هوش مصنوعی یکی از مهم ترین اما کمتر شناخته شده ترین زمینه ها در جهان است. طرز تفکر ما در مورد تجارت را تغییر می دهد، اما آنقدر سریع در حال تغییر است که پیگیری آن دشوار است. این دوره که توسط مهندسان لینکدین آنانت سانکار و دانیل هیولت تدریس می‌شود، نشان می‌دهد که چگونه شبکه‌های عصبی و یادگیری عمیق هوش مصنوعی را در دهه گذشته متحول کرده‌اند و برنامه‌هایی را که قبلا غیرممکن بودند، فعال می‌کنند. Ananth و Daniel برخی از محبوب ترین معماری های شبکه عصبی را پوشش می دهند. آنها موضوعات کلیدی مانند شبکه‌های عصبی طبقه‌بندی خطی ساده، شبکه‌های عصبی کانولوشنال، و یادگیری توالی، و همچنین شبکه‌های عصبی نموداری و نحوه اعمال آنها را برای پیش‌بینی نمودارهای شبکه‌های اجتماعی مورد بحث قرار می‌دهند.

 

در این دوره آموزشی، نحوه تسلط بر MLflow و Hugging Face، دو پلتفرم منبع باز قدرتمند برای MLOها را بیاموزید. با شروع MLflow، یاد بگیرید که چگونه چرخه زندگی یادگیری ماشین را ساده کنید، پروژه ها و مدل ها را مدیریت کنید، از سیستم UI ردیابی استفاده کنید و با مدل های ثبت شده تعامل کنید. سپس، با مروری بر Hugging Face Hub، مخازن، و Hugging Face Spaces، مقدمه ای برای Hugging Face دریافت کنید. نحوه همکاری و استقرار مدل‌ها، ذخیره مجموعه داده‌ها و مدل‌ها، ایجاد دموهای تعاملی زنده و استفاده از مخازن جامعه را بیاموزید.

توجه: این دوره توسط آزمایشگاه‌های هوش مصنوعی Pragmatic ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم

 با پیشرفت های اخیر در فضای هوش مصنوعی، گردش کار برای استقرار، نظارت و نگهداری مدل های ML تغییر کرده است. در این دوره، کیت مک کورمیک - یک داده کاوی، مربی، سخنران و نویسنده مستقل - مراحل پروژه ML را تجزیه می کند و شما را از طریق ارزیابی مدل، امتیازدهی، استقرار و نگهداری مدل راهنمایی می کند. در مورد مهندسی داده و MLOps در چرخه حیات ML و همچنین اصول اولیه مدل سازی ML بیاموزید. یک چک لیست استقرار مفید دریافت کنید که می توانید در ارزیابی مدل از آن استفاده کنید. نحوه امتیاز دهی به مدل‌های سنتی ML، مدل «جعبه سیاه» و یک گروه را بیاموزید. برو بیش از دسته و به ثمر رساند زمان واقعی. به علاوه، نظارت بر مدل و بهترین فرکانس برای بازسازی مدل را کشف کنید.

 در این دوره آموزشی، Ziggy Zulueta - یک مربی حرفه ای و معتبر مایکروسافت هوش مصنوعی - از مثال ها و برنامه های کاربردی استفاده می کند تا به شما نشان دهد چگونه از Python با Azure Open AI، Cosmos DB و AI Search برای ایجاد راه حل های پیشرفته بازیابی-نسل تقویت شده (RAG) برای داده های پیشرفته استفاده کنید. در اصول RAG، پیاده سازی های مبتنی بر پایتون و روش های ارزیابی عملکرد غوطه ور شوید. نحوه راه اندازی منابع Azure، ایجاد نمایه های داده، اعمال مجموعه مهارت ها برای بهبود داده ها و خودکار کردن فرآیند نمایه سازی را بیاموزید. اهمیت پایگاه‌های داده برداری، توکن‌سازی، جاسازی‌ها و چگونگی تسهیل بازیابی و تقویت موثر داده‌ها را بررسی کنید. راه حل های RAG خود را برای اطمینان از دقت، ارتباط و ایمنی ارزیابی کنید. در پایان این دوره، شما مجهز به توسعه راه حل های پیچیده RAG خواهید بود که بینش دقیق و مرتبط متناسب با نیازهای کسب و کار شما را ارائه می دهد.

 هوش مصنوعی مولد یک موضوع داغ است که با انبوهی از مسائل حقوقی، اخلاقی و فناوری جدید پر شده است. توسعه هوش مصنوعی مولد ممکن است ناگهانی به نظر برسد، اما هنوز بر اساس دهه‌ها مفاهیم و شیوه‌های هوش مصنوعی پیش‌بینی‌کننده سنتی ساخته شده است. داگ رز در این دوره به تفاوت‌های بین هوش مصنوعی سنتی و مولد می‌پردازد. مفاهیم سنتی مانند شبکه‌های یادگیری عمیق تحت نظارت و بدون نظارت، الهام‌بخش مفاهیم جدید AI مولد مانند یادگیری خود نظارتی، مدل‌های پایه، مدل‌های انتشار و شبکه‌های متخاصم مولد هستند. برای درک اینکه یک فناوری به کجا می رود، مهم است که داستان آن را بدانید. این ابزارهای مولد هوش مصنوعی یک جهش بزرگ هستند، اما هنوز فصل دیگری از داستان هیجان انگیز هوش مصنوعی هستند.

 در این دوره ، تکنسین اصلی ابر ، لی آسام شما را با آمازون Bedrock آشنا می کند و درک بنیادی از AI تولیدی و نحوه استفاده از مدل های پایه (FMS) را می توان برای حل مشکلاتی مانند خلاصه متن ، جستجوی معنایی/مکالمه و تولید محتوا ارائه داد. با استفاده از کتابخانه هایی مانند Python Boto3 ، Langchain و Streamlit ، می توانید نحوه ساخت برنامه های AI مولد را ایجاد کنید که از مدل های بزرگ زبان (LLMS) با استفاده از API بدون مدیریت زیرساخت استفاده می کنند. FMS از پیش ساخته موجود در Bedrock Amazon و ویژگی هایی را که آمازون Bedrock ارائه می دهد ، کاوش کنید. به علاوه ، آنچه را که یاد می گیرید هنگام ساختن یک برنامه اصلی Gen AI با استفاده از Amazon Bedrock برای نشان دادن قابلیت های آن ، تمرین کنید.

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.