Udemy – 19 Generative AI Real Time Projects End to End 2024-9

در تاریخ: 1403/07/16 8:50:20

توضیحات

19 Generative AI Real Time Projects End to End دوره آموزشی عملی هوش مصنوعی مولد می باشد که توسط اکادمی آنلاین یودمی منتشر شده است. 19 Generative AI Real Time Projects End to End یک دوره عملی و مبتنی بر پروژه است که به افراد امکان می‌دهد از طریق برنامه کاربردی عملی، تجربه عمیقی در زمینه هوش مصنوعی مولد کسب کنند. این دوره تکنیک های کلیدی هوش مصنوعی مانند یادگیری عمیق، شبکه های عصبی، GAN ها (شبکه های متخاصم مولد) و ترانسفورماتورها را با تمرکز بر حل مشکلات دنیای واقعی پوشش می دهد. شرکت کنندگان بر روی 19 پروژه پایان به انتها کار خواهند کرد و از مدل های هوش مصنوعی در کارهایی مانند تولید تصویر، ایجاد متن، ترکیب ویدئو و سایر زمینه های خلاقانه استفاده خواهند کرد. این دوره همچنین بر گردش کار کامل توسعه هوش مصنوعی، از پیش پردازش داده ها و آموزش مدل گرفته تا استقرار و بهینه سازی عملکرد تأکید دارد.

این دوره شامل یادگیری عمیق، GAN ها، شبکه های عصبی، و ترانسفورماتورها، با 19 پروژه در زمان واقعی با تمرکز بر تولید تصویر، ایجاد متن، و سنتز ویدئو است. فراگیران در تمام مراحل توسعه هوش مصنوعی، از پیش پردازش داده تا استقرار، ساختن یک مجموعه جامع تا پایان دوره کار خواهند کرد. این دوره آموزشی آنها را به تخصص عملی در هوش مصنوعی مولد در برنامه های مختلف مجهز می کند. در پایان، فراگیران مجموعه‌ای از پروژه‌های مولد هوش مصنوعی خواهند داشت که تخصص خود را در طراحی و اجرای راه‌حل‌های هوش مصنوعی در صنایع مختلف به نمایش می‌گذارند.

آنچه در دوره 19 Generative AI Real Time Projects End to End یاد خواهید گرفت:

توسعه مهارت های عملی در ساخت و استقرار برنامه های کاربردی هوش مصنوعی با استفاده از مدل های LLM
استفاده از مجموعه داده های مختلف
استفاده از LLM ،VectorDB ،Langchain ،LlamaIndex ،Flask ،Streamlit ،Chainlit و غیره
کسب تجربه عملی در LLMOps
و …

مشخصات دوره

ناشر: یودمی
مدرس: Boktiar Ahmed Bappy
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 18
مدت زمان آموزش: 6 ساعت و 23 دقیقه

سرفصل های دوره در تاریخ 2024/10

19 Generative AI Real Time Projects End to End Content

پیش نیازهای دوره

Proficiency in Python Programming: Strong understanding of Python syntax and experience with data manipulation libraries (NumPy, Pandas).
Basic Deep Learning Knowledge: Familiarity with neural networks, backpropagation, and concepts like CNNs and RNNs.
Experience with ML Frameworks: Hands-on experience using TensorFlow, PyTorch, or Keras for model development and training.
Mathematics Foundation: Knowledge of linear algebra, calculus, and probability for comprehending model architecture.