درباره دوره: این دوره از مجموعه دوره های آموزش هوش مصنوعی به شما آموزش می‌دهد چگونه چت‌بات‌های مفید بدون نیاز به نوشتن کد ایجاد کنید. با استفاده از قابلیت‌های پردازش زبان طبیعی IBM Watson، یاد خواهید گرفت چگونه چت‌بات‌هایی را برنامه‌ریزی، پیاده‌سازی، آزمایش و مستقر کنید که کاربران شما را خوشحال کنند نه ناراحت. وفادار به وعده ما که نیازی به کد نویسی نیست، شما یاد خواهید گرفت چگونه به‌صورت بصری چت‌بات‌ها را با Watson Assistant (که قبلاً Watson Conversation نام داشت) ایجاد کنید و چگونه آنها را از طریق یک افزونه کاربردی وردپرس در وب‌سایت خود مستقر کنید. وب‌سایتی ندارید؟ نگران نباشید، یک وب‌سایت در اختیار شما قرار خواهد گرفت. چت‌بات‌ها موضوع داغی در صنعت ما هستند و قرار است به بزرگی برسند. هر روز شغل‌های جدیدی که نیاز به این مهارت خاص دارند، اضافه می‌شود، مشاوران نرخ‌های بالایی مطالبه می‌کنند و علاقه به چت‌بات‌ها به‌سرعت در حال انفجار است. گارتنر پیش‌بینی می‌کند که تا سال 2020، 85٪ از تعاملات مشتریان با شرکت‌ها از طریق روش‌های خودکار (که شامل چت‌بات‌ها و فناوری‌های مرتبط است) خواهد بود. این فرصتی است برای شما تا این مجموعه مهارت‌های بسیار پرتقاضا را با یک مقدمه ملایم به موضوع یاد بگیرید که هیچ‌چیزی را از قلم نمی‌اندازد. مقدمه‌ای بر چت‌بات‌ها: 1 - خوش آمدید 2 - مقدمه‌ای بر چت‌بات‌ها کار با Intent: 1 - کار با Intent موجودیت‌ها (Entity): 1 - کار با Entity‌ها گفت‌وگو (Dialog): 1 - همه با هم 2 - ساخت چت‌بات‌های کاربرپسند استقرار (Deployment): 1 - دیپلوی یک وب‌سایت وردپرس متغیرهای زمینه و اسلات (Context Variables & Slots): 1 - کار با متغیرهای زمینه‌ای و Slotها انحرافات (Digressions): 1 - درک انحرافات خلاصه: 1 - نتیجه‌گیری اکشن‌های واتسون (Watson Actions): 1 - خوش آمدید به دستیار واتسون 2 - ساخت اکشن‌های واتسون 3 - مهاجرت مهارت‌های گفت‌وگو به اکشن‌های واتسون آزمون نهایی: 1 - سخنان پایانی

درباره دوره: آموزش رایگان داده‌کاوی پیش رو در یکی از کلاس‌های دانشگاه شریف ضبط شده است. داده‌کاوی یکی از مهم‌ترین و جذاب‌ترین درس‌های رشته مهندسی کامپیوتر در گرایش نرم‌افزار محسوب می‌شود. داده‌کاوی در واقع فرایندی است که شرکت‌ها برای تبدیل داده‌های خام به اطلاعات مفید انجام می‌دهند. متخصصان داده‌کاوی با جستجو میان داده‌ها، الگوهای خاصی پیدا کرده و از آن‌ها برای کسب اطلاعات بیشتر در مورد مشتریان، استراتژی‌های بازاریابی مؤثر، فروش بیشتر و ... استفاده می‌کنند. داده‌کاوی به جمع‌آوری مؤثر داده‌ها، نگهداری از آن‌ها و پردازش کامپیوتری بستگی دارد. از آنجایی که در سال‌های اخیر حجم داده‌ها به شکل چشمگیری افزایش یافته است، اهمیت آموزش رایگان داده‌کاوی هم روزبه‌روز بیشتر می‌شود. یکی از مهم‌ترین کاربردهای داده‌کاوی در بازاریابی است. با کمک این علم می‌توانید مشتریان سودآور و مشتریان وفادار و قدیمی‌تان خود را بشناسید، سبد محصول خود را بهینه کنید، طول عمر مشتری را بسنجید، عملکرد یک برنامه بازاریابی را بررسی کرده و با کشف الگو و روند خرید مشتریان، فروش خود را پیش‌بینی کنید. در دوره آموزش رایگان داده‌کاوی علاوه بر یادگیری این علم تا حدودی با دیتا ساینس یا علوم داده هم آشنا می‌شوید. امروزه داده‌ها بیشتر از هر چیز دنیا را گرفته‌اند. با استفاده از داده‌ها می‌توان به اطلاعات بسیار خوبی دست یافت و آن‌ها را در صنایع گوناگون به کار برد. هدف از یادگیری آموزش رایگان داده‌کاوی این است که دانشجویان کارشناسی ارشد و دکترا و سایر علاقه‌مندان به این زمینه کار با داده‌های بزرگ و تحلیل آن‌ها را یاد بگیرند و الگوهای میان داده‌ها را کشف کنند. کار با داده‌ها پایه و اساس یادگیری ماشین محسوب می‌شود؛ بنابراین اگر می‌خواهید در زمینه یادگیری ماشین، یادگیری عمیق و همچنین علوم داده‌ها فعالیت داشته باشید، باید به داده‌کاوی مسلط باشید. دوره آموزش رایگان داده‌کاوی ابتدا به توضیح مفاهیم پیش‌پردازش داده‌ها و معرفی انبار داده می‌پردازد. سپس مباحث مرتبط با داده‌کاوی را به شما آموزش می‌دهد. فصل اول: آموزش رایگان داده‌کاوی: 1 - جلسه اول 2 - جلسه دوم 3 - جلسه سوم 4 - جلسه چهارم 5 - جلسه پنجم 6 - جلسه ششم 7 - جلسه هفتم 8 - جلسه هشتم 9 - جلسه نهم 10 - جلسه دهم 11 - جلسه یازدهم 12 - جلسه دوازدهم 13 - جلسه سیزدهم 14 - جلسه چهاردهم 15 - جلسه پانزدهم 16 - جلسه شانزدهم 17 - جلسه هفدهم 18 - جلسه هجدهم 19 - جلسه نوزدهم 20 - جلسه بیستم 21 - جلسه بیست‌ویکم 22 - جلسه بیست و دوم 23 - جلسه بیست و سوم 24 - جلسه بیست و چهارم 25 - جلسه بیست و پنجم 26 - جلسه بیست و ششم 27 - جلسه و بیست و هفتم 28 - بیست و هشت 29 - بیست و نه

درباره دوره: *لازم به ذکر است که زیرنویس این دوره توسط هوش مصنوعی صورت گرفته است.*دوره "Generative AI vs. Traditional AI" به موضوع جذاب و پرطرفدار هوش مصنوعی مولد می‌پردازد که با مسائل قانونی، اخلاقی و فناوری جدیدی همراه است. اگرچه توسعه هوش مصنوعی مولد ممکن است ناگهانی به نظر برسد، اما همچنان بر اساس دهه‌ها مفاهیم و کاربردهای هوش مصنوعی پیش‌بینی‌کننده سنتی بنا شده است. در این دوره، داگ رز تفاوت‌های بین هوش مصنوعی سنتی و مولد را مورد بررسی قرار می‌دهد و نشان می‌دهد که چگونه مفاهیم سنتی مانند یادگیری عمیق تحت نظارت و بدون نظارت، الهام‌بخش مفاهیم جدیدتری مانند یادگیری خودنظارتی، مدل‌های پایه، مدل‌های انتشار و شبکه‌های مولد تخاصمی بوده‌اند. برای درک مسیر پیشرفت یک فناوری، آگاهی از تاریخچه آن اهمیت دارد. این ابزارهای هوش مصنوعی مولد یک جهش بزرگ محسوب می‌شوند، اما همچنان فصلی دیگر در داستان هیجان‌انگیز هوش مصنوعی هستند. این دوره به شما کمک می‌کند تا از مبانی هوش مصنوعی پیش‌بینی‌کننده تا تکنیک‌های پیشرفته‌تر هوش مصنوعی مولد آگاهی پیدا کنید و چشم‌انداز بهتری نسبت به آینده این فناوری جذاب به دست آورید. مقدمه: 1 - آشنایی با هوش مصنوعی مولد در مقابل هوش مصنوعی سنتی معماری هوش مصنوعی پیش‌بینی‌کننده: 1 - یادگیری ماشینی 2 - یادگیری تحت نظارت و بدون نظارت 3 - شبکه‌های عصبی مصنوعی 4 - مدل‌های داده مدل‌های هوش مصنوعی مولد: 1 - مدل‌های پایه 2 - مدل‌های زبان بزرگ (LLMs) 3 - مدل‌های انتشار تصویر 4 - ترانسفورمر مولد پیش‌آموزش‌یافته (GPT) معماری هوش مصنوعی مولد: 1 - مهندسی درخواست 2 - شبکه‌های مولد تخاصمی (GANs) 3 - یادگیری خودنظارتی 4 - خودرمزگذار تنوعی (VAE) 5 - ساخت یک سیستم هوش مصنوعی مولد مسائل قانونی و اخلاقی هوش مصنوعی مولد: 1 - تصمیم‌گیری قابل ردیابی 2 - مسئولیت خطاهای هوش مصنوعی 3 - آموزش حق تألیف 4 - جمع‌آوری گسترده داده‌ها و حفظ حریم خصوصی 5 - مارپیچ مرگ تخصص