استارکمپ
هوش مصنوعی مولد
شروع دوره از بهمن ۱۴۰۳
معرفی دوره هوش مصنوعی مولد Generative AI دانشکار
در دوره هوش مصنوعی مولد دانشکار، شما سفری جامع به دنیای هوش مصنوعی را آغاز می‌کنید. از مفاهیم پایه گرفته تا الگوریتم‌ها و تکنیک‌های پیشرفته‌ای که پشتوانه تولید محتوای خلاقانه مانند متن و تصویر هستند، همه را فرا خواهید گرفت. و توانایی ساخت اپلیکیشن‌هایی مانند چت‌بات، موتور جستجو، سیستم توصیه‌گر، ابزار تحلیل احساسات، سیستم طبقه‌بندی تصاویر و غیره را پیدا می‌کنید.
با بهره‌گیری از مدلهای پیشرفته هوش مصنوعی مولد، نه تنها در ساخت برنامه‌های متنوع تجربه عملی کسب می‌کنید، بلکه درک عمیقی از پرامپت‌نویسی برای مدلهای متنی و تصویری پیدا می‌کنید و درباره چرخه حیات یک برنامه مبتنی بر genAI آموزش می‌بینید.
این دوره برای افراد آشنا با این حوزه و کسانی که مشتاق به یادگیری و بهره‌برداری از قدرت تحول‌آفرین هوش مصنوعی هستند، طراحی شده است و تنها پیش‌نیاز این دوره، آشنایی با زبان برنامه‌نویسی پایتون است.
دوره هوش مصنوعی مولد دانشکار به شما پایه‌ای قوی برای شروع یا تقویت حرفه‌تان در توسعه هوش مصنوعی می‌دهد. با تسلط بر مفاهیم کلیدی و مهارت‌های عملی ارائه شده، برای ورود به نقش‌های مختلف در حوزه توسعه هوش مصنوعی آماده خواهید شد.
در طول دوره، از منتورینگ مستقیم توسط استاد بهره‌مند می‌شوید تا هیچ ابهامی در مسیر یادگیری و تبدیل شدن به یک توسعه‌دهنده GenAI نداشته باشید.
برای اطلاعات بیشتر به سوالات متداول و بلاگ دانشکار در پایین صفحه مراجعه کنید.
سرفصل های دوره Generative AI
مرور پایتون مقدماتی
۴ساعت
بررسی و مرور
بررسی خطاهای پر تکرار و نحوه رفع آن
طرح چالش و حل آن
مقدمه ای بر هوش مصنوعی و هوش مصنوعی مولد
۱ساعت
چیستی و کاربردهای آن
آشنایی کلی با مدلهای تولید متن و تصویر
معرفی ساختار دوره
معرفی فریمورک Langchain
آشنایی با مفاهیم اولیه مدلهای زبانی بزرگ
۱ساعت
تعریف مدل زبانی و آشنایی با نحوه کار آن
معرفی مدلهای زبانی بزرگ
نحوه کنترل خروجی مدل زبانی با استفاده از پارامترهای ورودی
آشنایی با مفهوم امبدینگ
معرفی معماری مدل زبانی بزرگ
نقش مدل زبانی در عصر جدید هوش مصنوعی
آشنایی با API و مفهوم interface
۱ساعت
پرامپت نویسی و آشنایی با مدلهای زبانی
۱ساعت
بررسی مدل های instruct based,Chat based
تاثیر پرامپت بر خروجی
معرفی و نصب package های لازم و شیوه های مختلف ذخیره و استفاده از api key
چگونگی دسترسی به مدل های زبانی بزرگ شرکت های مختلف از جمله openai و cohere
استفاده از ماژول prompt
فریمورک Langchain برای پرامپت نویسی
آشنایی با نقش ها مانند system در کار با مدلهای زبانی
مقایسه مدلها از حیث قیمت و کیفیت و …
تکنیک های پیشرفته در پرامپت نویسی
۱ساعت
آشنایی با OLLAMA و معرفی مدلهای Open Source
۱ساعت
نصب و راه اندازی OLLAMA
دانلود مدلهای متن باز از شرکت های مختلف و چت با آنها
بحث در مورد GPU مورد نیازبرای مدلهای مختلف
آشنایی و کار با Openwebui
آشنایی با مدل های embedding و دیتابیس های برداری
۱ساعت
معرفی مدلهای استخراج embedding
معرفی دیتابیس های برداری مانند faiss, Chromadb و کار با آنها
استفاده از متدهای تعریف شده در دیتابیس برداری
استفاده از embedding در خوشه بندی و طبقه بندی
۱ساعت
مصورسازی داده ها بعد از کاهش ابعاد با استفاده از t SNE
طبقه بندی متن براساس embedding بدست آمده برای هر متن
آشنایی با ابزارهای مختلف لودکردن دیتا (خواندن PDF, Docx, HTML )
۱ساعت
لود دیتا و اضافه کردن آن به برنامه از طریق اسکرب کردن صفحه های وب
آشنایی با pdfreader ها و سایر ابزارهای ادغام شده در langchain
ساخت chain در langchain
۱ساعت
معرفی runnableها در langchain
استفاده از chain های اماده در Langchain
ساخت chainبا استفاده از LCEL در langchain
کار با router chains در Langchain
ساخت Retrieval Augmented Generation (RAG)
۲ساعت
معرفی ساختار و کامپوننت ها در ساخت RAG
بخش بندی متن و ذخیره سازی در دیتابیس برداری
آشنایی با تکنیک‌های پیشرفته در ساخت RAG
۲ساعت
پیاده سازی با ساختار هیبرید با استفاده توامان از TF IDF
پیاده سازی ساختار Parent Child
پیاده سازی ساختار مبتنی بر Summary
ایجاد گراف روابط با استفاده از LLM
۱ساعت
معرفی ساختارگراف: نهاد ها و یالها
استخراج روابط بین نهاد ها با استفاده از LLM
آشنایی با قابلیت function callingو استفاده از Tools
۱.۵ساعت
آشنایی با مفهوم agent و پیاده سازی اولیه
۱ساعت
تولید تصویر با استفاده از GenAI
۱ساعت
پرامپت نویسی برای تولید تصویر با استفاده از مدل DAlle
تولید تصویر جدید بر اساس تصویر داده شده
آنالیز تصویر با استفاده از large multimodal model
۱ساعت
آشنایی با encode base64
پرامپت نویسی برای ارسال تصویر به مدلهای با قابلیت بینایی نظیر GPT4O
پیاده سازی پروژه تحلیل احساسات متن با تکنیک Reflection
۲ساعت
معرفی ساختار Reflection
پیاده سازی تحلیل احساست اخبار بورسی ایران با استفاده از این تکنیک
استخراج اطلاعات ساختارمند از اسناد
۱ساعت
استفاده از LLM برای استخراج فیلدهای از قبل تعریف شده از اسناد
پیاده سازی یک پروژه Multi Agent
۲ساعت
معرفی langgraph
آشنایی با دکوراتورTool در Langgraph
پیاده سازی تحلیل احساست اخبار بورسی ایران با استفاده ازMulti Agent
fine tune کردن مدلهای زبانی بزرگ
۱ساعت
آماده سازی داده تست و آموزش
بارگذاری در open ai
fine tune کردن
مرور پایتون مقدماتی
مقدمه ای بر هوش مصنوعی و هوش مصنوعی مولد
آشنایی با مفاهیم اولیه مدلهای زبانی بزرگ
آشنایی با API و مفهوم interface
پرامپت نویسی و آشنایی با مدلهای زبانی
تکنیک های پیشرفته در پرامپت نویسی
آشنایی با OLLAMA و معرفی مدلهای Open Source
آشنایی با مدل های embedding و دیتابیس های برداری
استفاده از embedding در خوشه بندی و طبقه بندی
آشنایی با ابزارهای مختلف لودکردن دیتا (خواندن PDF, Docx, HTML )
ساخت chain در langchain
ساخت Retrieval Augmented Generation (RAG)
آشنایی با تکنیک‌های پیشرفته در ساخت RAG
ایجاد گراف روابط با استفاده از LLM
آشنایی با قابلیت function callingو استفاده از Tools
آشنایی با مفهوم agent و پیاده سازی اولیه
تولید تصویر با استفاده از GenAI
آنالیز تصویر با استفاده از large multimodal model
پیاده سازی پروژه تحلیل احساسات متن با تکنیک Reflection
استخراج اطلاعات ساختارمند از اسناد
پیاده سازی یک پروژه Multi Agent
fine tune کردن مدلهای زبانی بزرگ
مرور پایتون مقدماتی
۴ساعت
بررسی و مرور
بررسی خطاهای پر تکرار و نحوه رفع آن
طرح چالش و حل آن
چرا این دوره؟
مزایای این دوره
.png&w=256&q=75)
از زبان دانش پذیران آکادمی
دانش‌پذیران دوره‌‌های قبل درباره‌ی دوره چه می‌گویند؟
بهترین تجربه و دانشی که در این استارکمپ به دست آوردم استفاده از LLM ها در پروژه های شخصی بود.
محمدرضا ذبیحی
مسیرآموزشی در دانشکار
ورود به استارکمپ
یادگیری در استارکمپ
پس از استارکمپ
هزینه دوره و ثبت‌نام اولیه
دوره هوش مصنوعی مولد
امکان پرداخت اقساط 4 ماهه به مبلغ ۱٬۳۷۵٬۰۰۰ تومان از اسنپ پی
سوالات متداول
توضیحات تکمیلی در مورد Generative AI
هوش مصنوعی مولد چیست؟
هوش مصنوعی مولد یا Generative AI نوعی فناوری نوین است که قادر به خلق محتوای جدید و اصیل می‌باشد. برخلاف سیستم‌های هوش مصنوعی سنتی که بر پردازش داده‌های موجود تمرکز دارند، هوش مصنوعی مولد از الگوها و ساختارهای موجود در داده‌های ورودی برای تولید خروجی‌های جدید استفاده می‌کند. این خروجی‌ها میتوانند شامل متن، تصویر، صدا، ویدیو و حتی کد کامپیوتری باشند. به عبارت دیگر، هوش مصنوعی مولد به سیستم توانایی ایجاد محتوای منحصر به فرد را می‌بخشد که شباهت زیادی به نمونه‌های انسانی دارد.
از جمله کاربردهای گسترده هوش مصنوعی مولد می‌توان به تولید محتوا، طراحی گرافیک، ساخت موسیقی، توسعه نرم‌افزار و حتی خلق آثار هنری اشاره کرد. این فناوری در حال تحول سریع است و پتانسیل تغییر بسیاری از صنایع را دارد.
بله، بعد از گذراندن کامل دوره، و نحویل پروژه پایانی، مدرک پایان دوره را دریافت خواهید کرد.
