فاز 0
راه‌اندازی و ابزارها
محیط کارتان را یک‌بار و درست برای همه‌ی درس‌های بعدی آماده کنید.
- 13 درس
- حدود 10 ساعت
- آماده‌سازی محیط توسعه برای مهندسی هوش مصنوعیراهنمای جامع راه‌اندازی چهار لایه محیط توسعه مهندسی هوش مصنوعی با پایتون، ابزار uv و پیکربندی شتاب سخت‌افزاری.
- آموزش Git و همکاری تیمی در پروژه‌های یادگیری ماشینراهنمای سریع و کاربردی ابزارهای کنترل نسخه؛ یادگیری دستورات کلیدی Git برای مدیریت تغییرات کد و ذخیره امن کارهای دوره.
- راه‌اندازی GPU و سرویس‌های ابری برای یادگیری عمیقراهنمای عملی راه‌اندازی کارت گرافیک محلی و سرویس‌های ابری مثل Google Colab برای آموزش مدل‌ها و مقایسه سرعت CPU و GPU.
- کار با API و کلیدها در هوش مصنوعیآموزش ذخیره‌سازی امن کلیدهای API و نحوه‌ی فراخوانی مدل‌های زبانی با SDK پایتون و درخواست‌های خام HTTP.
- آموزش Jupyter Notebook: میز کار مهندسی هوش مصنوعیراهنمای جامع کار با Jupyter Notebook و JupyterLab؛ یادگیری دستورهای جادویی، تله‌های متداول کرنل و تفاوت نوت‌بوک با اسکریپت در هوش مصنوعی.
- مدیریت محیط‌های مجازی پایتون: فرار از جهنم وابستگی‌هاراهنمای عملی ساخت محیط‌های مجازی ایزوله در پایتون با uv، venv و conda برای جلوگیری از تداخل بسته‌ها و خطاهای CUDA در پروژه‌های هوش مصنوعی.
- داکر برای هوش مصنوعی: راه‌اندازی محیط بازتولیدپذیر با پشتیبانی از GPUآموزش ساخت ایمیج‌های داکر مجهز به GPU، پیکربندی NVIDIA Container Toolkit و مدیریت پایگاه داده‌های برداری با Docker Compose در پروژه‌های هوش مصنوعی.
- آموزش تنظیم ادیتور VS Code برای مهندسی هوش مصنوعیراهنمای جامع پیکربندی ادیتور VS Code، افزونه‌های ضروری پایتون و اتصال Remote SSH به سرورهای ابری و GPU برای پروژه‌های هوش مصنوعی.
- مدیریت داده در پروژه‌های هوش مصنوعی با Hugging Faceراهنمای عملی بارگذاری، کَش، استریم و بخش‌بندی مجموعه‌داده‌ها با کتابخانه‌ی Hugging Face datasets و مدیریت فایل‌های حجیم هوش مصنوعی.
- ترمینال و شل برای مهندسی هوش مصنوعیابزارهای ضروری ترمینال، tmux، اسکریپت‌های شل، SSH و مانیتورینگ GPU که هر مهندس هوش مصنوعی برای مدیریت آموزش مدل‌ها به آن‌ها نیاز دارد.
- لینوکس برای هوش مصنوعی: راهنمای بقا در خط فرمانراهنمای کاربردی دستورها و ابزارهای ضروری لینوکس برای مدیریت سرورهای ابری و اجرای بدون دردسر پروژه‌های هوش مصنوعی.
- دیباگ و پروفایل کردن مدل‌های یادگیری ماشین در PyTorchراهنمای عملی شکار خطاهای پنهان در پایتورچ: از لاس‌های NaN و نشتی داده تا حل کمبود حافظه (OOM) و بهینه‌سازی سرعت با cProfile و TensorBoard.
- پایتون برای مهندسی هوش مصنوعی: الگوها، تله‌ها و بهینه‌سازیالگوهای پرتکرار پایتون در کدهای یادگیری ماشین، خطاهای بی‌صدا مثل مقادیر پیش‌فرض تغییرپذیر، و دلایل تفاوت سرعت حلقه‌ها با محاسبات برداری در NumPy.