چیت‌شیت‌ها
برگه‌های مرجع سریع دوره‌ی مهندسی هوش مصنوعی از صفر: دستورها، کدهای کلیدی، پیش‌فرض‌ها، مقایسه‌ها و عیب‌یابی هر موضوع در یک صفحه.
هر برگه یک موضوع است و به درس‌هایی لینک می‌دهد که آن را از صفر می‌سازند. کد و دستورها عیناً از دوره‌ی اصلی‌اند؛ فقط توضیح‌ها به فارسی برگشته‌اند.
- A2A2A و پروتکل‌های ارتباطی ایجنت‌هامقایسه‌ی رو در روی MCP، A2A، ACP، ANP و FIPA-ACL. کارت‌های ایجنت، تسک‌ها، نام‌های روی سیم و خطاها. A2A 1.0.1.
- APپروتکل A2Aکارت‌ها، پیام‌ها، وظایف، وضعیت‌ها، سه بایندینگ، خطاها و لایه 0.3 از A2A 1.0.1. نکات برگرفته از مستندات رسمی.
- ABبنچ‌مارک‌های ایجنت: از SWE-bench تا OSWorldبنچ‌مارک را انتخاب کنید، با تست‌های مناسب گیت بگذارید، آلودگی داده‌ها را بررسی کنید و اجراها را بر پایه‌ی مخرج‌های برابر مقایسه نمایید.
- ACمقایسه‌ی فریم‌ورک‌های ایجنتانتخاب بین LangGraph، CrewAI، AutoGen، Agno، Mastra، یک SDK ایجنت یا پایتون خالص بر اساس ساختار مسئله، وضعیت و هزینه‌ی مسیریابی.
- AHمهندسی بستر آزمایشی ایجنتکد احاطه‌کننده‌ی مدل. قرارداد حلقه، هوک‌ها، بودجه‌ها، ابزارها، گیت‌های کنترلی، ساندباکس، ردگیری محاسبات و فایل‌های میز کار.
- AWبرنامه‌ریزی ایجنت: جریان‌های کاری، HTN و برنامه‌ریزی و اجراانتخاب یک جریان کاری، یک برنامه‌ریز HTN یا تکاملی، یا مجری با قابلیت بازبرنامه‌ریزی. استفاده از کتابخانه‌ی استاندارد Python در درس‌ها.
- ARمهارت‌های ایجنت: شناسایی، فراخوانی، مسیریابینوشتن، نصب، شناسایی، فراخوانی و مسیریابی بسته‌های SKILL.md. پروژه‌های اعتبارسنج‌ها، کاتالوگ‌ها، مسیریاب و نصاب.
- AMماشین‌های وضعیت ایجنت و گراف‌های بادواموضعیت، نودها، یال‌ها، کاهنده‌ها، چک‌پوینت‌ها، وقفه‌ها و بازیابی وظایف اجاره‌شده. LangGraph و یک صف وظایف Go.
- ATاستفاده از ابزار و کتابخانه‌های مهارت در ایجنتتعریف، اعتبارسنجی، توزیع و امن‌سازی فراخوانی‌های ابزار. ذخیره مهارت‌ها به‌صورت کد، بازیابی، ترکیب و پالایش آن‌ها.
- ASایمنی هوش مصنوعی و تیم سرخنام‌گذاری حمله، شناسایی آن، سنجش امتناع مدل، کنترل خروجی و بازرسی هم‌راستایی. درس‌های فازهای 18 و 19.
- ALمربی‌های هوش مصنوعی و ابزارهای یادگیریردگیری تسلط، مستندسازی هر کارت در منبع، برنامه‌ریزی مسیرها و مواد مصرفی، و پیشنهاد واژه‌ها از پیکره متنی خودتان.
- AIآموزش هم‌راستاسازی: دستورالعمل‌ها، خانواده DPO و RLAIFانتخاب و تنظیم RLHF، DPO، IPO، KTO، SimPO، ORPO، BPO و هوش مصنوعی قانون‌محور. توابع زیان، پیش‌فرض‌ها و شکست‌ها.
- ADاینفرنس ناهمگام، Hogwild و تفکیک‌شدهاشتراک‌گذاری، تقسیم، مسیریابی و تخلیه‌ی کش کلید-مقدار. فرمول‌ها، نقاط تلاقی و مواردی که هر روش شکست می‌خورد.
- AVمقایسه‌ی انواع مختلف اتنشنکامل، پنجره‌ی لغزان، استرایددار، BigBird، تفاضلی و اتنشن تنک نیتیو. هزینه، کش کلید-مقدار، کد، راه‌حل‌ها.
- AFویژگی‌های صوتی، دسته‌بندی و معیارهانمونه‌برداری، فریم، پنجره، مل، MFCC، دسته‌بندی و امتیازدهی صوت. کتابخانه استاندارد پایتون از درس‌ها.
- AAایجنت‌های خودمختار و مجوزهااجرای بی‌نظارت ایجنت همراه با محدودیت‌ها. حالت‌های مجوز، بودجه‌ها، سوییچ‌های قطع اضطراری، اجرای پایدار، تأییدیه‌ها، بازگشت به عقب.
- BGمقایسه‌ی BERT، GPT و T5فقط-انکودر، فقط-دیکودر و انکودر-دیکودر در کنار هم. اهداف، ماسک‌ها، بلوک‌ها، رمزگشایی و زمان انتخاب هر کدام.
- BFسوگیری، عدالت و حریم خصوصی تفاضلیسنجش سوگیری، انتخاب معیار عدالت، آموزش با DP-SGD و ممیزی ادعای حریم خصوصی. نمونه‌های سبک با کتابخانه استاندارد پایتون.
- BAابزارهای تحلیل باینری از صفرخواندن ELF و Mach-O، رمزگشایی x86-64، ساخت CFG، ارتقا به C و اثبات آن. فقط کتابخانه‌ی استاندارد Python.
- BVساخت یک VLM از صفرامبدینگ پچ، انکودر ViT، تصویرساز MLP، دیکودر کراس‌اتنشن، پیش‌آموزش InfoNCE به‌همراه LM، معیارهای R@K، EM و BLEU-4.
- BMساخت یک سرور MCPاعتبارسنجی، توزیع (dispatch)، کپسوله‌سازی و کش سرور بی‌وضعیت MCP نسخه 2026-07-28. ابزارها، منابع، پرامپت‌ها، خط‌مشی.
- CGحسابان، گرادیان‌ها و بهینه‌سازی محدبمشتق‌ها، مشتق‌گیری خودکار، GD، تکانه، Adam، نیوتن و آزمون‌های تحدب. پیاده‌سازی از صفر با Python و PyTorch.
- CPکارت‌ها، منشأ و سندیت، رگولاتوری و رفاهتاریخ‌های قانون هوش مصنوعی اتحادیه اروپا، چهار رژیم قانونی، سه کارت، فیلدهای AB 2013، ارزش مورد انتظار رفاه و ارزیاب‌های خارجی.
- CSچت‌بات‌ها و ردیابی حالت گفت‌وگو (DST)مسیریابی نوبت‌های گفت‌وگو، اجرای حلقه‌ی ایجنت، ردیابی جایگاه‌ها در طول گفت‌وگو و بودجه‌بندی پنجره‌ی بافتار. کدهای پایتون برگرفته از درس‌ها.
- CTپردازش متن کلاسیک و TF-IDFتوکن‌سازی، ریشه‌یابی، لماتیزه‌سازی، شمارش، وزن‌دهی با TF-IDF، طبقه‌بندی احساسات و موضوع‌یابی با LDA یا BERTopic.
- CMیادگیری ماشین کلاسیکبرازش، اعتبارسنجی، تنظیم و رفع اشکال مدل‌های رگرسیون، طبقه‌بندی و خوشه‌بندی با scikit-learn.
- CCمقایسه‌ی مدل‌های کلاسیکرگرسیون خطی و لجستیک، درخت‌ها و جنگل‌ها، SVM، KNN و بیز ساده در کنار هم، همراه با زمان استفاده از هرکدام.
- CDخوشه‌بندی، کاهش ابعاد و ناهنجاری‌هاخوشه‌بندی، کاهش ابعاد و نشانه‌گذاری داده‌های پرت بدون برچسب. K-Means، DBSCAN، GMM، PCA، جنگل انزوا، LOF.
- CAمعماری‌های CNN و یادگیری انتقالیاندازه‌گذاری کانولوشن‌ها، ساخت LeNet تا ResNet، آموزش کلاسیفایر و فاین‌تیون بک‌بون از پیش‌آموزش‌دیده. PyTorch و NumPy.
- CLایجنت‌های برنامه‌نویس: چشم‌انداز و پروژه‌های پایانیانتخاب ساختار پایه، تعیین بودجه‌ها و گیت‌های کنترلی، اجرای ایجنت‌های پروژه پایانی و سه پروژه‌ی ایجنت برنامه‌نویس.
- CNاعداد مختلط، تبدیل فوریه و سیگنال‌هادوران‌های مختلط، DFT و FFT، پنجره‌ها، نمونه‌برداری، اسپکتروگرام‌ها، بانک‌های فیلتر مل و MFCCها. کدهای پایتون دروس.
- CVبینایی ماشینپیش‌پردازش، کانولوشن، دسته‌بندی، فاین‌تیون، تشخیص اشیاء، بخش‌بندی و پچ‌بندی تصاویر. PyTorch و NumPy برگرفته از درس‌ها.
- COهوش مصنوعی قانون‌محور و طبقه‌بندهای ورودی/خروجیآموزش نقد-و-بازنگری، اولویت‌بندی سطوح، ریل‌های ورودی و خروجی، روش‌های دور زدن آن‌ها، و موتور قوانین YAML.
- CEمهندسی بافتار و حافظه ایجنتبودجه‌بندی پنجره، ترتیب‌دهی بافتار، صفحه‌بندی حافظه به داخل و خارج، تلفیق مخازن حافظه و پایدارسازی وضعیت ایجنت.
- CIکنترل‌نت، اینپینتینگ و ویرایش تصویرفراخوانی‌های Diffusers برای text to image، img2img، اینپینتینگ، LoRA و کنترل‌نت. تنظیمات، پیش‌فرض‌ها و رفع خطاها.
- DQکیفیت داده‌ها و گیت‌های کنترلی دیتاستبارگذاری و تقسیم داده با سید، ترمیم سلول‌های CSV، اعتبارسنجی ردیف‌ها با قرارداد، ممیزی نشت داده و تمرین مایگریشن.
- DFDDP، FSDP، ZeRO و موازی‌سازی پایپ‌لاینانتخاب روش موازی‌سازی، اندازه‌گیری حافظه، سیم‌کشی اعمال اشتراکی و رفع قفل‌شدگی‌ها. با PyTorch gloo روی CPU.
- DRمناظره، نقش‌ها و پنل‌های بازبینیاجرای N ایجنت در R دور، تقسیم کار بین طراح، مجری، ناقد و اعتبارسنج، و مشروط‌سازی بازبینی‌ها به حد نصاب (quorum).
- DNدیباگ آموزش شبکه عصبیکشف باگ‌های خاموش آموزش از روی نشانه. بررسی‌ها، آستانه‌ها، قواعد مقداردهی، ترتیب برش و AMP، پروفایلرها.
- DTابزارهای تصمیم‌گیری، تغییرات و توتوریالچهار ابزار مبتنی بر شواهد: امتیازدهی به گزینه‌ها، گزارش تغییرات صفحات، بررسی توتوریال‌های API و مقایسه‌ی اجرای مدل‌های محلی.
- DIتفویض اختیار، ایزولاسیون و جغجغه‌های بازخوردبرنامه‌ریزی بر اساس شواهد، تفکیک کار با مالکیت انحصاری و ارتقای هر اصلاح به اولین لایه‌ی مالک.
- DCمقایسه‌ی تشخیص و بخش‌بندی (Detection و Segmentation)جعبه‌ها، ماسک‌های پیکسلی، ماسک‌های نمونه، نقاط کلیدی و ماسک‌های پرامپت متنی. خروجی‌ها، توابع زیان، معیارها و رفع اشکال در کنار هم.
- DEتوضیح‌دهنده‌های دیاگرام، نمودار و زیرساختچهار پروژه‌ی توضیح‌دهنده‌ی محلی. آن‌ها را اجرا کنید، به آن‌ها ورودی بدهید، خروجی‌هایشان را بخوانید و خطاهایشان را رفع کنید.
- DGمدل‌های دیفیوژن و زایشیآموزش و نمونه‌گیری VAE، GAN، DDPM، دیفیوژن نهان و تطبیق جریان، سپس ارزیابی آن‌ها. کدهای پایتون ساده‌ی درس‌ها.
- DSساندباکس‌های Docker برای ایجنت‌هااجرای یک ایجنت در microVM، کنترل شبکه و کلیدها، دریافت commitهای آن. sbx 0.47.0، docker-agent 1.149.0.
- EIمقصدهای استنتاج روی لبهانتخاب مقصد لبه و فرمت کوانتیزه‌سازی. سقف پهنای باند، فرمت‌ها، مراحل خروجی گرفتن و اندازه‌گیری روی دستگاه.
- EVامبدینگ‌ها و جستجوی برداریانکود متن، انتخاب متریک، تعیین ابعاد بردارها، انتخاب نمایه و رفع بازخوانی ضعیف. Python، NumPy و FAISS.
- ECمدل‌های VLA تجسد‌یافته و ایجنت‌های کار با کامپیوترفرمت‌های اقدام برای ربات‌ها، اسکیمای اقدام GUI، گیت‌های ایمنی و حلقه‌های محدود ایجنت برای مرورگر و دسکتاپ.
- EEپایپ‌لاین سرتاسری LLM و فاین‌تیونینگبرنامه‌ریزی، اجرا و اعمال گیت بر DAG هش‌شده‌ی مراحل. تعویض سر، ماسک تابع زیان (loss) در SFT و تابع زیان (loss) در DPO برگرفته از پروژه‌های پایانی، با مقادیر پیش‌فرض.
- EDتوسعه‌ی ایجنت مبتنی بر ارزیابی (Eval-Driven)اجرای مورد‌های ارزیابی، گیت‌گذاری mergeها، بازبینی با شیوه‌نامه‌ی نمره‌دهی، و گیت‌گذاری تغییرات پرامپت و گزارش. با کتابخانه‌ی استاندارد Python.
- EGارزیابی مدل‌های زایشیFID، امتیاز CLIP، CMMD، Elo، WER، MOS، SECS، EER و FAD. کد، اندازه‌ی نمونه‌ها و نحوه‌ی خطای هر معیار.
- ELارزیابی LLMهاتعیین وظایف، امتیازدهی، داوری با شیوه‌نامه‌ی نمره‌دهی، کالیبراسیون، رتبه‌بندی با فواصل اطمینان و آزمودن کانتکست طولانی.
- FEمهندسی ویژگی و پایپ‌لاین‌هاجایگزینی، مقیاس‌بندی، کدگذاری، انتخاب و انسمبل درون یک پایپ‌لاین بدون نشت داده (leak-free). پایتون از درس‌ها.
- FTفاین‌تیونینگ با LoRAافزودن تطبیق‌دهنده‌های LoRA، بارگذاری پایه‌ی 4-بیتی برای QLoRA، ماسک‌کردن لیبل‌های SFT، آموزش، merge و رفع اشکال. با PyTorch، PEFT و bitsandbytes.
- FSچارچوب‌های ایمنی پیشرو و ارزیابی‌های خارجیمقایسه‌ی پهلو‌به‌پهلوی RSP v3.0، PF v2 و FSF v3، به‌همراه افق‌های زمانی METR، WMDP، CAIS، CAISI و شواهد کاربرد دوگانه 2025.
- GAمدل‌های GAN از DCGAN تا StyleGANتوابع زیان، کد DCGAN، مدل‌های Pix2Pix، CycleGAN و StyleGAN. مقادیر پیش‌فرض، نشانه‌های شکست و راه‌حل‌ها.
- GDمقایسه‌ی GANها، دیفیوژن و جریانGAN، DDPM، دیفیوژن نهان، DiT با جریان تصحیح‌شده، تطبیق جریان و VAR. اهداف، گام‌ها، کد و راه‌حل‌ها.
- GSGit، شل و لینوکس برای کارهای هوش مصنوعیcommit و branch زدن، pipe کردن و فیلتر لاگ‌ها، زنده نگه داشتن اجراها در tmux، انتقال فایل‌ها به سرور GPU و رفع خطاهای لینوکس.
- GPمقیاس‌بندی خودکار GPU در Kubernetesنودها با Karpenter، زمان‌بندی هم‌زمان با KAI Scheduler، رپلیکاها بر اساس عمق صف، مسیریابی آگاه از کش، استوری‌بوردهای رویداد.
- GCپردازنده‌های گرافیکی، فضای ابری، Docker و کلیدهای APIبررسی GPU، تعیین اندازه مدل برای حافظه‌ی گرافیکی، اجرای CUDA در Docker، ذخیره کلیدهای API و رفع خطاهای API.
- GKگراف‌ها و گراف‌های دانشماتریس‌های گراف، لاپلاسین و انتقال پیام، پیوند موجودیت‌ها، استخراج روابط و حافظه‌ی ترکیبی گراف.
- GMگاردریل‌ها، نظارت و پاک‌سازی داده‌های حساسبررسی ورودی و خروجی، مسیریابی احکام ارزیابی طبقه‌بندی‌کننده، پاک‌سازی اسپن‌ها و کنترل فراخوانی ابزارها. پایتون و Rust از درس‌ها.
- IMمتریک‌های استنتاج و آزمون بارچرا نتایج آزمون بار فریبنده است؟ TTFT، TPOT، نرخ پردازش موثر، P99، پرامپت‌های واقعی، طوفان‌های تلاش مجدد و خواندن‌های پوششی (hedged reads).
- IOبهینه‌سازی استنتاج: کش کلید-مقدار، کوانتیزه‌سازی، دسته‌بندیکش کلید-مقدار، کوانتیزه‌سازی، دسته‌بندی و پیش‌بینی حدسی. فرمول‌ها، اعداد اسکژولر و خطاهایی که باعث افزایش تاخیر می‌شوند.
- ITنظریه اطلاعات و پایداری عددیآنتروپی، آنتروپی متقاطع و واگرایی کولبک-لایبلر، سافت‌مکس پایدار و log-sum-exp، فرمت‌های ممیز شناور، PCA و انتخاب معیار فاصله.
- JPJAX در برابر PyTorchمشتق‌گیری خودکار نواری و بلادرنگ در برابر توابع خالص با ردگیری و کامپایل‌شده. پیاده‌سازی یک MLP مشابه برای MNIST در هر دو فریم‌ورک همراه با APIها و نکات مهم.
- LAجبر خطی برای یادگیری ماشینبردارها، تبدیل‌ها، مقادیر ویژه، SVD و حل‌کننده‌های Ax = b. پایتون از صفر و NumPy برگرفته از درس‌ها.
- LCهزینه، کش‌کردن و Batch APIهای LLMقیمت‌گذاری هر فراخوانی، کش پیشوندها و معانی، دسته‌ای کردن کارهای آفلاین و محدودسازی سقف هزینه. پایتون و راست از درس‌ها.
- LRمقایسه‌ی مسیریابی LLM و گیت‌وی‌های هوش مصنوعیانتخاب گیت‌وی، تنظیم نام‌های مستعار و زنجیره‌های جایگزین، مسیریابی بین مدل ارزان یا پیشرو، و پوشش ریسک خواندن‌های امن کند.
- LSسرویس‌دهی LLM با SGLangراه‌اندازی، تعیین اندازه، سنجش و رفع اشکال سرور SGLang. نگارش SGLang 0.5.22.
- LGابزارهای بومی‌سازی و واژه‌نامهاجرا، داده‌دهی و بررسی سه پروژه‌ی بومی‌سازی بازنگری‌محور. انتخاب یک مدل چندزبانه و یک زبان مبدأ.
- MNمقایسه‌ی پلتفرم‌های ابری مدیریت‌شده و خودمیزبانانتخاب ابربزرگ، پلتفرم استنتاج یا موتور خودمیزبان. قیمت‌گذاری، تعیین اندازه و کاهش شروع سرد.
- MMریاضی برای یادگیری ماشینگرادیان‌ها، احتمال، اطلاعات، بهینه‌سازها، تجزیه‌ها و ایمنی ممیز شناور. NumPy، SciPy و PyTorch.
- MPکلاینت‌ها و بسترهای انتقال MCPآزمون ارزیابی، merge و هدایت طرف‌های ارتباط MCP 2026-07-28 روی stdio و پروتکل HTTP جریانی. تلاش مجدد دورهای MRTR. قالب‌بندی فریم‌های JSON-RPC.
- GRدرگاه‌های MCP، رجیستری‌ها و انطباق با استانداردمسیریابی از طریق یک درگاه بی‌وضعیت، پذیرش نسخه‌های رجیستری، شناسایی دریفت، تست بستر انتقال و مدیریت انتشارها.
- SAامنیت و احراز هویت MCPشناسایی و رفع امتناع توکن، مسموم‌سازی متادیتای ابزار و محتوای تزریق‌شده. بررسی‌های CIMD، PKCE، iss، audience و PVE.
- MTتسک‌ها، استخراج ورودی و Apps در MCPدامنه‌ی صریح، استخراج ورودی MRTR، تسک‌های پایا، منابع UI در Apps و لغو ایمن در MCP 2026-07-28.
- MOمزا-بهینه‌سازها، توطئه‌چینی و کنترل هوش مصنوعیاصطلاحات، شواهد، اعداد، کدهای نمونه و پروتکل‌های کنترل برای هم‌راستایی فریبکارانه. فاز 18 درس‌های 6 تا 10.
- MHمخلوطی از متخصصان (MoE) و معماری‌های هیبریدیمسیریاب‌ها، متخصصان، تعادل بدون زیان کمکی، MLA، محاسبات DeepSeek-V3 و مدل‌های هیبریدی Jamba SSM. فرمول‌ها و ماشین‌حساب‌های stdlib.
- MSطراحی سیستم‌های یادگیری ماشین، دریفت و مخازن ویژگیتعریف وظیفه، برآورد هزینه سرویس‌دهی، شکست خطوط مبنا، استقرار ایمن، کشف دریفت و انحراف آموزش و سرویس‌دهی.
- MCپروتکل کانتکست مدل (MCP)ساخت، فراخوانی و ارائه‌ی سرورهای بی‌وضعیت MCP نسخه‌ی 2026-07-28 روی stdio و پروتکل HTTP جریانی.
- MEارزیابی مدل، بایاس-واریانس و تنظیم هایپرپارامترتفکیک داده‌ها و اعتبارسنجی متقاطع، فرمول‌های متریک، تشخیص بایاس-واریانس، استراتژی‌های جستجو و کلاس‌های نامتوازن.
- MFموردکاوی‌های چندایجنت و مزارع ارزیابیسه سیستم مرجع 2026، پروژه‌ی پایانی تیم نرم‌افزاری و مزرعه‌ی ارزیابی فنس‌شده با قابلیت ادامه‌ی کار در Go.
- MRیادگیری تقویتی چندایجنت و انتقال از شبیه‌ساز به واقعیت (Sim-to-Real)CTDE، تجزیه‌ی مقدار، خودبازی، تصادفی‌سازی دامنه و قالب‌های اکشن VLA. فرمول‌ها، ارقام و راه‌حل‌ها.
- MAسیستم‌های چندایجنتایجنت‌ها، تحویل وظیفه، وضعیت مشترک و هماهنگ‌کننده‌ها. الگویی انتخاب کنید، رأی‌گیری کنید، چک‌پوینت بگیرید و خطاهای شناخته‌شده را حل کنید.
- MVRAG چندحالته و بر پایه‌ی تصویرتولید امبدینگ تصاویر صفحات، امتیازدهی با MaxSim، ادغام مودالیته‌ها، استناد به نواحی شواهد. پایتون و تایپ‌اسکریپت از درس‌ها.
- MGتولید موسیقی و مدل‌های صوتی-زبانیتوکن‌های کدک، MusicGen، انکودرها و تصویرسازهای صوتی، Thinker و Talker، بودجه‌های TTFAB و چالش‌های صوتی.
- NSمذاکره، شبیه‌سازی و اقتصادهای ایجنتیشبکه قراردادها، چانه‌زنی OG-Narrator، حافظه اسمال‌ویل، آزمون‌های نظریه ذهن، تخصیص اعتبار شپلی و حراج‌های قیمت دوم.
- NPNER، برچسب‌گذاری نقش دستوری (POS) و هم‌مرجعیبرچسب‌های BIO، برچسب‌زن‌های CRF و HMM، ویتربی، تجزیه‌های وابستگی، خوشه‌های هم‌مرجعی و پیوند موجودیت به یک پایگاه دانش.
- NNمبانی شبکه عصبیپرسپترون، گذر رو به جلو، پس‌انتشار، انتخاب تابع زیان و یک مینی‌فریم‌ورک. فرمول‌ها، ابعاد، مقادیر پیش‌فرض و راه‌حل‌ها.
- NDدفترچه‌ها، فایل‌های داده و پروفایلینگاجرای امن نوت‌بوک‌ها، بارگذاری و تقسیم دیتاست، دور نگه داشتن فایل‌های حجیم از git، پروفایلینگ زمان و حافظه، رفع باگ‌های پنهان هوش مصنوعی.
- ODOCR و درک سندآموزش CTC OCR، انتخاب استک پردازش سند، بازیابی صفحات با بیشینه‌ی شباهت (MaxSim) و تأیید فیلدها در برابر اسپن‌های دقیق منبع.
- OVخانواده‌های VLM متن‌باز: LLaVA، Qwen-VL و InternVLمقایسه‌ی شانه به شانه‌ی LLaVA، LLaVA-OneVision، Qwen-VL و InternVL3: اتصال‌دهنده، تفکیک‌پذیری، ویدیو، توکن‌ها و آموزش.
- OGOpenTelemetry هوش مصنوعی مولد و مشاهده‌پذیری ایجنت‌هاEmit gen_ai.* spans, sample traces, export metrics, pick a platform and debug a trace. Stdlib code from the lessons.
- OLبهینه‌سازها و برنامه‌های زمان‌بندی نرخ یادگیریSGD، Adam یا AdamW را انتخاب کنید، به نرخ یادگیری شکل دهید، سپس گرادیان‌ها را با ایمنی clip، مقیاس‌بندی و انباشت کنید.
- OPمقایسه‌ی الگوهای ارکستراسیونانتخاب سرپرست-کارگر، ازدحام، سلسله‌مراتبی، مناظره یا یک جریان کاری ساده. Python استاندارد از درس‌ها.
- OWنتایج، جریان‌های کاری، ریسک‌ها و مشخصات فنینتیجه را قالب‌بندی کنید، جریان کاری را مستند کنید، مفروضات را رتبه‌بندی کنید، یک برش انتخاب کنید، مشخصات فنی را بنویسید، معیارها را تعیین کنید، مرحله را برگزینید.
- PWنگارش، نقد و تکرار مقالهاسکژول کردن آزمایش‌ها با UCB، تکرار پیش‌نویس با ناقد پنج‌امتیازی، و تولید LaTeX، BibTeX و یک مانیفست.
- POایجنت‌های سازمان‌دهنده‌ی شخصیپنج پروژه‌ی سازمان‌دهنده‌ی محلی. خروجی هر کدام، نحوه‌ی اجرا، ورودی‌ها، خروجی‌ها، فایل‌های بازبینی و اعتبارسنجی‌ها.
- PRکدگذاری مکانی: سینوسی، RoPE و ALiBiانتخاب، ساخت و بررسی روش مکانی: مقایسه‌ی سینوسی، یادگیری‌شده، RoPE، YaRN و ALiBi در پایتون.
- PPپایپ‌لاین‌های داده‌ی پیش‌آموزشپاک‌سازی، حذف موارد تکراری، دانلود، توکن‌سازی، شاردبندی و پنجره‌بندی پیکره متنی پیش‌آموزش. کدهای پایتون از درس‌ها.
- PSاحتمال و آمار برای یادگیری ماشینتوزیع‌ها، بیز، آزمون‌ها، بوت‌استرپ، نمونه‌گیری از لاجیت‌ها و زنجیره‌های مارکوف. پایتون از صفر و SciPy.
- PAمحیط‌های اجرای عملیاتی و صف‌های ایجنتانتخاب ساختار محیط اجرا، چک‌پوینت و بازپخش، اجاره و مسدودسازی وظایف، تلاش مجدد خوانش‌های محدود به دامنه. Python و Go.
- PCچت‌بات‌های RAG در محیط عملیاتی و به‌روز بودن داده‌هافیلتر، ادغام، کَش، گاردریل و ارجاع. ایندکس را به‌روز نگه دارید و هر تغییر رتبه را ارزیابی کنید.
- PEمهندسی پرامپتنوشتن پرامپت، افزودن مثال و استدلال، رأی‌گیری و بودجه‌بندی پنجره‌ی بافتار. پایتون برگرفته از درس‌ها.
- PIرخدادهای تزریق پرامپت و CVEهای هوش مصنوعیکشف، ردگیری محاسبات و مسدودسازی تزریق غیرمستقیم پرامپت. زنجیره EchoLeak، اعتبارسنج PVE، آشکارساز مبتنی بر قانون، فایروال فراخوانی ابزار.
- PDمحیط توسعه پایتون برای هوش مصنوعینصب uv، ساخت یک venv برای هر پروژه، پین کردن با فایل‌های قفل، بررسی مسیر، تنظیم VS Code و جلوگیری از باگ‌های پنهان پایتون.
- PTمفاهیم ضروری PyTorchتنسورها، مشتق‌گیری خودکار، nn.Module، حلقه آموزش، DataLoader و دستگاه‌ها، از درس‌ها.
- QFمقایسه‌ی فرمت‌های کوانتیزه‌سازیانتخاب فرمت وزن بر اساس سخت‌افزار، موتور و بار کاری. بیت‌ها، حافظه، دستورات و تله‌هایی که به دقت لطمه می‌زنند.
- RRReAct، ReWOO، Reflexion و درخت افکارانتخاب، ساخت و متوقف‌سازی حلقه‌ی استدلال ایجنت. ReAct، ReWOO، Reflexion، ToT، LATS، Self-Refine، CRITIC و CoT.
- RTدستیارهای صوتی بی‌درنگ (Real-Time)VAD، تشخیص نوبت مکالمه، ورود ناگهانی به کلام (barge-in)، سقف تاخیر و گفتار تمام‌دوطرفه برای ایجنت صوتی با پاسخ‌دهی به‌موقع.
- RLیادگیری تقویتیMDPها، روش‌های مبتنی بر مقدار، گرادیان‌های سیاست، PPO، RLHF و GRPO. فرمول‌ها، خطوط به‌روزرسانی و شاخص‌های تشخیصی از فاز 9.
- RMحافظه‌ی مخزن، اسکریپت‌های راه‌اندازی و تحویل وظیفهچهارچوب‌بندی وظیفه، ذخیره‌ی وضعیت در فایل‌های دارای اعتبارسنجی اسکیما، اجرای آزمون قبل از شروع، و پایان دادن به هر نشست با یک بسته‌ی تحویل وظیفه.
- RPپایپ‌لاین ایجنت پژوهش از صفرتولید فرضیه‌ها، بازیابی مقالات، اجرای آزمایش‌های داخل ساندباکس، داوری نتایج و انتشار یک گزارش مستند.
- RAتولید مبتنی بر بازیابی (RAG)قطعه‌بندی متن، ایندکس، بازیابی، ترکیب، بازرتبه‌بندی، تولید همراه با ارجاع و نمره‌دهی به هر مرحله. پایتون برگرفته از درس‌ها.
- REمهندسی معکوس با reaنسخه‌ی rea 6.7.0 همراه با Ghidra 12.1.4: بازرسی باینری‌ها، خواندن رکوردهای شواهد و مقایسه‌ی بسته‌ها.
- RDRLHF، DPO و تنظیم ترجیحات (Preference Tuning)مدل پاداش به‌همراه PPO در مقایسه با DPO و خانواده‌ی آن. توابع زیان، تنظیمات بتا و KL، حالت‌های شکست و راهکارها.
- RSمدل‌های RNN، Seq2Seq و N-gramمدل‌های TextCNN، LSTM و GRU، انکودر-دیکودر با وادارسازی معلم، جستجوی پرتو، BLEU، کنایزر-نی و دلیل برتری اتنشن.
- SBنردبان خط‌مشی ساندباکسکم‌هزینه‌ترین پروفایل ایزولاسیون را انتخاب کنید، فراخوانی‌های نامعتبر را در اجراکننده رد کنید، و خط‌مشی شبکه، سکرت و ایمنی sbx را تنظیم کنید.
- SLقوانین مقیاس‌پذیری و پیش‌آموزشریاضیات Chinchilla، بیش‌آموزش، پایپ‌لاین داده از متن خام تا دسته‌های بسته‌بندی‌شده و حلقه‌ی آموزش Mini GPT.
- AUاسرار، لاگ‌های بازرسی و انطباقکلیدهای متکی به والت، پاک‌سازی داده‌های هویتی حساس، لاگ‌های بازرسی، وب‌هوک‌های امضاشده، کنترل‌های چارچوب‌ها و تاریخ‌های قوانین هوش مصنوعی.
- SIایجنت‌های خودبهبودبخش و پژوهشگرحلقه‌های تولیدکننده به‌همراه ارزیاب، ایجنت‌های خودویرایش‌گر، حلقه‌های پژوهشی، شکاف‌های RSI و کنترل‌های هرکدام.
- SSبینایی خودنظارتی، CLIP و بازیابیپیش‌آموزش بدون برچسب، هم‌ترازسازی تصویر و متن، دسته‌بندی صفر-نمونه، شکل‌دهی امبدینگ‌ها و جستجوی آن‌ها. PyTorch.
- STاستدلال خودآموخته و خودبهبودبخشیتولید، نمره‌دهی، نگه‌داری، بازآموزی. حلقه‌های STaR ،GRPO ،AlphaEvolve و DGM، اعداد آن‌ها و تله‌های ارزیاب.
- SNمقایسه‌ی موتورهای سروینگمقایسه‌ی رو در روی vLLM، SGLang، TRT-LLM و llama.cpp؛ زمان‌بندها، استفاده مجدد از KV، دقت، تخلیه و انتخاب بهینه.
- SCتست‌های حالت سایه، قناری و A/B برای مدل‌های زبانی بزرگ (LLM)اجراهای سایه، گیت‌های قناری، بازگشت به عقب سریع، تست‌های ترتیبی A/B، محافظ‌های آشوب و گزارش‌های دریفت کانفیگ.
- SPعرضه یک برنامه عملیاتی LLMپایپ‌لاین درخواست، تلاش مجدد، زنجیره‌های جایگزین، استریم‌های SSE، ازسرگیری، محدودیت‌های دمو و یک درگاه جایگزین.
- SEمجوزهای مهارت، ارزیابی‌ها و زنجیره تأمینبررسی اکشن‌های مهارت پیش از اجرا، ایزوله‌سازی آن‌ها، کنترل هر انتشار با لایه‌ی ارزیابی و اسکن بسته‌ها.
- SVتأیید هویت گوینده، جعل و واترمارک‌هاثبت‌نام، امتیازدهی و آستانه‌گذاری گویندگان، تشخیص صوت جعلی، و نشانه‌گذاری هر خروجی با واترمارک و C2PA.
- SDدیکودینگ حدسی: پیش‌نویس، EAGLE و MTPپیش‌نویس و اعتبارسنجی بدون افت کیفیت. پیش‌نویس Vanilla، Medusa، EAGLE-3 و MTP، محاسبات شتاب، پیکربندی vLLM، گیت‌های کنترلی.
- SRتشخیص گفتار و Whisperرمزگشایی CTC، اجرا و تیونینگ Whisper، گیت‌گذاری با VAD، و تحویل پایپ‌لاین تبدیل WAV به زیرنویس.
- IPSRE، حوادث و گزارش‌های پس از حادثه (Postmortem) برای هوش مصنوعیتریاژ حوادث LLM با ایجنت‌ها، ایجاد دروازه‌ی تأییدیه برای هر اصلاح، نگارش گزارش‌های پس از حادثه با شواهد مستند و فشرده‌سازی لاگ‌ها برای دستیار هوشمند.
- SOخروجی‌های ساختاریافته و رمزگشایی مقیدهمیشه JSON معتبر بگیرید. اسکیماها، حالت سخت‌گیرانه، ماسک‌های لاجیت، اعتبارسنج‌ها، تلاش‌های مجدد و پروژه‌ی محافظ خروجی.
- SQخلاصه‌سازی، QA، NLI و NLP چندزبانهخلاصه‌سازی، پاسخ‌گویی، بررسی استلزام و انتقال بین‌زبانی. مدل‌ها، معیارها، مقادیر پیش‌فرض و خطاها.
- SMبهینه‌سازی ازدحام و یادگیری تقویتی چندایجنت (MARL) برای ایجنت‌هاPSO و ACO برای پرامپت‌ها و مسیریابی، ازدحام‌های مبتنی بر صف، و مقایسه شانه‌به‌شانه‌ی MADDPG، QMIX، MAPPO و خودبازی.
- TWمیزهای کار جریان کاری متنیدسته‌بندی ایمیل، استخراج وظایف، بازنویسی متن، گروه‌بندی بازخوردها و نوشتن گزارش تغییرات. هر خروجی منتظر بررسی می‌ماند.
- TVتبدیل متن به گفتار، شبیه‌سازی صدا و کدک‌هامتن به واج، واج به مل، مل به شکل‌موج؛ شبیه‌سازی با گیت رضایت و واترمارک؛ و توکنایز صدا با کدک‌های RVQ.
- TSمفاهیم پایه‌ای سری‌های زمانیبررسی مانایی، ساخت ویژگی‌های تأخیری، اعتبارسنجی پیش‌رونده، شکست‌دادن خطوط مبنای ساده. گشت‌های تصادفی و زنجیره‌های مارکوف.
- TBتوکن‌سازی و BPEآموزش، انکود و رمزگشایی یک توکن‌ساز BPE در سطح بایت، سپس برش جریان شناسه‌ها به پنجره‌های آموزشی.
- TCفراخوانی ابزار و خروجی‌های ساختاریافتهتعریف ابزارها، خواندن فراخوانی‌ها، بازگرداندن نتایج، اجرای موازی فراخوانی‌ها، استریمینگ آرگومان‌ها و اجبار به تولید JSON معتبر.
- TLآموزش و بارگذاری یک GPT از صفرساخت GPT با 124M پارامتر، آموزش آن با AdamW و گرم‌کردن کسینوسی، بارگذاری وزن‌های GPT-2، گیت‌بندی پایپ‌لاین.
- TMحافظه آموزش، انباشت و چک‌پوینت‌هارفع گام‌های NaN، محدودیت‌های حافظه، مقیاس انباشت و ادامه‌های ناموفق. کلیپ، AMP، باز‌محاسبه، چک‌پوینت‌های اتمیک.
- TNآموزش شبکه‌های عصبیانتخاب بهینه‌ساز، مقداردهی اولیه، نرمال‌سازی، منظم‌سازی و اسکژولر؛ و سپس دیباگ در صورت رفتار نامطلوب تابع زیان (loss).
- TAترنسفورمرها و اتنشنمحاسبه اتنشن، اعمال ماسک، تفکیک هدها، افزودن موقعیت‌ها و چیدن بلوک‌ها روی هم. PyTorch و NumPy برگرفته از درس‌ها.
- UMمدل‌های چندوجهی یکپارچهیک طراحی یکپارچه انتخاب کنید: NTP گسسته، دیفیوژن با دو تابع زیان (loss)، دیفیوژن پوشانده‌شده، اینکودرهای مجزا، مقیاس بعدی، هر-به-هر.
- VMروش‌های مبتنی بر ارزش در برابر روش‌های مبتنی بر سیاستمقایسه شانه به شانه‌ی Q-learning، SARSA، DQN، REINFORCE، A2C و PPO. تارگت‌ها، مقادیر پیش‌فرض، عیب‌یابی و راه‌حل‌ها.
- V3تولید ویدیو و سه‌بعدیپچ‌های Video DiT و اتنشن تفکیک‌شده، مدل‌های جهان، Gaussian splats، مدل NeRF و سه‌بعدی چندنما. فرمول‌ها و راه‌حل‌ها.
- VVمدل‌های ویدیو-زبان و ویدیوی طولانینمونه‌برداری فریم‌ها، بودجه‌بندی توکن، انکود زمان، ارجاع‌دهی رویدادها و نمایه‌سازی ویدیوی طولانی با پاسخ‌های دارای برچسب زمانی.
- VDویدیو، عمق و بینایی سه‌بعدینمونه‌برداری فریم‌ها، مدل‌سازی زمان، رندر NeRF و Gaussian splat، پیش‌بینی عمق و ردگیری اشیاء بین فریم‌ها.
- VPپایپ‌لاین‌های بینایی ماشین و استقرار روی Edgeسنجش، کوانتیزه‌سازی، خروجی گرفتن و سرو پایپ‌لاین بینایی ماشین. تعیین اندازه رمزگشایی LLM روی اهداف Edge بر اساس پهنای باند حافظه.
- VTترنسفورمرهای بینایی و توکن‌های وصله‌ایتکه‌تکه کردن، امبد، افزودن CLS و موقعیت، اجرای بلوک‌های پیش‌نرمال‌سازی لایه‌ای. شمارش توکن، ریاضیات پارامتر و بسته‌بندی در هر وضوح دلخواه.
- VLمعماری‌های مدل زبانی-تصویری (VLM)ViT، رابط، LLM. تصویرساز، Q-Former، پرسویر، کراس‌اتنشن گیت‌دار، مراحل آموزش و اعداد دستورالعمل.
- WAچرا ایجنت‌ها شکست می‌خورند؟شناسایی شکست، یافتن آن در ردگیری محاسبات و اعمال گیت. آشکارسازها، MAST، طوفان‌های تلاش مجدد، PVE و ابزار دیباگ Trace.
- WGWord2Vec، GloVe و FastTextشمارش کلمات، وزن‌دهی با TF-IDF، آموزش بردارهای متراکم و تقسیم کلمات نادر به زیرکلمه‌ها. کدهای پایتون درس‌ها.