آموزش‌های گام‌به‌گام و کاربردی؛ از مبانی هوش مصنوعی و پرامپت‌نویسی تا ساخت ایجنت و سئو.
اتوانکودر یا خودرمزگذار شبکه‌ای است که یاد می‌گیرد ورودی را فشرده کند و دوباره بسازد، بدون اینکه به داده برچسب‌خورده نیاز داشته باشد. در این قسمت رمزگذار، فضای نهفته و رمزگشا، کاربردهایی مثل حذف نویز و تشخیص ناهنجاری، و اتوانکودر واریاسیونی یا VAE را با مثال PyTorch یاد می‌گیرید.
یادگیری انتقالی به شما اجازه می‌دهد با چند صد تصویر، مدلی بسازید که از صفر به میلیون‌ها تصویر نیاز داشت. در این قسمت استخراج ویژگی و تنظیم دقیق، مدل‌های آماده VGG، ResNet و MobileNet، منجمد کردن لایه‌ها، افزایش داده و حمله تخاصمی را با مثال نژاد حیوانات خانگی و PyTorch یاد می‌گیرید.
شبکه عصبی کانولوشنی یا CNN چطور الگوهای تصویر را خودش یاد می‌گیرد؟ در این قسمت فیلتر کانولوشنی و تشخیص لبه، لایه کانولوشن و ادغام، معماری هرمی و VGG-16، ساخت یک CNN با PyTorch و نقش بهینه‌سازهایی مثل مومنتوم و Adam را یاد می‌گیرید و آن را روی ارقام و نژاد حیوانات خانگی به کار می‌برید.
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.
بینایی کامپیوتر چیست و تصویر چطور به ورودی قابل فهم برای شبکه عصبی تبدیل می‌شود؟ در این قسمت وظایف اصلی بینایی کامپیوتر، تصویر به‌عنوان آرایه، فضای رنگ BGR و RGB، تغییر اندازه، نرمال‌سازی، آستانه‌گذاری و جریان نوری را با OpenCV یاد می‌گیرید و یک خط پیش‌پردازش قابل اعتماد می‌سازید.
PyTorch یا TensorFlow؛ کدام را یاد بگیریم؟ در این قسمت کار هر دو چارچوب را از پایه می‌فهمید؛ تنسور، مشتق‌گیری خودکار، ساخت مدل، حلقه آموزش دستی و رابط سطح بالا. یک حلقه آموزش کامل در PyTorch می‌نویسید، معادلش را در Keras می‌بینید و معیار انتخاب چارچوب را برای پروژه خودتان یاد می‌گیرید.
ساخت شبکه عصبی با پایتون امروز فقط چند خط کد است، اما ساخت شبکه‌ای که روی داده تازه هم خوب کار کند، مهارت می‌خواهد. در این قسمت یک شبکه چندلایه برای تشخیص ارقام دست‌نویس MNIST می‌سازید، بیش‌برازش را از روی نمودار آموزش تشخیص می‌دهید و با Dropout، منظم‌سازی و توقف زودهنگام جلویش را می‌گیرید.
عیب‌یابی مدل یادگیری ماشین از جایی شروع می‌شود که یک عدد دقت کلی دیگر کافی نیست. در این قسمت تحلیل خطا به تفکیک گروه، مقایسه عملکرد بین گروه‌ها، بررسی نمایندگی داده، اهمیت ویژگی با جایگشت و منحنی یادگیری را با پایتون یاد می‌گیرید و با داشبورد هوش مصنوعی مسئولانه آشنا می‌شوید.
یادگیری تقویتی چیست و چطور یک عامل بدون داده برچسب‌خورده، فقط با آزمون و خطا یاد می‌گیرد؟ در این قسمت عامل، محیط، حالت، عمل، پاداش و سیاست را با قصه پیتر و گرگ می‌شناسید، معادله بلمن و الگوریتم Q-Learning را می‌فهمید و یک عامل کوچک را با پایتون از صفر آموزش می‌دهید.
رگرسیون بردار پشتیبان یا SVR می‌تواند رابطه غیرخطی سری زمانی را یاد بگیرد، به شرطی که سری را به یک مسئله رگرسیون معمولی تبدیل کنید. در این قسمت ایده لوله اپسیلون، کرنل RBF، پنجره‌سازی داده، ویژگی تأخیری و تقویمی و مقایسه منصفانه SVR با ARIMA و خط پایه را یاد می‌گیرید.
مدل ARIMA کلاسیک‌ترین روش پیش‌بینی سری زمانی است و هنوز خط پایه‌ای جدی برای مدل‌های پیچیده به حساب می‌آید. در این قسمت ایستایی و تفاضل‌گیری، سه جزء AR، I و MA، نسخه فصلی SARIMA، اعتبارسنجی گام‌به‌گام و بررسی باقیمانده را با داده مصرف برق و statsmodels یاد می‌گیرید.
سری زمانی چیست و چرا پیش‌بینی آن قواعد خودش را دارد؟ در این قسمت روند، فصلی بودن، چرخه، داده پرت و تغییر ناگهانی را با داده مصرف برق می‌شناسید، یاد می‌گیرید داده را بر اساس زمان تقسیم کنید، خط پایه ساده بسازید و از رایج‌ترین خطای پیش‌بینی یعنی نشت آینده دوری کنید.
خوشه‌بندی K-Means ساده‌ترین و پرکاربردترین روش گروه‌بندی داده بدون برچسب است. در این قسمت چهار قدم الگوریتم، اهمیت مقیاس‌بندی، انتخاب تعداد خوشه با روش آرنج، سنجش کیفیت با امتیاز سیلوئت و محدودیت‌های K-Means را با داده آهنگ‌های نیجریه‌ای و مثال پایتون یاد می‌گیرید.
کدام الگوریتم طبقه‌بندی بهتر است؟ پاسخ فقط با آزمون منصفانه روی داده خودتان معلوم می‌شود. در این قسمت رگرسیون لجستیک، Linear SVC، KNN، SVM با کرنل، جنگل تصادفی و AdaBoost را می‌شناسید و با اعتبارسنجی متقابل، معیار یکسان و زمان اجرا، روی داده غذاهای آسیایی مقایسه می‌کنید.
طبقه‌بندی در یادگیری ماشین از تعریف دقیق برچسب شروع می‌شود، نه از انتخاب الگوریتم. در این قسمت با داده ۲۴۴۸ دستور غذای آسیایی، طبقه‌بندی دودویی و چندکلاسه، حذف ویژگی‌های بی‌اثر، داده نامتوازن و SMOTE، خط پایه و معیار F1 کلان را یاد می‌گیرید و مدل را برای استفاده در وب آماده می‌کنید.
رگرسیون لجستیک چیست و چطور از یک عدد، احتمال و بعد تصمیم دسته‌بندی می‌سازد؟ در این قسمت تابع سیگموید، انواع دودویی، چندگانه و ترتیبی، رمزگذاری ترتیبی و یک‌داغ، ماتریس درهم‌ریختگی، منحنی ROC و انتخاب آستانه تصمیم را با داده رنگ کدو تنبل یاد می‌گیرید.
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.
