اهداف اصلی مسیر مهندسی هوش مصنوعی
- یادگیری عملیاتی‌سازی و استقرار مدل‌های هوش مصنوعی.
- توسعه، نظارت، و خودکارسازی چرخه حیات سیستم‌های هوشمند.
- کسب مهارت‌های پیشرفته در استفاده از زیرساخت‌های پردازشی ابری و مدل‌های مولد.
پیش نیاز: مهارت های نرم افزاری برای هوش مصنوعی
- آشنایی با مباحث و ابزارهای لازم برای ورودی به رویکرد عملیاتی سازی هوش مصنوعی.
- قابلیت کار کردن با سیستم عامل Linux، مدیریت ورژن کد Git و کار تیمی در Github.
- مروری بر مباحث پیشرفته در شی گرایی پایتون و معماری نرم افزار.
گام چهارم: متخصص هوش مصنوعی
- درک عمیق از ریاضیات الگوریتم‌ها و پیاده سازی آن در پایتون.
- توسعه مدل‌های یادگیری ماشین و یادگیری عمیق با رویکرد عملیاتی سازی.
- قابلیت استفاده از ابزار کنترل ورژن داده (Data Version Control).
گام پنجم: مهندس MLOps
- عملیاتی‌سازی مدل‌های یادگیری ماشین و هوش مصنوعی.
- نظارت، بهینه‌سازی، و خودکارسازی مدل‌ها در محیط‌های واقعی.
گام ششم: مهندس هوش مصنوعی مولد Gen-AI
- توانایی کار با زیرساخت‌های ابری.
- تسلط بر مدل‌های مولد و کاربرد آن‌ها در مسائل عملی.
