ضمن آن، لازم است که روند نگهداری و به‌روزرسانی مدل‌ها در محیط پروداکشن مشخص شود تا همیشه از بهترین عملکرد ممکن برخوردار باشیم. این شامل نظارت مداوم بر عملکرد مدل، اعمال به‌روزرسانی‌های لازم به مدل بر اساس داده‌های جدید، و ارزیابی دقیق نتایج و خطاها است. در نهایت، برای اطمینان از پایداری و عملکرد مدل‌ها در محیط پروداکشن، استفاده از تکنولوژی‌های مانیتورینگ و لاگ‌گیری لازم است تا هرگونه مشکلات و نقاط ضعف به‌سرعت شناسایی و رفع شوند. ·        بهبود دقت در پیش‌بینی تقاضا ·        افزایش کیفیت محصول ·        کاهش هزینه‌های تولید ·        بهینه‌سازی فرآیندهای تولید ·        کاهش زمان توقف تجهیزات ·        پیشگیری از خرابی‌ها و تعمیرات گران‌قیمت ·        افزایش بهره‌وری کارکنان ·        خودکارسازی و بهبود عملکرد روباتیک ·        کاهش خطاهای انسانی ·        افزایش سرعت تولید از مزایای فراگیری این دوره در سری آموزش‌های زبان ماشین و ماشین لرنینگ مکتب خونه است! بسته به این که آموزش مقدماتی یادگیری ماشین را در چه پلتفرمی می‌گذرانید، ممکن است با سرفصل‌های مختلفی مواجه شوید. اما هوش مصنوعی دنیای گسترده‌ای دارد و در مکتب خونه، دوره‌ای که ارائه می‌گردد دارای تمامی زیر و بوم‌های سطح مقدماتی آن برای کسانی است که قصد ورود به این فضا را دارند: 1.     تعریف مسئله و تجمیع داده‌ها: 2.     پیش‌پردازش داده‌ها: 3.     انتخاب مدل: 4.     آموزش مدل: 5.     ارزیابی مدل: 6.     بهینه‌سازی مدل: 7.     استقرار مدل: 8.     پایش و نگهداری: این دوره به فراگیران کمک می‌کند تا با اطمینان بیشتری به توسعه و پیاده‌سازی راهکارهای پیشرفته یادگیری ماشین در محیط‌های پروداکشن بپردازند، ضمن اینکه درکی جامع از چالش‌ها و موانع را به دست می‌آورند که این امر در نهایت به بهبود و افزایش کارایی و اثربخشی تجاری منجر می‌شود. مخاطبین دوره یادگیری ماشین در محیط پروداکشن (Production) معمولاً شامل طیف وسیعی از علاقه‌مندان به حوزه‌های کامپیوتر و یادگیری زبان ماشین خواهد شد. آن‌ها را می‌توان در این گروه‌ها دسته‌بندی کرد: 1. توسعه‌دهندگان نرم‌افزار: این افراد به دنبال دانش و مهارت‌هایی هستند که لازم است تا مدل‌های یادگیری ماشین را در برنامه‌ها و سیستم‌های نرم‌افزاری ادغام کنند. 2. مهندسین داده: این گروه بر روی زیرساخت‌های مدیریت داده‌ها، پیکربندی و بهینه‌سازی پایگاه‌های داده برای عملیات یادگیری ماشین تمرکز دارند. 3. متخصصان یادگیری ماشین: این افراد که دارای دانش پیشرفته در مدل‌های یادگیری ماشین هستند، به دنبال بهبود و بهینه‌سازی مدل‌ها برای کاربردهای واقعی هستند. 4. مدیران پروژه و محصول: آن‌ها مسئولیت نظارت بر توسعه و پیاده‌سازی پروژه‌های یادگیری ماشین را دارند و به دنبال فهم بهتری از چگونگی ادغام فناوری‌های یادگیری ماشین در محصولات و خدمات هستند. 5. تحلیلگران کسب‌وکار: این گروه از متخصصان که به دنبال درک تأثیرات یادگیری ماشین بر روی تجارت و تصمیم‌گیری‌های استراتژیک هستند. 6. متخصصان امنیت سایبری: این افراد به کاربرد یادگیری ماشین در تشخیص و مقابله با تهدیدات سایبری علاقه‌مند هستند. دوره آموزش مقدماتی یادگیری ماشین به این افراد کمک می‌کنند تا درک بهتری از پیاده‌سازی، نگهداری و بهینه‌سازی مدل‌های یادگیری ماشین در محیط‌های پروداکشن به دست آورند و بتوانند با چالش‌های واقعی که در این محیط‌ها وجود دارد بهتر مقابله کنند. در دنیای امروز که تکنولوژی به‌سرعت در حال تغییر و پیشرفت است، داشتن دانش عمیق و کاربردی از یادگیری ماشین در محیط‌های واقعی و تولیدی می‌تواند تفاوت قابل‌توجهی در موفقیت پروژه‌ها و نوآوری‌ها ایجاد کند. این دوره‌ها معمولاً مهارت‌هایی مانند ادغام مدل‌ها با زیرساخت‌های موجود، مدیریت داده‌ها، نظارت و بهینه‌سازی عملکرد مدل‌ها در زمان واقعی را آموزش می‌دهند. طی‌کردن کامل‌ترین دوره یادگیری ماشین در محیط پروداکشن برای هر کسی که در این حوزه فعال است از اهمیت بالایی برخوردار است. همچنین، فراگیری نحوه مدیریت و حل مسائل مرتبط با امنیت، حریم خصوصی داده‌ها و مقیاس‌پذیری از جنبه‌های دیگری است که در چنین دوره‌ای پوشش داده می‌شود. اگر به دنبال کامل‌ترین و دقیق‌ترین آموزش مقدماتی یادگیری ماشین در پروداکشن هستید، لازم است که تمامی سرفصل‌های یک دوره را بررسی کنید. در مکتب خونه، این دوره با تمامی جزئیات و اطلاعات فنی، در دسترس شماست. همچنین در مکتب خونه انواع دوره آموزش برنامه نویسی، آموزش پایتون، آموزش هوش مصنوعی و آموزش ماشین لرنینگ به عنوان مکمل و پیش نیاز این دوره موجود است. مروری بر چرخه حیات و استقرار ML: 1 - خوش‌آمدگویی 2 - مراحل یک پروژه ML 3 - مطالعه موردی: تشخیص گفتار 4 - طرح کلی دوره 5 - چالش‌های اصلی 6 - الگوهای استقرار 7 - نظارت 8 - نظارت بر pipeline انتخاب و آموزش یک مدل: 1 - نمای کلی مدلسازی 2 - چالش‌های اصلی 3 - چرا میانگین خطای پایین به اندازه کافی خوب نیست؟ 4 - ایجاد یک خط پایه 5 - نکاتی برای شروع 6 - مثال تجزیه و تحلیل خطا 7 - اولویت‌بندی 8 - مجموعه داده‌های منحرف 9 - حسابرسی عملکرد 10 - توسعه هوش مصنوعی داده محور 11 - تصویر مفیدی از افزایش داده‌ها 12 - افزایش داده‌ها 13 - آیا افزودن داده‌ها می‌تواند ضرر داشته باشد؟ 14 - افزودن امکانات 15 - ردیابی آزمایشی 16 - از داده‌های بزرگ تا داده‌های خوب تعریف داده و خط مبنا: 1 - چرا تعریف داده سخت است؟ 2 - نمونه‌های بیشتر ابهام لیبل 3 - انواع عمده مشکلات داده 4 - داده‌های کوچک و سازگاری لیبل 5 - بهبود ثبات لیبل 6 - عملکرد سطح انسانی (HLP) 7 - افزایش HLP 8 - به دست آوردن داده‌ها 9 - سلسله داده 10 - متا داده، منشأ داده و اصل و نسب 11 - تقسیم‌های متوازن آموزش/dev/تست 12 - محدوده‌بندی چیست؟ 13 - فرآیند محدوده 14 - دقت در امکان‌سنجی و ارزش 15 - اهتمام به سنجش 16 - نقاط عطف و منابع

درباره دوره: دوره "Analyze Data to Answer Questions" پنجمین دوره در گواهینامه تحلیل داده گوگل است. در این دوره، شما به عمق تحلیل داده‌ها پرداخته و دانش تئوری خود را به کاربرد عملی تبدیل خواهید کرد. با استفاده از تکنیک‌های مختلف، آنچه که در دوره‌های قبلی آموخته‌اید را به کار می‌گیرید تا به درک و تحلیل داده‌های جمع‌آوری شده بپردازید. دوره شامل سازماندهی و فرمت‌دهی داده‌ها با استفاده از ابزارهایی مانند صفحات گسترده و SQL است که به شما امکان می‌دهد داده‌های خود را از زوایای مختلف مشاهده و تفسیر کنید. همچنین یاد خواهید گرفت که چگونه محاسبات پیچیده‌ای را برای دستیابی به اهداف کسب‌وکار انجام دهید، با استفاده از فرمول‌ها، توابع و کوئری‌های SQL در طول تحلیل. این دوره توسط تحلیل‌گران داده فعلی گوگل تدریس می‌شود که تجربیات عملی را با بهترین ابزارها و منابع برای انجام وظایف رایج تحلیل داده ارائه می‌دهند. با اتمام این برنامه گواهینامه، یادگیرندگان برای درخواست شغل‌های مقدماتی به‌عنوان تحلیل‌گر داده آماده خواهند بود، بدون نیاز به تجربه قبلی. تا پایان این دوره، یادگیرندگان توانایی سازماندهی داده‌ها برای تحلیل و درک فرایندهای فرمت‌دهی و تنظیم داده‌ها را خواهند داشت. آنها روش‌های تجمیع داده‌ها در صفحات گسترده و با استفاده از SQL را کاوش خواهند کرد و یاد خواهند گرفت که چگونه با استفاده از فرمول‌ها و توابع در صفحات گسترده محاسبات داده‌ای را انجام دهند. علاوه بر این، یادگیرندگان مهارت‌های لازم برای انجام محاسبات با استفاده از کوئری‌های SQL را به دست خواهند آورد که آنها را با ابزارهای اساسی برای یک کار موفق در زمینه تحلیل داده مجهز می‌کند. سازماندهی داده‌ها برای تحلیل مؤثرتر: 1 - مقدمه‌ای بر سازماندهی 2 - فرآیند تحلیل 3 - آیانا: پایبندی به آن 4 - همیشه نیاز به سازماندهی 5 - فیلتر کردن داده‌ها با SQL 6 - مرتب‌سازی داده‌ها در spreadsheets 7 - استفاده از تابع SORT در صفحات گسترده 8 - اما: سفری به سوی یک شغل معنادار 9 - مرتب‌سازی داده‌ها با SQL فرمت‌دهی و تنظیم داده‌ها: 1 - شروع با فرمت‌دهی داده‌ها 2 - از یک نوع به نوع دیگر 3 - اعتبارسنجی داده‌ها 4 - فرمت‌دهی شرطی 5 - ادغام رشته‌های متنی برای کسب بینش 6 - رشته‌ها در spreadsheets 7 - وقتی که گیر می‌کنید 8 - لیلا: همه چیز درباره مرحله تحلیل 9 - مواجه شدن با چالش‌ها؟ نگران نباشید! 10 - چه زمانی از کدام ابزار استفاده کنیم تجمیع داده‌ها برای تحلیل: 1 - تجمیع داده‌ها برای تحلیل 2 - آماده‌سازی برای VLOOKUP 3 - VLOOKUP در عمل 4 - شناسایی و رفع خطاهای رایج VLOOKUP 5 - بررسی نحوه کار JOINs 6 - کوئری‌های درون کوئری 7 - استفاده از زیرکوئری‌ها برای تجمیع داده‌ها 8 - جاستین: تحلیل داده‌ها شما را به کجا می‌برد انجام محاسبات داده‌ها: 1 - محاسبات داده‌ها 2 - فرمول‌های محاسبات رایج 3 - توابع و شرایط 4 - توابع مرکب 5 - شروع کار با جداول محوری 6 - ادامه جداول محوری 7 - کوئری‌ها و محاسبات 8 - درج محاسبات ساده با SQL 9 - محاسبات با دستورات دیگر 10 - بررسی و بازبینی 11 - جداول موقت 12 - تنوع در چند جدول 13 - تبریک! جمع‌بندی دوره

درباره دوره: پایتون به معنی اژدهاست . شاید انتخاب این اسم برای این زبان برنامه نویسی بی ربط نباشد چراکه یکی از قدرتمند ترین نرم افزارهای صنعتی ویرایش متن محسوب میشود . با کمک پایتون میتوان از کارهای ساده ریاضی تا پیچیده ترین عملیات کنترل متن مانند مرورگرهای داینامیک و اتوماسیون را انجام دهید. ویژگی دیگر این زبان برنامه نویسی سادگی آن است که امکان یادگیری برای همگان را فراهم میکند.  توجه داشته باشید که این درس از مجموعه دوره‌های آموزش برنامه نویسی مکتب خونه آموزش با پایتون 2 است. همچنین در مکتب خونه انواع دوره آموزش پایتون به عنوان مکمل و پیش نیاز این دوره نیز موجود است. فیلم های آموزشی: 1 - جلسه ۱ - آموزش مقدماتی Python - Installing Python 2 - جلسه ۲ - آموزش مقدماتی Python - Numbers and Math 3 - جلسه ۳ - آموزش مقدماتی Python - Variables 4 - جلسه ۴ - آموزش مقدماتی Python - Modules and Functions 5 - جلسه ۵ - آموزش مقدماتی Python - How to Save Your Programs 6 - جلسه ۶ - آموزش مقدماتی Python - Strings 7 - جلسه ۷ - آموزش مقدماتی Python - More on Strings 8 - جلسه ۸ - آموزش مقدماتی Python - Raw Input 9 - جلسه ۹ - آموزش مقدماتی Python - Sequences and Lists 10 - جلسه ۱۰ - آموزش مقدماتی Python - Slicing 11 - جلسه ۱۱ - آموزش مقدماتی Python - Editing Sequences 12 - جلسه ۱۲ - آموزش مقدماتی Python - More List Functions 13 - جلسه ۱۳ - آموزش مقدماتی Python - Slicing Lists 14 - جلسه ۱۴ - آموزش مقدماتی Python - Intro to Methods 15 - جلسه ۱۵ - آموزش مقدماتی Python - More Methods 16 - جلسه ۱۶ - آموزش مقدماتی Python - Sort and Tuples 17 - جلسه ۱۷ - آموزش مقدماتی Python - Strings n Stuff 18 - جلسه ۱۸ - آموزش مقدماتی Python - Cool String Methods 19 - جلسه ۱۹ - آموزش مقدماتی Python - Dictionary 20 - جلسه ۲۰ - آموزش مقدماتی Python - If Statement 21 - جلسه ۲۱ - آموزش مقدماتی Python - else and elif 22 - جلسه ۲۲ - آموزش مقدماتی Python - Nesting Statements 23 - جلسه ۲۳ - آموزش مقدماتی Python - Comparison Operators 24 - جلسه ۲۴ - آموزش مقدماتی Python - And and Or 25 - جلسه ۲۵ - آموزش مقدماتی Python - For and While Loops 26 - جلسه ۲۶ - آموزش مقدماتی Python - Infinite Loops and Break 27 - جلسه ۲۷ - آموزش مقدماتی Python - Building Functions 28 - جلسه ۲۸ - آموزش مقدماتی Python - Default Parameters 29 - جلسه ۲۹ - آموزش مقدماتی Python - Multiple Parameters 30 - جلسه ۳۰ - آموزش مقدماتی Python - Parameter Types 31 - جلسه ۳۱ - آموزش مقدماتی Python - Tuples as Parameters 32 - جلسه ۳۲ - آموزش مقدماتی Python - Object Oriented Program 33 - جلسه ۳۳ - آموزش مقدماتی Python - Classes and Self 34 - جلسه ۳۴ - آموزش مقدماتی Python - Subclasses Superclasses 35 - جلسه ۳۵ - آموزش مقدماتی Python - Overwrite Variable on Sub 36 - جلسه ۳۶ - آموزش مقدماتی Python - Multiple Parent Classes 37 - جلسه ۳۷ - آموزش مقدماتی Python - Constructors 38 - جلسه ۳۸ - آموزش مقدماتی Python - Import Modules 39 - جلسه ۳۹ - آموزش مقدماتی Python - reload Modules 40 - جلسه ۴۰ - آموزش مقدماتی Python - Getting Module Info 41 - جلسه ۴۱ - آموزش مقدماتی Python - Working with Files 42 - جلسه ۴۲ - آموزش مقدماتی Python - Reading and Writing 43 - جلسه ۴۳ - آموزش مقدماتی Python - Writing Lines

درباره دوره: از اولین افرادی باشید که به سراغ موج جدید در طراحی دیجیتال، یعنی ادغام هوش مصنوعی در نرم افزارهای Adobe می روند. به دوره آموزش Adobe Firefly از از مجموعه دوره‌های آموزش هوش مصنوعی مکتب خونه خوش آمدید! این فرصت شماست تا در دنیای هیجان انگیز هوش مصنوعی مولد – Generative AI، کاوش کنید و بر ابزارهای هوش مصنوعی مولد تازه راه‌اندازی شده ادوبی فایرفلای، مسلط شوید. مجموعه‌ای که مرزهای خلاقیت و بهره‌وری را باز تعریف خواهد کرد. این دوره برای هر کسی که به دنبال آشنایی، راحتی و در نهایت تسلط بر ابزارهای هوش مصنوعی مولد ادوبی است، طراحی شده است. دوره را با آشنایی یافتن با هوش مصنوعی مولد و مهندسی پرامپت آغاز می‌کنیم. در ادامه تمامی ابزارهای هوش مصنوعی مولد ادوبی فایرفلای را هم در مرورگر و هم در نرم افزارهای ادوبی مانند فتوشاپ و ایلاستریتور بررسی خواهیم کرد. پس از اتمام دوره، به درک جامعی از ابزارهای هوش مصنوعی مولد ادوبی فایرفلای خواهید رسید. شما این دانش را خواهید داشت که تشخیص دهید با این ابزارهای نوآورانه چه چیزی ممکن و چه چیزی ممکن نیست و به شما این قدرت را می‌دهد که از پتانسیل کامل آن‌ها در پروژه‌های خلاقانه شخصی یا حرفه‌ای خود استفاده کنید. آموزش ادوبی فایرفلای جزو مطالب مربوط به مبحث هوش مصنوعی و یادگیری ماشین است. این هوش مصنوعی توانایی تولید محتوای منحصر به فرد را دارد. تولید سریع و آسان متن و تصویر از قابلیت‌های ویژه‌ی این هوش مصنوعی به‌شمار می‌آید. اگر شما نیز به کار با هوش مصنوعی یا تولید محتوا علاقه‌مند هستید، خوب است تا آموزش Adobe Firefly را دنبال کنید. اگر از کاربران رایانه و گرافیک باشید، قطعاً نام کمپانی ادوبی (Adobe) به‌گوشتان خورده است. این کمپانی معروف، با ساخت نرم افزارهای حرفه‌ای و قدرتمند خود، انجام بسیاری از کارها را برایمان ساده‌تر کرده است. برنامه‌هایی مانند فتوشاپ (Photoshop) یا Adobe stock از جمله مشهورترین نرم افزارهای این کمپانی قدرتمند به شمار می‌آید. کمپانی ادوبی، نرم افزار جدید خود را با نام هوش مصنوعی firefly ai معرفی و روانه‌ی بازار کرده است. این نرم افزار امکانات فوق‌العاده و پیشرفته‌ای را در دلِ خود دارد که می‌تواند بدون دخالت انسان، کارهایی از جمله ادیت تصویر، ساخت لوگو، طراحی تصاویر به‌صورت سه‌بعدی و غیره را انجام دهد. خلاصه‌ این‌که Adobe Firefly نیز مانند دیگر هوش مصنوعی‌ها، با قصد سهولت انجام کار برای انسان‌ها کاربرد دارد. در حال حاضر،‌نسخه‌ی بتای این برنامه به‌صورت رایگان در اختیار علاقه‌مندان قرار گرفته است. این نرم افزار می‌تواند رقیبی مانند دیگر ابزارهای هوش مصنوعی (نظیر چت جی پی تی و غیره) باشد. ادوبی به کاربران خود اجازه می‌دهد تا با چالش‌های مختلف برنامه‌ی فایرفلای ارتباط بگیرند. شما می‌توانید با نصب این ابزار روی برنامه‌ی فتوشاپ، از قابلیت‌ها و امکانات بی‌نظیر آن بهره‌مند شوید. این ابزار به کار آن دسته از گرافیست‌هایی می‌آید که به دنبال روشی ساده و سریع برای پیاده‌سازی طرح‌های خلاقانه‌ی خود هستند. هوش مصنوعی adobe firefly امکانات بسیار زیادی دارد. در فهرست زیر، برخی از معرفی‌ترین ویژگی‌ها و امکانات این ابزار را نشان داده‌ایم. •      Adobe Firefly امکان کار گروهی و تیمی روی یک پروژه را می‌دهد. •      همکاران در یک پروژه با استفاده از Adobe Firefly قادر خواهند بود تا نظرات خود را به اشتراک بگذارند. •      شما می‌توانید تصاویر مختلفی را با Adobe Firefly خلق کنید. •      شما قادر خواهید بود تا در Adobe Firefly تصاویر خود را ویرایش کنید. •      Adobe Firefly با دیگر برنامه‌های ادوبی مانند فتوشاپ و creative cloud ادغام می‌شود. •      قابلیت generative fill در این برنامه، اجازه می‌دهد تا بک گراند تصویر را ادیت کنید. •      این هوش مصنوعی، برای تبدیل نوشته به عکس کاربرد دارد. این قابلیت در داستان‌نویسی بسیار کاربردی است. •      ادوبی فایر فلای می‌تواند به متن شما جلوه‌های بصری و افکت‌های فوق‌العاده‌ای بدهد. •      در فایرفلای، امکان بافت‌دهی به متن و طراحی لوگو وجود دارد. •      فایرفلای می‌تواند تصویر یا متن شما را رنگ‌آمیزی کند. •      امکان خلق تصاویر سه بعدی با این نرم افزار وجود دارد. •      شما می‌توانید یک متن توصیفی دقیق بنویسید تا ابزار Firefly، تصویر آن را بسازد. •      برنامه‌ی Firefly masterclass فایر فلای امکان پیاده‌سازی انیمیشن و گرافیک‌های قوی را ارائه می‌دهد. یکی از ویژگی‌های مهم Firefly، قابلیت generative fill در آن است. این ویژگی سبب می‌شود تا کاربر بتواند به سادگی یک کلیک، بخشی از بک گراند تصویر را حذف کند. در دنیای طراحی و گرافیک، این قابلیت بسیار کاربردی است. از سوی دیگر نبودِ این ابزار، سبب می‌شود تا این کار دشوار بوده و با سرعت کم‌تری انجام شود. شما با استفاده از قابلیت generative fill در هوش مصنوعی فایرفلای قادر هستید تا تصویر را به‌صورت لایه‌ای ایجاد کرده و لایه‌هایی از متن، سایه، نور و غیره روی آن به‌وجود آورید. این کار می‌تواند در خلق تصاویر جدید و خاص، کمک کننده باشد. در حال حاضر نسخه‌ی بتای این برنامه به‌صورت رایگان در اختیار هر فردی قرار می‌گیرد. شما می‌توانید با ثبت نام در وب سایت ادوبی، به این نسخه دسترسی داشته باشید. با این حال این احتمال می‌رود که در آینده، برای استفاده از این ابزار هوش مصنوعی، نیاز به پرداخت هزینه و خرید اشتراک داشته باشید. اگر در حوزه‌ی کامپیوتر فعالیت داشته باشید، می‌دانید که به‌روز بودن، حرف اول در موفقیت شما را می‌زند. بنابراین با حضور هوش مصنوعی در این عرصه، نیاز دارید تا ابزارهای مختلف آن را بشناسید و شیوه‌ی کار با آن‌ها را فرا بگیرید. به‌خصوص یادگیری انواع ابزارهای معروف و به‌نام هوش مصنوعی مانند Adobe Firefly، برای پیشبرد اهداف اهمیت ویژه‌ای خواهد داشت. آموزش Adobe Firefly به شما کمک می‌کند تا چیزهای واقعی و منحصربه‌فرد تولید کنید. البته نکته‌ی مهم برای کار با این نرم افزار، در آن است که شما سرعت عمل و سهولت کار فراوانی را تجربه خواهید کرد. این‌همه قدرت و امکانات برای کار با یک نرم افزار، یادگیری آن را الزامی می‌نماید. آموزش ادوبی فایر فلای به تمام آن دسته از افرادی که به هوش مصنوعی (AI) و کارهای حوزه‌ی گرافیک علاقه‌مند هستند، توصیه می‌شود. هر کسی که دوست دارد تا به ابزارهای هوش مصنوعی تسلط بیش‌تری داشته باشد و بتواند کارهای حرفه‌ای خود را ساده‌تر پیش ببرد، می‌تواند از این آموزش‌ها استفاده کند. طراحان، گرافیست‌ها، تایپوگراف‌ها، عکاسان، بلاگرها و غیره از عمده‌ی مخاطبین این دوره‌های آموزشی به‌حساب می‌آیند. برای آموزش ادوبی فایر فلای داشتن هیچ‌گونه پیش نیازی، الزامی نیست. تنها سواد رایانه‌ای در سطح عادی، کفایت می‌کند. البته ناگفته نماند که اگر با حوزه‌ی گرافیک آشنا بوده یا تجربه‌ی کار با نرم‌افزارهایی نظیر فتوشاپ را داشته باشید، بهتر می‌توانید از مطالب آموزشی، بهره برده و از آن استفاده کنید. لازم به ذکر است که روش‌ها و تکنیک‌های لازم برای کار با ابزارهای این هوش مصنوعی در این آموزش ارائه می‌شود. کمی خلاقیت و حوصله به شما کمک می‌کند تا طرح‌های فوق‌العاده‌ای را با ادوبی فایرفلای بسازید. برای دسترسی به نسخه‌ی بتای این برنامه، شما می‌توانید از طریق سایت آن اقدام کنید. در ادامه، مراحل دسترسی به این هوش مصنوعی ذکر شده است. * نکته: برای کار با این هوش مصنوعی، شما به برنامه‌ی قدرتمند فتوشاپ نیاز خواهید داشت. بنابراین توصیه می‌کنیم تا در ابتدا برای دانلود و نصب فتوشاپ روی سیستم مورد نظر خود اقدام نمایید. •      برای استفاده از این برنامه‌ی قدرتمند، باید وارد سایت ادوبی فایر فلای به نشانه‌ی https://firefly.adobe.com/denied.html شوید. در حال حاضر این دسترسی برای کاربران ایران محدود شده است. شما باید از طریق تغییر IP خود، به وب‌سایت وارد شوید. •      بعد از ورود به سایت، شما نیاز دارید تا یک اکانت و حساب کاربری برای ادوبی بسازید. از گزینه‌ی بالای صفحه، استفاده کرده و اکانت مورد نظر خود را بسازید. شما باید درخواست استفاده از نسخه‌ی بتای این نرم افزا را ارائه دهید. تأیید نهایی از طریق ایمیل انجام می‌شود. * نکته: شما می‌توانید از طریق همین صفحه اطلاعات بیش‌تری در رابطه با این ابزار هوش مصنوعی ادوبی و ویژگی‌های آن به‌دست آورید. •      بعد از ایجاد دسترسی خود در سایت ادوبی، شما باید به دانلود نرم افزار adobe firefly بپردازید. شما می‌توانید دانلود هوش مصنوعی ادوبی را برای دستگاه‌های مختلفی مانند گوشی همراه خود انجام دهید. برای این کار نیاز دارید تا از دانلود برنامه adobe firefly برای اندروید استفاده کنید. •      بعد از دانلود برنامه، نوبت به نصب آن می‌رسد. نصب Adobe firefly مانند دیگر برنامه‌های ادوبی است و پیچیدگی خاصی ندارد. •      اکنون شما می‌توانید وارد فتوشاپ شوید و از هوش مصنوعی فایر فلای ai استفاده کنید. * توصیه می‌کنیم برای آن‌که توان استفاده از تمام قابلیت‌ها و امکانات هوش مصنوعی فایر فلای را داشته باشید، آموزش فایر فلای را دنبال کنید. در این دوره‌ی آموزشی، معرفی و طرز کار با قابلیت‌های مهم و کاربردی این برنامه، پوشش‌دهی شده است. این دوره‌ی آموزشی شما را برای کار با سایت هوش مصنوعی adobe firefly آماده می‌کند. شما با ابزارهای مختلف این برنامه آشنا شده و قدرت استفاده از آن برای خلق پروژه‌های خلاقانه‌ی خود را به‌دست خواهید آورد. کسب این مهارت در زمینه‌ی طراحی و گرافیک، به شما کمک می‌کند تا با استفاده از تکنولوژی، طراحی‌های قوی‌تر، خلاقانه و بی‌نظیری را انجام دهید. در این دوره‌ی آموزشی شما با هوش مصنوعی مولد نیز آشنا شده و با برنامه‌ی adobe firefly به عنوان یکی از این ابزارها، کار می‌کنید. درک چیستی، چگونگی و نحوه‌ی استفاده از هوش مصنوعی مولد کمک شایانی برای تسلط شما بر کار با ابزارهای ادوب فایرفلای خواهد داشت. این برنامه شامل یک رابط ساده و کاربر پسند است که سه جزء اصلی دارد. ناحیه‌ی مرکزی، همان محلی است که شما می‌توانید تصویر نهایی را مشاهده کنید. نوار پایینی در این برنامه برای تایپ و وارد کردن دستورات در نظر گرفته شده است. هم‌چنین شما از طریق نوار سمت راست می‌توانید ابزارهای مختلف را برای تنظیمات روی تصویر استفاده کنید. کار با این هوش مصنوعی، چندان پیچیده نیست. شما از طریق متن دقیق، می‌توانید توصیف دلخواه خود از تصویر مورد نظر را ارائه دهید. به عنوان مثال می‌توانید بگویید که عکس با چه ابعادی، چه شرایط صحنه‌ای، چه نور پردازی و غیره می‌خواهید. هم‌چنین می‌توانید سوژه‌های مورد نظر خود در تصویر را توصیف کنید. بعد از توصیفات دقیق، هوش مصنوعی فایرفلای اقدام به تولید تصاویر مختلف می‌کند. شما می‌توانید این تصاویر را ویرایش کنید تا به ذهنیت خود نزدیک‌تر کنید. آن‌چه در این دوره‌ی آموزشی مطرح می‌شود در دو عنوان کلی قابل بحث است. عناوین این سرفصل‌ها عبارتند از: •      مقدمه‌ی هوش مصنوعی مولد (Generative ai) •      معرفی ابزارهای فایرفلای (Adobe Firefly) پیرو این سرفصل‌های مطرح شده، شما با موضوعات مختلفی آشنا می‌شوید. مثلاً می‌فهمید که هوش مصنوعی مولد چیست، چطور کار می‌کند و با انواع آن آشنا خواهید شد. هم‌چنین یاد می‌گیرید که چطور از هوش مصنوعی Adobe Firefly برای تبدیل متن به تصویر، ایجاد افکت‌های متنی و تایپوگرافی، تغییر رنگ تصاویر، رنگ‌آمیزی آن‌ها و غیره استفاده کنید. دوره‌ی آموزشی مذکور در مکتب خونه، در یک ویدیوی یک ساعت و نیم، تدوین شده است. این ویدیو، مباحث کافی برای آموزش این برنامه را پوشش‌دهی کرده است. البته شما نیاز به صرف زمان بیش‌تری برای حل تمارین عملی جهت تسلط بر محتوای آموزشی خواهید داشت. روی هم رفته، شما در کم‌تر از چند روز، به مفاهیم این آموزش تسلط خوبی پیدا می‌کنید. به‌طور کلی کار با برنامه‌های هوش مصنوعی پیچیدگی خاصی ندارد. این نرم افزارها برای سهولت کار کاربران طراحی شده‌اند و دشواری رابط کاربری با اهداف آن‌ها متناقض خواهد بود. البته که برای تسلط روی تمام ابزارها و ویژگی‌های این برنامه‌ها، شما نیاز به گذراندن دوره‌های آموزشی خواهید داشت. به‌علاوه این‌که تمارین و تکرار بیش‌تر سبب می‌شود تا ذهن و دست شما با کارکرد این ابزارها بیش‌تر آشنا شده و عادت کند. مهارت‌های نرم افزاری و هوش مصنوعی مسیرهای زیادی را برای دریافت پروژه‌های متعدد و کسب درآمد از آن، ایجاد می‌کنند. شما با یادگیری فایر فلای نیز می‌توانید فرصت‌های شغلی زیادی را تجربه کنید. به‌عنوان مثال اگر در کار با این ابزار حرفه‌ای شده و تسلط کافی کسب کنید، می‌توانید به‌عنوان مدرس در این حوزه مشغول به کار شوید. هم‌چنین امکان دریافت پروژه‌های گرافیکی قوی و انجام سریع‌تر و حرفه‌ای‌تر آن با به‌کارگیری این هوش مصنوعی وجود دارد. نکته‌ی مهم این است که فایرفلای به شما کمک می‌کند تا تصاویری ناب و جدید خلق کنید. این در حالی است که بیش‌تر گرافیست‌ها از تصاویر موجود استفاده می‌کنند و کم‌تر خلاقیت به خرج می‌دهند. تصاویر ناب و جدید این هوش مصنوعی، سبب بروز خلاقیت‌های بیش‌تر در شما می‌شود. آموزش ادوبی فایر فلای، به شما نشان می‌دهد که چطور می‌توانید با استفاده از هوش مصنوعی، کارهای گرافیکی خلاقانه‌ی خود را سریع‌تر و بهتر پیاده‌سازی نمایید. آموزش Adobe Firefly به تسلط شما برای کار با ابزارهای این برنامه‌ی قدرتمند کمک می‌کند. پس از ساخت حساب کاربری ادوبی می‌توانید از تمام ابزارهای ادوبی فایرفلای به صورت رایگان در مرورگر استفاده کنید. همچنین به چگونگی ادغام این ابزارهای هوش مصنوعی مولد در نرم افزارهای ادوبی مانند فتوشاپ و ایلاستریتور می‌پردازیم. برای این کار به یک لایسنس فعال ادوبی برای برنامه های مربوطه نیاز دارید. این دوره برای چه کسانی است: اگر قصد دارید تا محتوای هوش مصنوعی مولد و نرم افزار Adobe Firefly را به‌خوبی یاد بگیرید، می‌توانید از دوره‌ی آموزشی ادوبی فایر فلای استفاده کنید. این دوره‌ی آموزشی شما را برای ورود به دنیای هوش مصنوعی مولد آماده خواهد کرد. هم‌چنین مباحث این آموزش به‌گونه‌ای در نظر گرفته شده است که توانایی خوبی برای کار کردن روی پروژه‌های خود با استفاده از برنامه‌ی ادوبی فایر فلای به‌دست می‌آورید. در مکتب خونه انواع دوره آموزش هوش مصنوعی و آموزش گرافیک به عنوان پیش نیاز و مکمل این دوره موجود است. مقدمه‌ای بر هوش مصنوعی مولد: 1 - ساختار دوره 2 - هوش مصنوعی مولد چیست؟ 3 - آثار هوش مصنوعی مولد 4 - هوش مصنوعی مولد چگونه کار می‌کند؟ 5 - معرفی مولدهای متن به تصویر ابزارهای ادوبی فایرفلای - Adobe Firefly: 1 - مولد متن به تصویر ادوبی فایرفلای 2 - افکت‌های متنی ادوبی فایرفلای 3 - هوش مصنوعی مولد در ادوبی اکسپرس - Adobe Express 4 - تغییر رنگ تصاویر وکتور با هوش مصنوعی مولد در ایلاستریتور 5 - ابزار Generative Fill در ادوبی فایرفلای 6 - نتیجه‌گیری