آموزش‌های گام‌به‌گام و کاربردی؛ از مبانی هوش مصنوعی و پرامپت‌نویسی تا ساخت ایجنت و سئو.
نمودار پراکندگی ساده‌ترین ابزار دیدن رابطه دو متغیر است. در این قسمت با داده تولید و قیمت عسل در آمریکا، نمودار پراکندگی با رنگ و اندازه، نمودار خطی با بازه اطمینان، شبکه فاست و نمودار دومحوره را با seaborn یاد می‌گیرید و از آن برای بررسی پیش‌بینی‌های مدل استفاده می‌کنید.
هیستوگرام چیست و چرا دو داده با میانگین یکسان می‌توانند کاملاً متفاوت باشند؟ در این قسمت هیستوگرام و انتخاب تعداد بازه، فیلتر داده کشیده، هیستوگرام دوبعدی، مقایسه توزیع گروه‌ها و نمودار چگالی KDE را با داده پرندگان یاد می‌گیرید و آن را برای پایش توزیع ورودی مدل به کار می‌برید.
نمودار میله‌ای یا دایره‌ای؟ انتخاب نمودار درست تعیین می‌کند گزارش شما فهمیده شود یا گمراه کند. در این قسمت با داده پرندگان مینه‌سوتا، پیدا کردن داده پرت با نمودار نقطه‌ای، نمایش تعداد با نمودار میله‌ای و نمایش نسبت با نمودار دایره‌ای، دونات و وافل را با Matplotlib یاد می‌گیرید.
مسیر ۵۰ قسمتی و گام‌به‌گام: از نوشتن پرامپت خوب و ساخت دستیار هوش مصنوعی تا طراحی، اتصال و استقرار ایجنت‌های واقعی.
مفاهیم پایه‌ی هوش مصنوعی، یادگیری ماشین و علم داده به زبان ساده؛ از تعریف هوش مصنوعی و آمار تا کار با داده، نمودار و مدل‌های یادگیری.
تحلیل اکتشافی داده یا EDA قدمی است که پیش از هر مدلی باید برداشت. در این قسمت با داده واقعی ۵۳۰ آهنگ نیجریه‌ای، ساختار داده، مقادیر عجیب، توزیع ستون‌ها، همبستگی ویژگی‌ها و نشانه‌های خوشه‌پذیری را با pandas و seaborn بررسی می‌کنید و یک گزارش EDA قابل ارائه می‌سازید.
NoSQL چیست و کی باید به جای پایگاه داده رابطه‌ای از آن استفاده کرد؟ در این قسمت چهار نوع پایگاه داده NoSQL یعنی کلید-مقدار، سندی، گراف و ستونی را می‌شناسید، ساختار سند JSON و پرس‌وجوی آن را می‌بینید و یک طرح عملی برای ذخیره گفت‌وگوهای دستیار هوش مصنوعی می‌سازید.
آموزش SQL از پایه برای کسی که داده پروژه هوش مصنوعی را از پایگاه داده می‌خواند. در این قسمت جدول و رابطه، کلید اصلی و خارجی، SELECT و WHERE، پیوند جدول‌ها با JOIN، خلاصه‌سازی با GROUP BY و خواندن نتیجه در pandas را با مثال بارش شهرها و یک دستیار آموزشی یاد می‌گیرید.
مهندسی ویژگی پلی است بین داده خام و مدل یادگیری ماشین. در این قسمت با داده واقعی قیمت کدو تنبل، انتخاب ستون، ساخت ویژگی از تاریخ، یکسان کردن واحد، رمزگذاری دسته‌ای، مقیاس‌بندی و ساخت Pipeline در scikit-learn را یاد می‌گیرید و از نشت داده دوری می‌کنید.
پاک‌سازی داده مهم‌ترین و وقت‌گیرترین بخش هر پروژه هوش مصنوعی است. در این قسمت با info و head داده را می‌شناسید، مقدار گمشده را با isnull، dropna و fillna مدیریت می‌کنید، رکورد تکراری را حذف می‌کنید و متن فارسی ناسازگار را یکدست می‌کنید؛ همه در یک تابع قابل تکرار.
آموزش pandas از پایه برای کسی که می‌خواهد با پایتون داده تحلیل کند. در این قسمت Series و DataFrame، انتخاب و فیلتر ردیف، ستون محاسباتی با apply، گروه‌بندی با groupby، سری زمانی و resample و خواندن فایل CSV را با مثال‌های کوتاه یاد می‌گیرید و یک تحلیل قابل تکرار می‌سازید.
اخلاق داده فقط موضوع حقوقی نیست؛ تصمیم‌های روزمره‌ی جمع‌آوری و استفاده از داده است. در این قسمت اصول اخلاق داده، ده چالش رایج از رضایت آگاهانه تا حق فراموش شدن، چند نمونه واقعی مثل جایزه نتفلیکس و یک چک‌لیست عملی برای دستیار هوش مصنوعی را می‌خوانید.
چرخه عمر علم داده چه مراحلی دارد و چرا پروژه‌های داده بدون آن از مسیر خارج می‌شوند؟ در این قسمت پنج مرحله جمع‌آوری، پردازش، تحلیل، ارتباط و نگه‌داری را با سؤال‌های کلیدی هر مرحله، مقایسه TDSP و CRISP-DM و یک مثال pandas برای پروفایل داده یاد می‌گیرید.
سوگیری در هوش مصنوعی از کجا می‌آید و چطور پیدایش کنیم؟ در این قسمت پنج نوع آسیب ناعادلانه، شش اصل هوش مصنوعی مسئولانه و ارزیابی تأثیر را می‌شناسید و یاد می‌گیرید دقت مدل را به تفکیک گروه‌های کاربران با پایتون بسنجید تا میانگین خوب، ضعف پنهان را نپوشاند.
آمار و احتمال زبان مشترک داده و هوش مصنوعی است. در این قسمت احتمال و متغیر تصادفی، توزیع یکنواخت و نرمال، میانگین، واریانس، میانه و چارک، جعبه‌نمودار و بازه اطمینان را با مثال پایتون می‌خوانید و یاد می‌گیرید دقت یک مدل را با بازه اطمینان گزارش کنید.
شبکه عصبی چیست و چطور از اشتباهش یاد می‌گیرد؟ در این قسمت از پرسپترون روزنبلات شروع می‌کنیم، تابع خطا، نزول گرادیان و نرخ یادگیری را با مثال عددی می‌فهمیم، به شبکه چندلایه و پس‌انتشار خطا می‌رسیم و یک پرسپترون کوچک را با پایتون از صفر می‌سازیم.
داده ساختاریافته چیست و چه فرقی با داده بدون ساختار و نیمه‌ساختاریافته دارد؟ در این قسمت انواع داده، داده کمی و کیفی، منابع داده و صفحه گسترده را می‌شناسید و یاد می‌گیرید هر نوع داده را چطور به ورودی قابل استفاده برای مدل هوش مصنوعی تبدیل کنید.
پرامپت تبلیغ کتانی با ورزشکاری که به سمت دوربین می‌پرد؛ کوتاه‌نمایی پرسپکتیو کفش‌ها را به پیش‌زمینه می‌آورد و گردوغبار ملایم حس حرکت را کامل می‌کند.
پرامپت کمپین گوشی یاسی با رنگ‌بندی تک‌رنگ؛ مدلی با کاپشن یاسی گوشی هم‌رنگ را نزدیک لنز گرفته و گوشی با روشنایی و وضوح بیشتر از لباس و پس‌زمینه جدا می‌شود.
پرامپت عکس شلوار برای کاتالوگ لباس؛ تصویر کامل شلوار روی مدل به‌همراه قاب کوچک از کمر و پیلی‌ها، تا خریدار هم فرم کلی و هم جزئیات دوخت را ببیند.
پرامپت پرتره گوشی با تأکید بر دوربین؛ مدلی با هودی سبزآبی گوشی نقره‌ای را روی یک چشم گرفته و ماژول دوربین، جای چشم دوم را در تصویر پر می‌کند.
از بحث‌های متخصصان سئو در X تا پژوهش‌های Ahrefs و Pew؛ بررسی می‌کنیم چرا نمایش بیشتر همیشه کلیک بیشتر نمی‌آورد و خطای ثبت داده‌های گوگل چه تغییری در تفسیر نمودارها ایجاد می‌کند.
رصد پاسخ‌های هوش مصنوعی با یک اسکرین‌شات قابل اعتماد نیست. سه تجربه از ردیت و لینکدین را کنار پژوهش SparkToro روی ۲۹۶۱ اجرا، داده Ahrefs از ۴۳ هزار AI Overview و نوسان ارجاع در داده Semrush گذاشتیم تا نشان دهیم چرا باید فراوانی حضور را سنجید.
دیده شدن در نتایج هوش مصنوعی فقط به وبلاگ شما بستگی ندارد. سه تجربه با ردیت، لینکدین و اعتبار محلی را کنار پژوهش ۷۵ هزار برند Ahrefs، داده ۱۰۰ میلیون ارجاع Semrush و سیاست‌های اسپم گوگل گذاشتیم تا ببینیم نشانه‌های بیرونی چقدر مهم‌اند.
«ترافیک ChatGPT بهتر تبدیل می‌شود» تیتر رایجی است. چهار گزارش را کنار داده Ahrefs، پژوهش علمی ۹۷۳ فروشگاه اینترنتی در Marketing Science و گزارش Adobe گذاشتیم تا ببینیم نرخ تبدیل ترافیک هوش مصنوعی واقعاً کجا بالاتر است و کجا نه.
نمایش سایت در گوگل بیشتر شده، اما کلیک کمتری می‌گیرید؟ با مثال عددی، تفاوت افت کلیک و افت CTR را ببینید. سپس در پنج قدم، صفحه‌ها و عبارت‌های آسیب‌دیده را پیدا کنید و تصمیم بگیرید چه چیزی نیاز به اصلاح دارد.
خطاهای سایت مثل 404، 403، 500، 502، 503 و 504 چه معنایی دارند و از کجا باید رفعشان کرد؟ در این راهنما علت‌های رایج هر خطا، قدم‌های بازدیدکننده و مدیر سایت و یک پرامپت آماده برای پرسیدن از هوش مصنوعی را می‌بینید.
پرامپت خوب لازم نیست طولانی باشد؛ کافی است هدف، مخاطب، نقش، قالب خروجی، مثال و محدودیت‌ها را روشن کند. در این مقاله هفت ویژگی پرامپت خوب را با مثال قبل و بعد، یک قالب آماده و چک‌لیست کاربردی یاد می‌گیرید.
