محور موضوعی
آموزش هوش مصنوعی مولد به زبان فارسی، قدمبهقدم و کاربردی؛ از پرامپتنویسی و ساخت چتبات تا RAG، ایجنت‌ها، ارزیابی و امنیت. یک مسیر ۵۰ قسمتی که از مفاهیم پایه شروع می‌شود و تا ساخت ایجنت‌های واقعی پیش می‌رود.
پردازش زبان طبیعی یا NLP چیست و چرا فهم زبان برای کامپیوتر این‌قدر سخت است؟ در این قسمت وظایف اصلی NLP، سیر تحول از قاعده و آمار تا شبکه عصبی، چالش‌های ویژه زبان فارسی، یک ربات گفت‌وگوی ساده به سبک ELIZA و نقشه راه مسیر متن تا پاسخ در یک دستیار هوشمند را می‌بینید.
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.
داستان‌سرایی با داده فاصله بین یک تحلیل درست و یک تصمیم درست را پر میکند. در این قسمت پنج دسته مخاطب، ارتباط یک‌طرفه و دوطرفه، پنج راهبرد روایت داده، یک مطالعه موردی از مدیر محصول و قالب یک‌صفحه‌ای گزارش نتیجه مدل هوش مصنوعی را یاد می‌گیرید.
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.
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.
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.
این بخش یک مسیر کامل برای آموزش هوش مصنوعی مولد به زبان فارسی است. از نوشتن اولین پرامپت شروع می‌کنیم و قدمبهقدم به ساخت ایجنت‌هایی می‌رسیم که خودشان ابزار صدا می‌زنند و کار را پیش می‌برند.
مسیر ۵۰ قسمت دارد. هر قسمت یک مهارت مشخص را آموزش می‌دهد، مثال کاربردی دارد و به قسمتهای قبلی وصل است. بنابراین اگر به ترتیب جلو بروید، هیچ جای خالی در یادگیری‌تان نمی‌ماند.
قسمتها در سه مرحله چیده شدهاند. هر مرحله روی مهارت‌های مرحله‌ی قبل ساخته می‌شود.
در قسمتهای اول با پرامپتنویسی و تکنیک‌های پیشرفته‌ی آن آشنا می‌شوید. بعد یک برنامه‌ی تولید متن و یک چتبات ساده می‌سازید تا ببینید مدل زبانی در عمل چطور رفتار میکند.
سپس سراغ جستجوی معنایی و RAG می‌رویم. در این قسمتها یاد می‌گیرید چطور مدل را به اسناد خودتان وصل کنید تا جواب‌هایش دقیق‌تر و قابل‌اعتمادتر شود.
در این مرحله function calling، ابزارها و حلقه‌ی کاری ایجنت را قدمبهقدم می‌بینید. بعد یک ایجنت را از صفر می‌سازید و با فریم‌ورک‌هایی مثل smolagents و LangGraph کار می‌کنید.
سیستم‌های چند ایجنتی، Agentic RAG و ایجنت تحلیل تصویر هم در همین مرحله آموزش داده می‌شوند. هر قسمت یک نمونه‌ی قابل اجرا دارد تا مفهوم فقط در حد تئوری نماند.
قسمتهای پایانی به ساخت ایجنت‌هایی می‌پردازند که در محیط واقعی قابل‌اعتماد باشند. انتخاب مدل، طراحی جریان کار، حافظه، مهندسی زمینه و پروتکل‌هایی مثل MCP از موضوع‌های این مرحله‌اند.
در نهایت پایش، استقرار و امنیت ایجنت را یاد می‌گیرید. این مهارت‌ها فرق یک نمونه‌ی آزمایشی را با محصولی که کاربر واقعی از آن استفاده میکند مشخص می‌کنند.
برای شروع این مسیر به ابزار پیچیده‌ای نیاز ندارید:
اگر پرامپتنویسی برایتان تازه است، مقاله‌ی پرامپت خوب چه ویژگی‌هایی دارد؟ شروع خوبی است. بخشی از این مسیر بر پایه‌ی دوره‌ی متن‌باز Generative AI for Beginners مایکروسافت نوشته شده است.
برای قسمتهای اول، مثل پرامپتنویسی، نه. برای ساخت چتبات و ایجنت آشنایی مقدماتی با پایتون کمک زیادی میکند. مثالها قدمبهقدم توضیح داده شدهاند.
به همان ترتیب شمارهی قسمتها. هر قسمت روی قسمت قبلی بنا شده و در انتهای هر آموزش به قسمتهای مرتبط قبلی لینک دادهایم.
بله. همهی آموزشهای این بخش رایگان است و برای بیشتر مثالها میتوانید از نسخهی رایگان ابزارها استفاده کنید.
RAG به مدل کمک میکند جوابش را از روی اسناد شما بدهد. ایجنت یک قدم جلوتر است؛ خودش تصمیم میگیرد کدام ابزار را صدا بزند و کار را در چند مرحله پیش ببرد.
