دوره مبانی جامع هوش مصنوعی: از یادگیری ماشین تا مدل‌های زبانی بزرگ

چه چیزی یاد خواهید گرفت؟

فصل 1: درآمدی بر هوش مصنوعی و تکامل آن

تاریخچه کامل هوش مصنوعی از دهه 1950 تا امروز

انواع هوش مصنوعی: Narrow AI، General AI، Super AI

تفاوت AI سنتی، Machine Learning، Deep Learning و Generative AI

نقش Cognitive Computing در تکامل AI

چرخه حیات پروژه‌های Generative AI

چالش‌های اخلاقی و مسئولیت‌پذیری در AI

فصل 2: مبانی یادگیری ماشین و شبکه‌های عصبی

انواع یادگیری: Supervised، Unsupervised، Reinforcement Learning

معماری شبکه‌های عصبی: Feedforward، RNN، LSTM، GRU

مفاهیم Activation Functions، Loss Functions، Optimization

Overfitting، Underfitting و تکنیک‌های Regularization

Cross-Validation و ارزیابی مدل‌ها

Transfer Learning و Fine-tuning

فصل 3: معماری Transformer و انقلاب "Attention is All You Need"

تکامل از RNN/LSTM به Transformer

مکانیزم Self-Attention و Multi-Head Attention

Positional Encoding و نقش آن

معماری Encoder-Decoder

تفاوت Encoder-Only، Decoder-Only و Encoder-Decoder Models

Feed-Forward Networks و Layer Normalization

پروژه عملی: پیاده‌سازی Transformer ساده با PyTorch

فصل 4: اصول Large Language Models و Foundation Models

تعریف و ویژگی‌های LLM

انواع LLM: GPT، BERT، T5، PaLM، LLaMA، Gemini

مفاهیم Tokenization، Embedding، Context Window

Pre-training و روش‌های آموزش: MLM، CLM، Seq2Seq

Scale Laws و تأثیر اندازه مدل

Model Hubs: Hugging Face، TensorFlow Hub