استارکمپ
هوش مصنوعی مولد
شروع استارکمپ از ۱۰ خرداد ۱۴۰۴
دوره هوش مصنوعی مولد (Generative AI): آموزش پروژه‌محور با منتورینگ تخصصی
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 هوش مصنوعی مولد
Python Fundamentals Review
۳ساعت
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
Python Fundamentals Review
Introduction to Artificial Intelligence
Introduction to Generative AI
Introduction to Interfaces and APIs
Prompt Engineering and Working with LLMs via LangChain
Ollama and Open-Source LLMs
Embeddings and Vector Databases
Data Loading Tools
Runnables and Chains in LangChain
Building Retrieval Augmented Generation (RAG) Systems
Building Knowledge Graphs with LLMs
AI Agents: Concepts and Implementation
Image Generation with Generative AI Models
Image Analysis with Large Multimodal Models
Document Field Extraction with LLMs
Multi-Agent Systems with LangGraph
Fine-Tuning
Python Fundamentals Review
۳ساعت
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
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
مهلت ثبت نام تا ۵ خرداد
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.
