دوره جامع هوش مصنوعی

کلیات حل مساله

ساختار الگوریتم ها

دستورات شرطی

حلقه و تکرار

حل چند مساله

فلوچارت

توضیحات محیط و نصب

عملگرهای ریاضی

عملگرهای شرطی، منطقی و بیتی

ساخت رشته

کنترل نحوه نمایش

لیست ها

توابع کار با لیست

تاپل ها

دیکشنری و مجموعه

ساختار شرطی

حلقه ها

حلقه در ساختارهای داده

رسم اشکال هندسی(حل تمرین)

مثلث خیام پاسکال(حل تمرین)

تابع نویسی

متغیرهای محلی

شی گرایی 1

شی گرایی 2

آرایه های چند بعدی در Numpy

اعمال توابع در Numpy

آمار و احتمالات در Numpy

فکر بکر 1(حل تمرین)

فکر بکر 2(حل تمرین)

دیتافریم در Pandas

گروه بندی داده ها در Pandas

رسم نمودار گرافیکی

رسم نمودارهای آماری

توابع لامبدا و رسم سری ریمان(حل تمرین)

کار با فایل

ویروس و آنتی ویروس

آشنایی با انواع خطا

مدیریت استثنا1

مدیریت استثنا2

استثنا(حل تمرین)

ویدیو ضبط شده وبینار هوش مصنوعی برای همه

جلسه اوّل: هوش مصنوعی و ایده‌های کسب‌وکار

رویداد لایو - گفت و گو با دکتر سیدمهدی خلیق‌رضوی

ارائه دکتر اخائی

ارائه دکتر یعقوب زاده

History of AI

AI, ML, and Deep learning

Applications of artificial intelligence and types of AI

Supervised and Unsupervised Learning

Getting started in scikit-learn with iris dataset

Image as a data

Persian digit dataset

Persian digit classification

generalization, overfitting, and underfitting

Linear Regression

Linear Models and Regularization methods

Unsupervised learning(Transformations)

Unsupervised learning(Clustring)

Cross validation, Model complexity and Gridsearch

Model Evaluation and Confusion matrix

What is perceptron and introduction to neural network

Nonlinearity,activation function, and cost function

Optimization, gradient descent, and backpropagation

How define a model in Keras and tensorflow

Batch, Mini-Batch and Stochastic Gradient decent

Simple Neural Network in Keras

Sparse label, from logits and flatten layer

Overfitting and dropout

A brief history of CNN

Layer hirarchy in convolutional neural network

Convolution kernel

Padding and stride in convolution

Convolution on rgb image and simple network

Average and max pooling operation

LeNet-5 architecture

Calculating the number of Parameters and shapes in CNNs

Convolution Neural Network in Tensorflow Keras

Learning rate

Batch Normalization

Introduction to Machine Learning

?What is Machine Learning

Learning Types

Introduction to Linear Regression

Gradient Descent

Nonlinear Regression

Bias & Variance

Regularization

Introduction to Sklearn(Programing)

Pre-process 01(Programing)

Pre-process 02(Programing)

Pre-process 03(Programing)

Pre-process 04(Programing)

Pre-process 05(Programing)

Pre-process 06(Programing)

Regression 01(Programing)

Regression 02(Programing)

Regression 03(Programing)

Regression 04(Programing)

KNN

KNN decision boundary

KNN 01(Programing)

KNN 02(Programing)

Evaluation Metrics

Decision Tree

Entropy

ID3 algorithm

C4.5 algorithm

پیاده سازی درخت تصمیم

بررسی معیارهای ارزیابی در درخت تصمیم

بررسی ماتریس درهم ریختگی و نمودار ROC در درخت تصمیم

Multiclass

Bayesian Networks

Inference in Bayesian Networks

Naive Bayes Classifier

Naive Bayes classifier Example

Hidden Markov Model

Gaussian Naive Bayes

Gaussian Naive Bayes Parametric

Naive Bayesian 01(Programing)

Naive Bayesian 02(Programing)

Logistic Regression

Formalism

Roc Curve

Logistic Regression(Programing)

SVM

Svm Example

Kernel Functions

Soft Margin in Svm

SVM(Programing)

Ensemble of Classifiers

Stacking & Bagging

Boosting & Adaboost

Ensemble(Programing)

مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین

تقسیم‌بندی مسائل یادگیری ماشین: یادگیری با‌نظارت و بدون نظارت

مسائل و کاربرد‌های یادگیری بدون نظارت

معیار‌های فاصله و شباهت

انواع روش‌های خوشه‌بندی

خوش‌بندی سلسله مراتبی

الگوریتم K-means

الگوریتم Kernel K-means

الگوریتم DBSCAN

معیار‌های ارزیایی خوشه‌بندی

مقایسه Linkage‌ های مختلف در خوشه‌بندی سلسله مراتبی (Programming)

نحوه استفاده از الگوریتم DBSCAN و ارزیابی آن (Programming)

پیاده‌سازی الگوریتم k-means روی مجموعه داده digits (Programming)

استفاده از الگوریتم k-means برای color quantization (Programming)

مقدمه‌ای بر روش‌های کاهش بعد

روش‌های انتخاب ویژگی

Sequential Forward Selection

Bias-Variance Tradeoff

PCA (part1)

PCA (part2)

PCA using SVD (Matrix Factorizations)

LDA (part1)

LDA (part2)

مقایسه‌ی PCA , LDA (Programming)

تخمین توزیع و تخمین‌گر MLE

توزیع نرمال و تخمین‌گر MLE

توزیع نرمال چند متغیره

الگوریتم EM و توزیع GMM

الگوریتم EM

کاربرد GMM در خوشه‌بندی و تخمین توزیع (Programming)

Autoencoder

برخی از کاربرد‌های Autoencoder (Denoising)

Variational Autoencoder

VAE: Regularized Latent Space

Normalizing Flows

رابطه‌ی تغییر متغیر (Change of Variable Formula)

مدل NICE

مدل RealNVP

مدل Glow

Semi-Supervised و الگوریتم Self-Training

الگوریتم Co-training و Label Propagation

Semi-Supervised Learning and Bias-Variance Tradeoff

Data Augmentation

Transfer Learning

Self-Supervised Learning

BERT and GPT Models

تحلیل احساسات با استفاده از مدل (Programming) BERT

تشخیص ناهنجاری و الگوریتم Isolation Forest

تشخیص ناهنجاری با استفاده از AE و تخمین توزیع

تشخیص ناهنجاری با استفاده از Isolation Forest بر روی کارت‌های اعتباری (Programming)

مقدمه

دستاوردهای هوش مصنوعی 01

دستاوردهای هوش مصنوعی 02

هوش مصنوعی در بازار کار

آینده هوش مصنوعی 01

آینده هوش مصنوعی 02

یادگیری عمیق چیست؟

تاریخچه شبکه‌های عصبی

تفاوت یادگیری عمیق و کلاسیک

فرایند کلی یادگیری عمیق

مقدمه

یادگیری ماشین

انواع روش ‌های یادگیری ماشین

یادگیری تقویتی

چالش‌های یادگیری ماشین 01

چالش‌های یادگیری ماشین 02

چالش‌های یادگیری ماشین 03

شبکه‌های عصبی 01

شبکه‌های عصبی 02

الگوریتم گرادیان کاهشی ۰۱

الگوریتم گرادیان کاهشی 02

پیاده سازی الگوریتم گرادیان کاهشی بر روی شبکه عصبی پرسپترون

الگوریتم پس انتشار خطا

batch & mini-batch & stochastic gradient descent

مثال ساده طبقه بندی

شبکه‌های عصبی MLP

مفهوم کانولوشن

کانولوشن در پردازش تصویر

شبکه‌های عصبی کانولوشنال 01(CNN)

شبکه‌های عصبی کانولوشنال 02(CNN)

لایه Transposed Conv

شبکه AlexNet

شبکه VGG & GoogleNet & ResNet

بهینه‌سازی شبکه‌های عصبی

Dropout

Data Augmentation & Batch Normalization

طراحی شبکه‌های عمیق 01

طراحی شبکه‌های عمیق 02

طراحی شبکه‌های عمیق 03

یادگیری انتقالی(Transfer Learning)

مثال کاربردی

پیاده سازی Transfer Learning

معرفی اتوانکدر‌ها

کاربرد اتوانکدر‌ها

مدل‌های مولد

مدل‌های مولد تخاصمی

انواع مدل‌های GAN

StyleGAN

چالش‌های مدل‌های GAN & مدل‌های مولد متن به تصویر

مدل‌های مولد متن به تصویر

آموزش Google Colab

Deep learning frameworks

Tensorflow

شبکه‌های بازگشتی

شبکه‌های بازگشتی و مکانیزم توجه

مکانیزم توجه

ترانسفورمرها 01

ترانسفورمرها 02

Deep Feed-Forward Coding

Deep Forward Implementation

CNN 01

CNN 02

Training and overfitting

مقدمه

چارچوب‌های اصلی

توابع هزینه

بهینه سازی و تعمیم پذیری

فرآیند تصمیم مارکوف

روش‌های برنامه نویسی پویا

روش مونت کارلو۱

روش مونت کارلو۲

روش یادگیری temporal difference1

روش یادگیری temporal difference2

Q-learning

N-step return

SARSA

تخمین تابع ارزش

شواهد زیستی

بخش۱: توزیع توام دنباله‌ها

بخش۲: گرادیان سیاست

بخش۳:الگوریتم reinforce و تفسیر آن

بخش۴: بایاس و واریانس

مفاهیم اصلی بخش اول

مفاهیم اصلی بخش دوم

روش های پیشرفته بخش اول

روش های پیشرفته بخش دوم

کنترل کلاسیک و برنامه ریزی

روش‌های برنامه ریزی و جستجو

یادگیری مدل محیط

عدم قطعیت

یادگیری سیاست در یادگیری تقویتی مبتنی بر مدل

یادگیری تقلیدی

روش های random shooting, CEM, MCTS

مقدمه و تعریف

انگیزه‌ها و چالش‌ها

مشکل شیفت توزیع و بیش تخمین تابع ارزش

روش‌های مبتنی بر سیاست

روش‌های مبتنی بر تابع ارزش

روش‌های مبتنی بر مدل

یادگیری تقویتی با بازخورد انسانی

مفاهیم اولیه

الگوریتم‌های UCB و نمونه برداری تامپسون

contextual

معرفی OpenAI Gym

پیاده سازی محیط

پیاده سازی جدولی روش Q-learning

پیاده سازی Q-learning

پیاده سازی SARSA و Double Q-learning

پیاده سازی Q-learning با شبکه‌های عصبی1

پیاده سازی Q-learning با شبکه‌های عصبی2

روش گرادیان سیاست - الگوریتم REINFORCE

روش Actor-Critic

روش مبتنی بر مدل1

روش گرادیان سیاست - الگوریتم REINFORCE

روش Actor-Critic

روش مبتنی بر مدل2

روش مبتنی بر مدل3

روش Multi-Armed Bandit

روش Epsilon-Greedy و Softmax

روش‌های UCB و Thompson Sampling

سرفصل‌ها

تحلیل الگوریتم مرتب‌سازی درجی

نمادهای توابع رشد الگوریتم‌ها

چگونه یک الگوریتم را تحلیل کنیم؟

نحوه عملکرد الگوریتم‌های بازگشتی

مثال(مرتب‌سازی ادغامی)

برج هانوی و درخت بازگشتی فیبوناتچی

آرایه (Array)

ماتریس خلوت و لیست پیوندی

عملیات رایج روی لیست پیوندی و پشته

تبدیل infix به postfix

صف (Queue)

مفاهیم ساختمان‌ داده درخت‌

پیمایش درخت دودویی

درخت هافمن و Heap

درخت دودویی جستجو

مفاهیم ساختمان‌ داده Hash

روش‌های Hashing

انتخاب تابع مناسب برای پراكندگی

دسته‌بندی الگوریتم‌های مرتب‌سازی

Count Sort & Radix Sort

Insertion Sort & Selection Sort

Bubble Sort & Merge Sort

Quick Sort

Heap Sort

مفاهیم ساختمان‌ داده گراف

روش‌های نمایش گراف

پیمایش گراف

پیمایش عمقی

کاربرد‌های پیمایش عمقی

درخت پوشای کمینه (الگوریتم Kruskal, Prim)

مسئله کوتاهترین مسیر از یک راس (الگوریتم Dijkstra)

كوتاهترین مسیر بین هر دو رأس (الگوریتم Floyd-Warshall)

طبقه بندی مسائل و چند نمونه مسئله

جستجوی کل حالت‌ها (Brute-force-search)

روش تقسیم و غلبه (Divide and Conquer)

مسئله خط آسمان (Skylines)

شمارش تعداد وارونگی‌ها

برنامه‌سازی پویا (Dynamic Programming)

روش حریصانه (Greedy)

مثال از روش حریصانه

مبانی ریاضیاتی

سیستم‌های خطی

معادله برداری

معادله ماتریسی

جبر ماتریسی

فضاهای برداری

بعد برداری

رتبه ماتریس

نرم‌های برداری و ماتریسی

مقادیر ویژه و بردارهای ویژه

تجزیه‌های ماتریسی

تجزیه مقدار منفرد

تعریف بهینه سازی

توابع بهینه سازی

مشتق مرتبه دوم

الگوریتم‌های بهینه سازی

مبانی آمار و احتمال

متغیرهای تصادفی

توزیع‌های آماری

توزیع‌های گسسته

گشتاورها

دو متغیر تصادفی

ضریب همبستگی

بردارهای تصادفی

تئوری اطلاعات

نئوری اطلاعات 2

Syllabus

Basic Definitions

Motivations

Conducted Research at IPL

Brief Review on Signals & Systems

Some Simple Image Processing Tasks & Convolution

Fourier Transform 01

Fourier Transform 02

Fourier Transform 03

Fourier Transform 04

Image Filtering 01

Image Filtering 02

Review on Linear Algebra

Parameterizing the Rotation Matrix

Homogeneous Coordinates 01

Homogeneous Coordinates 02

Pinhole Camera Model 01

Pinhole Camera Model 02

Parallel projection 01

Parallel projection 02

Perspective projection

Building simple image mosaics 01

Building simple image mosaics 02

External & internal camera parameters

Homography map 01

Homography map 02

General camera translation

Two calibrated cameras 01

Two calibrated cameras 02

Two calibrated cameras & Calibration using known 3D object

Computing camera parameters from the projection matrix

Computing the projection matrix from E 01

Computing the projection matrix from E 02

Uncalibrated cameras - The fundamental matrix (F) & Projective reconstruction

Computing the projection matrices from F

Rectification using metric information

Surface reconstruction & rendering

Voronoi cells & Delaunay triangulations

Surface mappings, image-based rendering & Planar surfaces, linear mappings

Multiple Cameras 01

Multiple Cameras 02

Some Basic Properties

Derivatives 01

Derivatives 02

Keypoints 01

Keypoints 02

Keypoints 03

Scale Selection

SIFT

HoG

GIST

Keypoint Matching

Template Matching & Chamfer Matching

KD- Tree Search

Model Fitting

M - estimator

Robust Estimation

Data grouping

Learning Types

K-Means clustering

K-nearest neighbor classifier

Expectation-Maximization

Mean shift

Introduction to Deep Learning

Basic Machine Learning Concepts

Deep Learning in Computer Vision

Neural Network Models

Neural Networks

Convolutional Neural Networks

Recurrent Neural Networks

Transformer models

Popular Networks in Computer Vision

Opencv

Edge

Open3d

Homography

Surface Reconstruction

Template Matching 01

Template Matching 02

Sift

Feature Matching 01

Feature Matching 02

Comparison

Scikit Image

HoG

Scikit-learn

Clustering

Pytorch-Introduction

Pytorch-Torchvision

Pytorch-Dataset

Pytorch-Model

Pytorch-Train Loop

Pytorch-Inference

معرفی دوره

معرفی پردازش زبان طبیعی

regular expression_1

regular expression_2

بخش برنامه نویسی: re library(regular expression)

بخش برنامه نویسی: nltk library (natural language toolkit)

کلمه و پیکره

word tokenization

byte pair encoding Algorithm

word normalization

edit distance

بخش برنامه نویسی: preprocess

معرفی مدل های زبانی

مدل های n-gram

مجموعه های آموزشی و ارزیابی و تست

تعریف perplexity

text classification

logistic regression

مثال هایی از دسته بندی متن با LR

precision, recall, and F1

مقدمه

معیار های فاصله

TF_IDF

بخش برنامه نویسی: TF-IDF

بخش برنامه نویسی: TF-IDF-model

word2vec1

word2vec2

بخش برنامه نویسی: word2vec

RNNها

معماری های شبکه های بازگشتی

بخش برنامه نویسی: RNN

بخش برنامه نویسی: RNN word2vec

Attention1

Attention2

معرفی transformer

self attention

incoder/decoder in transformer

GPT

BERT

part of speech tagging

Named Entity Recognition (NER)

معرفی سیستم های گفتگو

ویژگی های گفتگو

سیستم های مبتنی بر frame

chatbots

ارزیابی سیستم های گفتگو

بخش برنامه نویسی: huggingface (1)

بخش برنامه نویسی: huggingface (2)

بخش برنامه نویسی: fine-tuning

معرفی

روش های مبتنی بر محتوا

روش collaborative filtering/user item

item-item colaborate filtering

ارزیابی

مقدمه سیگنال

تبدیل فوریه - قسمت 1

تبدیل فوریه - قسمت 2

DFT

نمونه برداری - قسمت 1

نمونه برداری - قسمت 2

کاربرد DFT قسمت 1

کاربرد DFT قسمت 2

سیگنال تصادفی - قسمت 1

سیگنال تصادفی - قسمت 2

تعاریف اولیه سیستم

سیستم های LTI

فیلترها - قسمت 1

فیلترها - قسمت 2

فیلترها - قسمت 3

طراحی فیلتر - قسمت 1

طراحی فیلتر - قسمت 2

مقدمه سیگنال های حیاتی

سیگنال های قلبی - قسمت 1

سیگنال های قلبی - قسمت 2

سیگنال های حیاتی مختلف

سیگنال های مغزی - قسمت 1

سیگنال های مغزی - قسمت 2

سیگنال های مغزی - قسمت 3

سیگنال های مغزی - قسمت 4

تخمین پارامتر آماری - قسمت 1

تخمین پارامتر آماری - قسمت 2

متوسط گیری سنکرون

فیلتر وفقی - قسمت 1

فیلتر وفقی - قسمت 2

فیلتر کالمن

جداسازی کور منابع

مکان یابی و کپستروم

مدل های پارامتری - قسمت 1

مدل های پارامتری - قسمت 2

مدل های پارامتری - قسمت 3

تخمین طیف - قسمت 1

تخمین طیف - قسمت 2

مقدمه زمان فرکانس

تقسیم بندی تبدیل های زمان فرکانس

ویولت پیوسته

ویولت گسسته - قسمت1

ویولت گسسته - قسمت 2

ویولت گسسته - قسمت 3

مقدمه یادگیری

تقسیم بندی روش های یادگیری

داده و ویژگی

طبقه بندی

مثال - تناسب مدل - هنجار سازی

ارزیابی

ویژگی EEG - قسمت 1

ویژگی EEG - قسمت 2

ویژگی EEG - قسمت 3

مقدمه کاربردها

پیش پردازش EEG

حذف نویز EEG

خواب و صرع 1

صرع 2

ارتباطات 1

ارتباطات 2

مقدمه BCI- قسمت 1

مقدمه BCI- قسمت 2

انواع BCI

ps300-speller - قسمت 1

ps300-speller - قسمت 2

ssvep-speller and MI based speller

انواع دیگر و جمع بندی BCI

پردازش ECG

مدل EKF - قسمت 1

مدل EKF - قسمت 2

کاربرد EKF

رسم محتوای فرکانسی سیگنال

نمایش زمان - فرکانس

چند نمونه سیگنال زیستی

حذف نویز سیگنال قلبی با فیلتر وفقی

کار با نرم افزار EEGLAB قسمت اول

کار با نرم افزار EEGLAB قسمت دوم

استخراج ویژگی سیگنال مغزی و کاهش بعد

جداسازی سیگنال قلبی جنین

الگوهای سیگنال مغزی P300 و SSVEP

Introduction

ML Project Life Cycle

ML life Cycle: Case Study

Deployment

Common Deployment Patterns

Monitoring

Pipeline Monitoring

Modeling

Low Average Test Error isn't Good Enough

Establish a Baseline

Performance Auditing

Data-centric AI

Data Definition

Label Consistency

HLP

Data Pipeline

Scoping

Data Lifecycle

Data

Responsible Data

Labelling

Data Issues

Feature Engineering

Preprocessing in Production

TF Transform

Feature Selection Example

ML Metadata

Evolving Data

Advanced Labeling

Neural Architecture Search

Auto ML

Resource Management

Quantization and Pruning

High Performance Modeling

Model analysis

Robustness

Remediation and Monitoring

Interpretability

Model Serving

Serving Systems

Serving Patterns

Online and Batch Inference

Experiment Tracking

Mlops level 0, 1 and 2

CI/CD

Monitoring and Privacy

FastAPI and a Simple Deep Model

TensorFlow Data Validation

Preprocess Data with TensorFlow Transform

Simple TFX Pipeline

Recursive Feature Elimination

Active Learning

Keras Tuner

Post-Training Quantization

Quantization Aware Training

Pruning

Distributed Training: One Device Strategy

Knowledge Distillation

مقدمه، مشاهده یک پرامپت، مبانی

مبانی و مفاهیم پرامپت‌نویسی

اصول و قواعد پرامپت‌نویسی

مدل‌ها و ابزارهای پرامپت‌نویسی

بررسی تغییر متغیرهای پرامپت‌نویسی و اثر آن‌ها

تمرین نکات اموزشی فصل اول و اجزای پرامپت

پیاده‌سازی یک ایجنت هوش مصنوعی ساده و مرور پرامپت‌های پیشرفته

یادگیری مدل‌های مختلف، ابزارها و بهینه‌سازی پرامپت

روش‌های پیشرفته پرامپت‌نویسی بخش اول

روش‌های پیشرفته پرامپت‌نویسی بخش دوم

پیاده‌سازی دستیار آموزشی

تست دستیار اموزشی و بهبود کیفیت آن

ساخت دستیار آموزشی مالتی ایجنت

روش‌های کاربردی پرامپت‌نویسی بخش اول

روش‌های کاربردی پرامپت‌نویسی بخش دوم

روش‌های کاربردی پرامپت‌نویسی بخش سوم

روش‌های کاربردی پرامپت‌نویسی بخش چهارم

مرور کدهای روش DSP

مرور کد active prompt بخش اول

مرور کد active prompt بخش دوم

مرور کد Tree of Thoughts

مرور کد Automatic reasoning and Tool-use بخش اول

مرور کد Automatic reasoning and Tool-use بخش دوم

مرور کد Program-aided language

مرور کد React

مرور کد Chain of Table

مرور کد Automatic Prompt Engineering

مرور کد Least-to-Most

مرور کد RAG بخش اول

پیاده سازی RAG ساده و بررسی ساختار آن 1

پیاده سازی RAG ساده و بررسی ساختار آن 2

مرور کد RAG بخش دوم

مرور مشکلات prompt نویسی

بررسی کد Text2SQL

آموزش Chainlit و پیاده سازی یک چت بات کامل

مقدمه‌ای بر VLM و مدل‌های چندوجهی (MultiModal)

معرفی CLIP

مفهوم Embedding متن و تصویر

تابع هزینه (Loss Function) و نحوه‌ی آموزش CLIP

استفاده از Hugging Face برای درک Embedding متن در CLIP

بررسی Embedding تصویر و مقایسه‌ی Embedding تصویر و متن

آموزش Zero-Shot با CLIP

آموزش مدل Dual Encoder (مشابه CLIP) با فریم‌ورک Keras

معرفی SigLIP

Image Captioning با Qwen

توصیف تصویر فارسی (Persian Image Captioning)

شناسایی اشیاء (Object Detection)

استفاده از مدل چندوجهی Gemma 3 – بخش اول

استفاده از مدل چندوجهی Gemma 3 – بخش دوم

درک ویدئو با Qwen VL – بخش اول

درک ویدئو با Qwen VL – بخش دوم

دلایل Fine-tuning کردن VLM و مفهوم PEFT

روش‌های LoRA و QLoRA

مثال Fine-tuning روی سؤال و جواب تصویری

مثال Fine-tuning روی OCR فرمول‌های ریاضی

مثال Fine-tuning روی عکس‌های رادیولوژی

آشنایی با تکنیک Diffusion

آشنایی با معماری UNet

استفاده از کتابخانه‌ی Diffusers و آموزش تولید تصویر – بخش ۱

استفاده از کتابخانه‌ی Diffusers و آموزش تولید تصویر – بخش ۲

بارگذاری یک مدل از پیش آموزش‌داده‌شده و خروجی گرفتن با DDIM

Fine-tuning مدل

مفهوم Control و Guidance

مقدمه و آشنایی اولیه یا Mlflow

آشنایی با اجزای MLflow

نصب اولیه MLflow

بررسی رقبای MLflow

تعریف مساله و ساخت مدل‌های اولیه

نحوه مدیریت داده‌های نامتوازن (imbalanced)

ساخت Experiment در MLflow

Experiment Tracking مدل‌ها با MLflow

Model Registry در MLflow

Load Model در MLflow

طریقه نصب Mlflow بر روی سرور با استفاده از داکر

تحلیل اولیه دیتاست و شروع کار با MLFlow

آموزش مدل‌ها و ایجاد ساختار درست پروژه

ساختاردهی پروژه جهت مدیریت در MLFlow

پیکربندی داکر و استفاده در MLFlow

نمایش کل خروجی ها و تحلیل در MLFlow

مقدمه‌ایی بر سیستم‌های پرسش و پاسخ و چیستی RAG

معماری - ویژگی‌ها و سیر تکامل RAG

پیاده‌سازی پایه‌ای RAG

پیش پردازش و قطعه‌بندی

استراتژی‌های قطعه‌بندی و جاسازی (Embedding)

بهینه‌سازی مدل‌های جاسازی (Embedding)

پیاده‌سازی کامل پایپ‌لاین RAG ساده با FAISS و مدل جاسازی E5

پیاده‌سازی و بررسی استراتژی‌های مختلف قطعه‌بندی متن (Chunking)

بازیابی (Retrieval) و نمایه‌سازی (Endexing)

چالش‌های RAG ساده و فیلترهای پیش بازیابی (Pre-Retrieval)

فیلترهای پسابازیابی (Post-retrieval)

RAG پیمانه‌ای (Modular)

اجزای RAG در کاربرد فرضی و Augmentation

RAG خودبازتابی  (Self-RAG) و RAG تطبیقی (Adaptive)

پیاده‌سازی و مقایسه روش‌های بازیابی برداری، واژگانی، ترکیبی و بازنویسی رتبه (Reranking)

RAG چند وجهی - مقدمه ایی بر RAG گرافی

RAG های مبتنی بر گراف و تفاوت های آن با RAG های متنی

الگوهای بازیابی در GraphRAG

TableRAG - Text2SQL - NL2SQL

الگوهای RAG چندوجهی

پیاده‌سازی TableRAG با تولید و اعتبارسنجی خودکار کوئری‌های SQL

پیاده‌سازی GraphRAG مبتنی بر رویکرد مایکروسافت

مرور و مقایسه انواع RAG و معرفی RAG عامل محور

معرفی نقش طرح‌ریز (Planner) در RAG عامل محور

معرفی نقش حافظه (Memory) در RAG عامل محور

چالش‌های سیستم‌های مبتنی بر RAG و معیارهای ارزیابی عملکرد آنها

مروری بر زیست بوم RAG و کارهای قابل انجام آتی