برچسب Patrik Szepesi

ZeroToMastery – AWS Bootcamp: Build AI Apps with AWS Bedrock 2026-6

دوره AWS Bootcamp: Build AI Apps with AWS Bedrock. این دوره آموزشی یک برنامه عملی و جامع برای یادگیری پلتفرم AWS Bedrock است که به فراگیران کمک می‌کند تا با استفاده از مدل‌های پایه برتر و خدمات ابری آمازون، برنامه‌های هوش مصنوعی مولد و سیستم‌های چندعاملی مقیاس‌پذیر بسازند و در محیط عملیاتی مستقر کنند. این دوره آموزشی گامی ایده‌آل برای برداشتن قدم بعدی در مسیر یادگیری هوش مصنوعی و آغاز ساخت برنامه‌های هوش مصنوعی مقیاس‌پذیر است. در این آموزش، فراگیران با دنیای پیشرفته AWS Bedrock آشنا می‌شوند و مهارت‌های خود را از طریق ساخت و استقرار شش پروژه واقعی با استفاده از مدل‌های پایه شرکت‌های مطرحی مانند OpenAI، Anthropic، Google، Cohere و Mistral از طریق یک رابط برنامه‌نویسی واحد (API) ارتقا می‌دهند. پلتفرم AWS Bedrock یک سرویس کاملاً مدیریت‌شده از سوی خدمات وب آمازون برای ساخت برنامه‌های هوش مصنوعی مولد است که امکان کار با مدل‌های پایه قدرتمند را بدون درگیر شدن با پیچیدگی‌های زیرساختی فراهم می‌کند. این دوره فراگیران را از سطح صفر به مرحله ساخت برنامه‌های هوش مصنوعی آماده برای محیط تولید می‌رساند، حتی اگر هیچ تجربه قبلی در زمینه هوش مصنوعی مولد نداشته باشند. پروژه‌های این دوره سرویس AWS Bedrock را با خدمات ضروری دیگری نظیر API Gateway، AWS Lambda، S3، AgentCore و Postman یکپارچه می‌کنند. مباحث آموزشی طیف گسترده‌ای از مفاهیم کلیدی را پوشش می‌دهند؛ از جمله اصول مدل‌های زبانی بزرگ (LLMs)، تنظیم دقیق (Fine-Tuning) و تنظیم دقیق تقویتی با بازخورد انسانی (RFT)، مدیریت و بهینه‌سازی پرامپت‌ها، مسیریابی هوشمند میان مدل‌ها بر اساس هزینه و کیفیت، استنتاج دسته‌ای و خودکارسازی داده‌ها. علاوه بر این، شرکت‌کنندگان با تولید تصویر با استفاده از مدل‌های انتشار، ارزیابی ایمنی هوش مصنوعی، تشخیص واترمارک و اعمال محدودیت‌های حفاظتی (Guardrails) برای تضمین رفتار مسئولانه هوش مصنوعی آشنا می‌شوند. بخش مهمی از این آموزش به استقرار بدون سرور، انتقال عامل‌های هوشمند از نمونه اولیه به محیط تولید با AgentCore و پیاده‌سازی حافظه کوتاه‌مدت و بلندمدت برای شخصی‌سازی تعاملات اختصاص دارد. همچنین، پروژه‌های عملی متعددی در طول دوره ساخته می‌شوند که شامل ابزار تولید تصویر، ابزار تولید و اشکال‌زدایی کد، ابزار خلاصه‌سازی جلسات، سیستم توصیه‌گر چندعاملی هتل و رستوران، عامل صوتی پذیرش هتل با فناوری Nova Sonic و دستیار جستجوی وب مجهز به حافظه هستند.

Udemy – Build an AWS Machine Learning Pipeline for Object Detection 2024-12

Build an AWS Machine Learning Pipeline for Object Detection، دوره ساخت یک خط لوله یادگیری ماشین AWS برای تشخیص اشیا توسط آکادمی یودمی منتشر شده است. در این دوره، ما تمام مراحل لازم برای ایجاد یک خط لوله یادگیری ماشین قوی و قابل اعتماد را پوشش خواهیم داد، از پیش پردازش داده ها گرفته تا تنظیم هایپرپارامتر برای تشخیص اشیا. در ادامه شما را با اصول اولیه AWS Sage Maker آشنا می کنیم، سرویسی کاملا مدیریت شده که توانایی ساخت، آموزش و استقرار سریع و آسان مدل های یادگیری ماشین را برای توسعه دهندگان و دانشمندان داده فراهم می کند. شما یاد خواهید گرفت که چگونه از Sagemaker برای پیش پردازش و آماده سازی داده های خود برای یادگیری ماشین استفاده کنید.

ZeroToMastery – Advanced AI: LLMs Explained with Math (Transformers, Attention Mechanisms & More) 2025-3

دوره Advanced AI: LLMs Explained with Math (Transformers, Attention Mechanisms & More). این دوره آموزشی به بررسی ریاضیات پشت مدل‌های ترنسفورمر، مکانیسم‌های توجه و سایر مفاهیم پیشرفته هوش مصنوعی می‌پردازد. در این دوره، شما رازهای پشت ترنسفورمرها مانند GPT و BERT را کشف خواهید کرد. توکنیزاسیون، مکانیسم‌های توجه، انکودینگ‌های موقعیتی و امبدینگ‌ها را یاد می‌گیرید تا با هوش مصنوعی پیشرفته بسازید و نوآوری کنید. در زمینه machine learning برتری پیدا کنید و به یک متخصص هوش مصنوعی درجه یک تبدیل شوید. معماری ترنسفورمر یک مدل بنیادی در هوش مصنوعی مدرن، به ویژه در پردازش زبان طبیعی (NLP) است. آنچه ترنسفورمرها را خاص می‌کند این است که به جای خواندن کلمه به کلمه مانند سیستم‌های قدیمی (به نام مدل‌های recurrent)، ترنسفورمر کل جمله را به طور همزمان بررسی می‌کند.

ZeroToMastery – AI Mastery: LLMs Explained with Math (Transformers, Attention Mechanisms & More) 2025-4

AI Mastery: LLMs Explained with Math (Transformers, Attention Mechanisms & More)، دوره آموزش هوش مصنوعی: توضیح LLM‌ها با ریاضیات (ترانسفورمرها، مکانیزم‌های توجه و موارد دیگر) توسط آکادمی ZeroToMastery منتشر شده است. رازهای ترانسفورمرها مانند GPT و BERT را کشف کنید و با یادگیری مفاهیمی مانند توکن‌سازی، مکانیزم‌های توجه، رمزگذاری موقعیتی و جاسازی‌ها، در حوزه هوش مصنوعی پیشرفته نوآوری کنید. معماری ترانسفورمر یکی از مدل‌های بنیادی در هوش مصنوعی مدرن، به‌ ویژه در پردازش زبان طبیعی (NLP) است که نخستین بار در مقاله‌ی تأثیرگذار “Attention Is All You Need” توسط Vaswani و همکاران در سال 2017 معرفی شد و یکی از مهم‌ ترین پیشرفت‌های فناورانه‌ای است که منجر به ظهور مدل‌های زبانی بزرگ امروزی مانند ChatGPT و Claude شده است. تفاوت اصلی ترانسفورمر با مدل‌های بازگشتی قدیمی این است که به جای پردازش کلمه‌به‌کلمه، کل جمله را به‌طور همزمان بررسی می‌کند و با استفاده از مکانیزم توجه، کلمات کلیدی را برای هر وظیفه مشخص می‌سازد؛ به‌عنوان مثال، در جمله‌ی “او جعبه را باز کرد زیرا روز تولدش بود”، مدل برای درک درست، باید توجه ویژه‌ای به “it” داشته باشد تا بفهمد به “جعبه” اشاره دارد. ترانسفورمرها پایه و اساس بسیاری از سیستم‌های هوش مصنوعی امروزی هستند؛ مدل‌هایی مانند GPT، BERT (که در موتورهای جستجو مانند Google استفاده می‌شود) و DALL·E (برای تولید تصویر) همگی بر پایه‌ی این معماری ساخته شده‌اند، و درک ترانسفورمرها به شما بینشی عمیق نسبت به نحوه عملکرد آنها می‌دهد. بیاموزید که چگونه ترانسفورمرها متن خام را با استفاده از تکنیک‌هایی مانند الگوریتم WordPiece به فرمت پردازش‌پذیر تبدیل می‌کنند و اهمیت توکن‌سازی را در درک زبان کشف کنید.

ZeroToMastery – Build AI Agents with AWS 2025-4

Build AI Agents with AWS، دوره آموزش ساخت عامل‌های هوش مصنوعی با AWS توسط آکادمی ZeroToMastery منتشر شده است. یاد بگیرید چگونه چندین عامل هوش مصنوعی را با AWS طراحی، توسعه و مستقر کنید، با ساخت عامل هوش مصنوعی سفری که آماده استفاده در محیط تولید است، و تجربه عملی کسب کنید تا مهارت‌های هوش مصنوعی خود را ارتقا دهید. هوش مصنوعی فقط به مدل‌های منفرد محدود نمی‌شود—بلکه شامل همکاری بین چندین عامل است. این دوره به شما آموزش می‌دهد که چگونه جریان‌های کاری چندعاملی هوش مصنوعی را در AWS Bedrock بسازید، جایی که عامل‌های تخصصی وظایف را به‌صورت پویا مدیریت می‌کنند. شما یک عامل برنامه‌ریز سفر طراحی خواهید کرد که رستوران‌ها را پیشنهاد می‌دهد، هتل‌ها را پیدا می‌کند و درخواست‌های کاربران را به‌صورت لحظه‌ای پردازش می‌کند. در این دوره مدل‌های زبانی بزرگ (LLM) AWS Bedrock، هماهنگ‌سازی عامل‌های هوش مصنوعی، و استقرار جریان‌های کاری با AWS Lambda، API Gateway و S3 را بررسی خواهیم کرد. پروژه‌های عملی به شما تجربه‌ای واقعی می‌دهند و شما را در طراحی اپلیکیشن‌های هوش مصنوعی توانمند و مطمئن می‌کنند. در پایان این دوره، یک سیستم هوش مصنوعی آماده تولید خواهید داشت و همچنین مهارت‌های لازم برای ساخت و مقیاس‌بندی هوشمند‌سازی مبتنی بر AWS را کسب خواهید کرد.

ZeroToMastery – Build a Simple Neural Network & Learn Backpropagation 2025-4

Build a Simple Neural Network & Learn Backpropagation، دوره آموزش ساخت یک شبکه عصبی ساده و یادگیری Backpropagation توسط آکادمی ZeroToMastery منتشر شده است. یاد بگیرید که با کدنویسی یک شبکه عصبی ساده از صفر در پایتون، بدون استفاده از کتابخانه‌ها، مفهوم پس‌انتشار خطا (Backpropagation) و گرادیان نزولی را درک کنید—ایده‌آل برای مهندسان یادگیری ماشین، دانشمندان داده و متخصصان هوش مصنوعی. این دوره شبکه‌های عصبی را به اصول بنیادی‌شان، یعنی ریاضیات و پایتون خام، کاهش می‌دهد. شما به مکانیزم‌های داخلی پس‌انتشار خطا، گرادیان نزولی و ریاضیات زیربنایی شبکه‌های عصبی مدرن وارد خواهید شد. بدون استفاده از فریمورک‌های آماده یا جعبه‌های سیاه—تنها شما، ریاضیات و کد شما. گام‌به‌گام، شبکه‌های عصبی را به‌صورت دستی ساخته و از ابتدا پیاده‌سازی خواهید کرد. از مشتقات جزئی گرفته تا به‌روزرسانی وزن‌ها، هر مفهوم شکافته شده و در پایتون کدنویسی می‌شود (بدون نیاز به کتابخانه‌هایی مانند PyTorch!). اگر می‌خواهید درک عمیقی از یادگیری ماشین داشته باشید و آن را با ساخت شبکه عصبی خود ثابت کنید. این دوره نقطه شروع شماست. ابتدا اهداف دوره را درک کنید و ببینید چرا پس‌انتشار خطا در یادگیری ماشین مدرن کلیدی است. این بخش انتظارات را تنظیم می‌کند و توضیح می‌دهد که تسلط بر ریاضیات چگونه می‌تواند به شما یک مزیت رقابتی بدهد. مهارت‌های خود را ارتقا دهید. این بخش ساخت یک شبکه عصبی عمیق‌تر با توابع فعال‌سازی غیرخطی را توضیح می‌دهد. شما از تکنیک‌های پیشرفته پس‌انتشار خطا برای آموزش مدل‌های پیچیده‌تر استفاده خواهید کرد و خواهید دید که چگونه شبکه‌های عصبی واقعی از پایه ساخته می‌شوند.

ZeroToMastery – Ultimate AWS Bedrock Guide: Build and Scale Generative AI Apps 2025-4

Ultimate AWS Bedrock Guide: Build and Scale Generative AI Apps، دوره آموزش راهنمای AWS Bedrock: ساخت و مقیاس‌ دهی اپلیکیشن‌های هوش مصنوعی مولد توسط آکادمی ZeroToMastery منتشر شده است. یادگیری دنیای پیشرفته AWS Bedrock و کسب مهارت‌های لازم برای ساخت اپلیکیشن‌های هوش مصنوعی. در این دوره، شما سه پروژه هوش مصنوعی را با استفاده از مدل‌های پایه‌ای از Meta، Anthropic، Cohere، Mistral و موارد دیگر، از طریق یک API واحد ایجاد و مستقر خواهید کرد. AWS Bedrock یک سرویس مدیریت‌شده کامل است که دسترسی به مجموعه‌ای از مدل‌های قدرتمند از شرکت‌های پیشرو در حوزه هوش مصنوعی، مانند Anthropic، Cohere، Meta، Mistral AI، Stability AI و Amazon را فراهم می‌کند—همگی از طریق یک API واحد. AWS Bedrock توسط Amazon ایجاد شده تا توسعه‌دهندگان بتوانند به‌راحتی اپلیکیشن‌های هوش مصنوعی مولد را با امنیت، حفظ حریم خصوصی و اصول هوش مصنوعی مسئولانه توسعه دهند. اما مهم‌تر از همه، این سرویس فرآیند استفاده از این مدل‌های قدرتمند را برای موارد کاربرد مختلف ساده‌سازی می‌کند، قابلیت‌های گسترده‌ای را ارائه می‌دهد تا از توسعه تا مقیاس‌گذاری اپلیکیشن‌های هوش مصنوعی مولد پشتیبانی کند. به‌عبارت دیگر، AWS Bedrock ابزارهایی را در اختیار شما قرار می‌دهد تا رؤیاهای هوش مصنوعی خود را محقق کنید، بدون اینکه درگیر پیچیدگی‌های فنی شوید!

Udemy – Mathematics Behind Backpropagation | Theory and Python Code 2025-1

دوره Mathematics Behind Backpropagation | Theory and Python Code به کشف اسرار الگوریتمی می‌پردازد که نیروی محرکه هوش مصنوعی مدرن، یعنی پس‌انتشار، محسوب می‌شود. این مفهوم اساسی، فرآیند یادگیری در شبکه‌های عصبی را هدایت می‌کند و فناوری‌هایی نظیر خودروهای خودران، مدل‌های زبانی بزرگ، پیشرفت‌های تصویربرداری پزشکی و بسیاری موارد دیگر را ممکن می‌سازد. در این دوره، مخاطبان در سفری از سطح مقدماتی تا تسلط کامل همراهی می‌شوند و پس‌انتشار را از منظر تئوری و پیاده‌سازی عملی مورد بررسی قرار می‌دهند. این دوره با مبانی اولیه آغاز شده و به آموزش ریاضیات نهفته در پس‌انتشار، شامل مشتقات، مشتقات جزئی و گرادیان‌ها می‌پردازد. همچنین، مفهوم «نزول گرادیان» به زبانی ساده تبیین شده و نحوه بهینه‌سازی عملکرد ماشین‌ها به طور کارآمد نشان داده می‌شود.