هوش مصنوعی مولد (Generative AI)
دوره هوش مصنوعی مولد (Generative AI): آموزش پروژهمحور با منتورینگ تخصصی
در دوره هوش مصنوعی مولد دانشکار، شما وارد مرحلهای تازه از دنیای هوش مصنوعی میشوید؛ جایی که یاد میگیرید چطور ماشینها میتوانند خلاقیت نشان دهند. در این مسیر، از مفاهیم پایهای هوش مصنوعی گرفته تا الگوریتمها و تکنیکهای پیشرفتهای که پشتوانهی تولید محتوای خلاقانه مانند متن، تصویر و صدا هستند، بهصورت گامبهگام آموزش میبینید.
در طول آموزش هوش مصنوعی مولد، با مدلهای پیشرفتهی GenAI کار میکنید و توانایی ساخت اپلیکیشنهایی مانند چتبات، موتور جستجو، سیستم توصیهگر، ابزار تحلیل احساسات و سیستمهای طبقهبندی تصویر را بهصورت عملی به دست میآورید. همچنین درک عمیقی از پرامپتنویسی (Prompt Engineering) برای مدلهای متنی و تصویری پیدا میکنید و با چرخهی حیات یک محصول مبتنی بر GenAI از ایده تا اجرا آشنا میشوید.
این دوره هوش مصنوعی مولد برای افرادی طراحی شده است که با مفاهیم پایهی برنامهنویسی آشنایی دارند و میخواهند از قدرت تحولآفرین AI در توسعهی محصولات و راهحلهای نوآورانه استفاده کنند. تنها پیشنیاز این دوره، آشنایی با زبان برنامهنویسی پایتون است.
در پایان دوره، پایهای قوی برای ورود یا رشد در مسیر حرفهای توسعهدهندگان هوش مصنوعی مولد خواهید داشت. با تسلط بر مفاهیم کلیدی و مهارتهای عملی این دوره، میتوانید بهعنوان توسعهدهنده یا کارشناس GenAI در پروژههای واقعی فعالیت کنید.
در طول دوره نیز از منتورینگ مستقیم استاد بهرهمند خواهید شد تا درک مفاهیم و اجرای پروژهها برایتان سادهتر و اثربخشتر شود.
برای جزئیات بیشتر درباره ساختار، سرفصلها و پشتیبانی آموزشی، به بخش سؤالات متداول و بلاگ دانشکار در پایین صفحه مراجعه کنید.
سرفصل های دوره هوش مصنوعی مولد (Generative AI)
Python Fundamentals Review
- Overview of Python
- Python's Applications
- Setting up IDE (Introduction to Colab)
- Introduction to Data Types in Python
- Defining Functions
- Introduction to Modules and Packages
- File Handling
- Understanding and Implementing Decorators
- Object Oriented Programming (OOP) Fundamentals
Introduction to Artificial Intelligence
- What is Artificial Intelligence?
- Applications of AI in Various Fields
- Introduction to Supervised Learning
- Introduction to Unsupervised Learning
- Introduction to of Self supervised Learning
- Understanding AI Models: A Conceptual Overview
- Polynomial Regression: A Practical Example of a Model in Action
Introduction to Generative AI
- What is Generative AI?
- Applications of Generative AI
- Understanding Modality in AI Models
- What are Large Language Models (LLMs)?
- How LLMs Work
- Use Cases of LLMs in AI
Introduction to Interfaces and APIs
- Understanding Interfaces in Programming
- Understanding the Concept of APIs
- Accessing Weather Conditions via OpenWeatherMap API
- Introduction to Local Based/Cloud Based Models
- Accessing Cloud Based Models (OpenAI, Gemini, Anthropic) via APIs
Prompt Engineering and Working with LLMs via LangChain
- Comparing Instruction based and Chat based Models
- Using LangChain to Access Different Large Language Models
- Basic Principles of Prompt Engineering
- Understanding Roles in Messages
- Introduction to Prompt Templates and Chat Prompt Templates in LangChain
- Zero Shot Prompting
- Few Shot Prompting
- Chain of Thought Prompting
- Advanced Prompt Crafting: A Step by Step Guide
Ollama and Open-Source LLMs
- Overview of Ollama and VLLM
- Introduction to Open Source LLMs
- Comparing Proprietary vs. Open Source LLMs
- Understanding Model Quantization
- Installing Ollama: A Step by Step Guide
- Interacting with Open Source Models via Ollama
- GPU Requirements for Running LLMs
- Selecting the Right GPU for LLMs
- Introduction to OpenWebUI
- Setting Up and Using OpenWebUI
Embeddings and Vector Databases
- What are Embeddings and Their Applications in NLP?
- Document Classification with Embeddings
- Document Clustering with Embeddings
- Dimensionality Reduction Techniques (t,SNE)
- Visualizing High Dimensional Embeddings in 2D
- Introduction to Vector Search
- Common Distance Metrics in Vector Search
- Introduction to Vector Databases
- Introduction and Working with FAISS and ChromaDB
- Inserting Data into Vector Databases
- Performing Vector Search Queries
Data Loading Tools
- Introduction to Loaders in LangChain
- Extracting Data from YouTube videos
- PDF Parsing with PyPDF, PDFPlumber, and Unstructured
- Web Data Extraction with Web Loaders
- Introduction to BeautifulSoup
- Web Scraping and Content Extraction with BeautifulSoup
Runnables and Chains in LangChain
- Introduction to Runnables in LangChain
- Practical Applications of Runnables
- Introduction to Synchronous, Asynchronous, and Batch Processing
- Introduction to LangChain Expression Language (LCEL)
- Building Chains with LCEL
- Designing Complex Chains using LCEL
- Implementing Router Chains in LangChain
Building Retrieval Augmented Generation (RAG) Systems
- Creating a Personal Chatbot
- Introduction to Retrieval Augmented Generation (RAG)
- Building a Retrieval Augmented Generation System
- Best Practices for RAG System Optimization
- Overview of TF IDF (Term Frequency,Inverse Document Frequency)
- Implementing TF,IDF with scikit learn
- Enhancing RAG with TF IDF
- Building Advanced RAG with Parent Child Technique
- Building Advanced RAG with Summarization Techniqu
Building Knowledge Graphs with LLMs
- Introduction to Relational Databases
- Introduction to Graph Databases
- Understanding Entities (Nodes) and Edges (Relationships) in Graphs
- Setting Up and Using Neo4j
- LLMs for Graph Based Entity Relationship Mapping
- Building and Visualizing Knowledge Graphs
AI Agents: Concepts and Implementation
- What is an AI Agent?
- Introduction to Function Calling
- Integrating OpenWeatherMap API with OpenAI via Function Calling
- Introduction to Tools in LangChain
- Creating Custom Tools in LangChain
- Providing Access to WolframAlpha and SerpAPI via LangChain Tools
- Implementing ReAct Agents using LangChain
- Implementing Agentic RAG using LangChain
Image Generation with Generative AI Models
- Introduction to DALL·E and Imagen3 Models
- Effective Prompt Engineering for Image Generation
- Examples of High Quality Prompts for Creative Image Generation Image to Image Generation with DALL·E
Image Analysis with Large Multimodal Models
- Understanding Base64 Encoding
- Applications and Uses of Base64 Encoding in Image Processing
- Prompt Engineering for Image Analysis (e.g., GPT,4O)
- Integrating Base64,Encoded Images into Prompts
- Object Detection and Search in Image with Gemini
- Building Image/Text Chatbots
Document Field Extraction with LLMs
- Extracting Predefined Fields from Documents using LLMs
- Structured Output from LLMs with Pydantic and Langchain
- Field Extraction Examples: Invoices
Multi-Agent Systems with LangGraph
- Introduction to Reflection in AI Design Patterns
- Sentiment Analysis of Iranian Stock Market News Using Reflection
- Introduction to LangGraph
- Introduction to Multi Agent Systems (MAS)
- Multi Agent Sentiment Analysis of Iranian Stock Market News
Fine-Tuning
- Introduction to Fine Tuning Approaches (LoRA and QLoRA)
- Fine Tuning an OpenAI Model via API
ai agent
- Core Concepts and System Types Autonomous Agents
- Agentic AI Architecture Fundamentals Agentic AI Building Blocks
- Foundational Agentic Design Patterns
- The Role of Automation in Agentic Systems Connecting AI decision making to real world actions
- Introduction to LowCode/No Code Platforms (n8n) Overview of n8n: Interface, Nodes, and Workflows
- Practical Exercise: Building Simple LLM Powered Workflows Hands on labs using n8n and Flowise AI
- Agentic Telegram AI Bot
low code/ no code AI agent
- Prompt Engineering and Context Engineering
- The Role of Automation in Agentic Systems Connecting AI decision making to real world actions
- Introduction to Low Code/No Code Platforms (n8n) Overview of n8n: Interface, Nodes, and Workflows
- کارگاه آموزش کار با Linkedin
Experience Transfer
- در این بخش با تجربیات و دانش حرفهای افراد موفق در حوزهی دواپس همراه خواهید شد.
چرا این دوره؟
مزایای این دوره
.png&w=128&q=75)
از زبان دانش پذیران آکادمی
دانشپذیران دورههای قبل دربارهی دوره چه میگویند؟
دوره هوش مصنوعی مولد هم خیلی کاربردی بود و هم دید خوبی نسبت به این تکنولوژی به من داد، سرفصل های خیلی خوبی ارائه شد که همگی به شکل مناسبی یکپارچه بودند و به هم مرتبط
راضیه اکبری
مسیرآموزشی در دانشکار
زمانبندی دوره
هزینه دوره و ثبتنام اولیه
سوالات متداول
سوالات شما پاسخ داده نشد؟
چرا یادگیری Generative AI ضروری است؟
هوش مصنوعی مولد (Generative AI) یکی از بزرگترین پیشرفتهای فناوری در چند سال اخیر است که روندهای تولید محتوا، طراحی، برنامهنویسی، بازاریابی و حتی مدلهای کسبوکار را تغییر داده است. این فناوری دیگر فقط یک ابزار کمکی نیست، بلکه نقش مهمی در آینده شغلی بسیاری از افراد خواهد داشت.
با گسترش مدلهایی مانند GPT (Generative Pre-trained Transformer) و ابزارهایی مثل ChatGPT، DALL·E و Midjourney، آشنایی با این مفاهیم برای متخصصان ضروری شده است. یادگیری Generative AI یعنی توانایی ساخت متن، تصویر، کد و صوت با استفاده از مدلهای یادگیری عمیق (Deep Learning) که طبق پیشبینیها تا سال ۲۰۳۰ بیش از ۷۰ درصد مشاغل به نحوی با این فناوری درگیر خواهند بود. همچنین، افرادی که این مهارتها را دارند، بهطور میانگین تا ۲۵ درصد درآمد بیشتری نسبت به دیگران کسب میکنند.
یادگیری هوش مصنوعی مولد فرصتهای تازهای در زمینههایی مثل طراحی محصول، بازاریابی داده محور، تولید محتوا و توسعه نرمافزار به وجود میآورد. از آنجا که این حوزه با سرعت زیادی در حال پیشرفت است، شرکت در یک دوره کامل و پروژهمحور، میتواند مزیتی مهم در مسیر شغلی ایجاد کند. برخی افراد این دوره را با دوره هوش مصنوعی اشتباه می گیرند
کاربرد هوش مصنوعی مولد در کسبوکار
دوره هوش مصنوعی مولد فقط برای برنامهنویسان نیست و افراد مختلفی مانند مدیران، بازاریابان هم میتوانند از آن بهره ببرند. این دوره کمک میکند تا کارها با سرعت و دقت بیشتری انجام شوند. در فضای کسبوکار، ابزارهایی مثل ChatGPT برای تولید محتوا و مدلهایی مثل DALL·E و Midjourney برای طراحیهای بصری استفاده میشوند. همچنین این فناوری با تحلیل رفتار کاربران، تبلیغات هدفمندتری ارائه میدهد و ساخت چتباتهای دقیق را ممکن میسازد. در نهایت، مدلهای مولد در تحلیل دادههای پیچیده و تولید خودکار کد نیز نقش موثری دارند.
ابزارهای معروف مانند ChatGPT، DALL·E، Midjourney
شناخت ابزارهای کاربردی در آموزش Generative AI یکی از گامهای اصلی برای تسلط بر این فناوری است. کار با این ابزارها در مسیر آموزش پروژهمحور Generative AI قرار دارد و فراگیری آنها در یک دوره آموزش هوش مصنوعی بدون پیشنیاز میتواند بهسرعت توانمندیهای فرد را افزایش دهد. در این بخش با سه ابزار مطرح و توانمند در حوزه هوش مصنوعی مولد آشنا میشویم:
- ChatGPT (چت جیپیتی): یک مدل زبان بزرگ (Large Language Model) از خانواده GPT است که میتواند مکالمات طبیعی انجام دهد، محتوا تولید کند، ایدهپردازی انجام دهد و در پاسخگویی به سوالات فنی و عمومی کاربرد دارد.
- DALL·E (دال_ای): مدلی برای تولید تصاویر بر اساس توصیف متنی است. این ابزار میتواند تصاویر خلاقانه، هنری یا واقعی را فقط از طریق یک جمله یا پاراگراف ساده تولید کند.
- Midjourney (میدجرنی): ابزاری تخصصی برای تولید تصاویر با کیفیت بالا در سبکهای مختلف هنری. این ابزار بیشتر توسط طراحان گرافیک، تصویرگران و هنرمندان دیجیتال مورد استفاده قرار میگیرد.
کاربرد این ابزارها، فقط به تولید محتوا محدود نمیشود، بلکه در طراحی رابط کاربری، بازنویسی متن، خلاصهسازی مقالات، تولید کد و حتی ایجاد موسیقی و ویدیو نیز نقش دارند.
معرفی دوره هوش مصنوعی مولد دانشکار
دوره استارکمپ هوش مصنوعی مولد دانشکار با محوریت آموزش پروژهمحور و منتورینگ تخصصی، این دوره، اولین و تا امروز کاملترین مسیر آموزش Generative AI بهشکل پروژهمحور است و برای شرکت در آن، آشنایی اولیه با زبان پایتون نیاز است. در این دوره، شرکتکنندگان با راهنمایی منتورها و تمرینهای واقعی، بهصورت عملی با مدلهای زبانی مانند GPT و BERT آشنا میشوند. آموزش GPT و استفاده از ابزارهایی مثل ChatGPT در تولید محتوا، چتباتسازی و تحلیل دادهها نیز بخش مهمی از دوره را تشکیل میدهد. مسیر یادگیری از سطح پایه تا پیشرفته طراحی شده تا مهارتآموزی برای همه ممکن باشد.
سرفصلهای آموزش Generative AI
در دوره هوش مصنوعی مولد، آموزش هوش مصنوعی مولد، دوره Generative AI دانشکار، سرفصلها بهگونهای طراحی شدهاند که هم مباحث پایهای و هم موضوعات پیشرفته را پوشش دهند. محتوای آموزشی این دوره بهصورت گامبهگام و پروژهمحور پیش میرود و شامل موارد زیر است:
- مرور مبانی پایتون برای آمادهسازی ذهن در کار با مدلهای مولد
- آشنایی با مفاهیم پایهای هوش مصنوعی و جایگاه Generative AI در آن
- کار عملی با LangChain برای ساخت اپلیکیشنهای مبتنی بر LLM
- اتصال به مدلهای زبانی از طریق API و طراحی رابطهای هوشمند
- آموزش کامل Prompt Engineering برای کنترل دقیق خروجی مدلها
- استفاده از مدلهای متنباز مانند LLaMA با ابزار Ollama
- ساخت سیستمهای RAG برای پاسخگویی دقیق بر اساس دادههای اختصاصی
هدف این ساختار، آمادهسازی کامل شرکتکنندگان برای ورود حرفهای به بازار کار و توسعه پروژههای واقعی در حوزه Generative AI است.
مزایای دوره: پروژهمحوری، منتورینگ، یادگیری عمیق
دوره هوش مصنوعی مولد، آموزش هوش مصنوعی مولد، دوره Generative AI در استارکمپ با رویکردی کاملا کاربردی طراحی شده است. برخلاف دورههای تئوری که صرفا به آموزش مفاهیم میپردازند، مهمترین مزایای این دوره عبارتاند از:
- آموزش پروژهمحور برای درک واقعی کاربرد Generative AI در شرایط عملی
- منتورینگ اختصاصی توسط کارشناسان حرفهای و فعالان صنعت هوش مصنوعی مولد
- ساختار آموزشی گامبهگام همراه با ارزیابیهای منظم و بازخوردهای تخصصی
- تمرکز بر آموزش GPT و پیادهسازی کاربردی مدلهای زبانی مولد
- پشتیبانی از یادگیری صفر تا صد Generative AI
- امکان تعامل با تیم پشتیبانی علمی در طول دوره
این برنامه روی حل مسئله، تمرین عملی و ارتباط مستقیم با متخصصان تمرکز دارد.
دوره هوش مصنوعی مولد دانشکار برای چه کسانی مناسب است؟
دوره آموزش پروژهمحور Generative AI برای تمام علاقهمندان به یادگیری مهارتی کاربردی در دنیای دیجیتال طراحی شده است. این دوره مناسب دانشجویان هوش مصنوعی، توسعهدهندگان، تولیدکنندگان محتوا، بازاریابان، تحلیلگران و کارآفرینانی است که قصد دارند از ابزارهای هوش مصنوعی در مسیر حرفهای خود استفاده کنند.
آشنایی با مدلهای زبانی (LLMs)
یکی از بخشهای کلیدی در آموزش Generative AI، آشنایی با مدلهای زبانی بزرگ یا همان (Large Language Models) است. این مدلها مانند GPT بر اساس الگوهای زبانی که از دادههای متنی گسترده یاد گرفتهاند، توانایی تولید متنهای معنادار و مرتبط را دارند.
در این دوره، یادگیری بهصورت عملی انجام میشود و شرکتکنندگان با نحوه عملکرد LLM ها هنگام پردازش دادههای متنی آشنا میشوند. همچنین ساختار معماری ترنسفورمر (Transformer Architecture) که پایه اصلی این مدلهاست، بهصورت دقیق بررسی میشود.
تمرینهای عملی و پروژههای واقعی
تمرینهای عملی و پروژههای واقعی، ستون اصلی دوره هوش مصنوعی مولد هستند. تمرینهای عملی و پروژههای واقعی، بخش اصلی دوره هوش مصنوعی مولد هستند. شرکتکنندگان در این مسیر یاد میگیرند چطور از مدلهایی مثل GPT و ابزارهای واقعی در پروژههای کاربردی استفاده کنند. آموزشها فقط تئوری نیستند، بلکه شامل چالشهای عملی مثل بازنویسی متن و ساخت چتبات با استفاده از ChatGPT هستند.
همچنین، پروژههایی مثل تولید تصویر تبلیغاتی با DALL·E یا طراحی سناریوهای هوشمند با LLM ها بهصورت کامل اجرا میشود. این فرایند یادگیری، آمادگی ورود به بازار کار را افزایش میدهد.
پیشنیازهای شرکت در دوره هوش مصنوعی مولد
دوره آموزش هوش مصنوعی مولد در استارکمپ، بهگونهای طراحی شده که علاقهمندان بتوانند بدون نیاز به پیشزمینه پیچیده، وارد مسیر یادگیری شوند. برای شرکت در این دوره نیاز است با موارد زیر آشنا باشید:
- با مفاهیم اولیه زبان انگلیسی و خواندن متون ساده آشنایی داشته باشید.
- استفاده از کامپیوتر و محیطهای آنلاین برای انجام تمرینها برایتان آسان باشد.
- ذهنی باز برای یادگیری تکنولوژیهای جدید و شرکت در پروژههای چالشی داشته باشید.
- علاقهمند به آموزش پروژهمحور Generative AI و یادگیری از طریق تمرینهای واقعی باشید.
- برای شرکت در این دوره، آشنایی اولیه با زبان برنامهنویسی پایتون ضروری است.
اگر با مفاهیم پایه پایتون مثل متغیرها، شرطها و حلقهها آشنا باشید، یادگیری مفاهیم Generative AI برایتان بسیار روانتر خواهد بود.
در مجله دانشکار بخوانید...
آکادمی (بوتکمپ)
آکادمی (استارکمپ)
آکادمی (اسکیلکمپ)
می باشد