دوره یادگیری ماشین با کمک هوش مصنوعی با LLMs و MCP در JupyterLab

آنچه یاد خواهید گرفت: نصب JupyterLab نصب Jupyter MCP Server اتصال Claude به JupyterLab از طریق MCP اتصال سایر ایجنت‌های LLM به JupyterLab از طریق MCP چگونه LLM را به‌درستی برای انجام یادگیری ماشین پرامپت‌نویسی کنید؟ اجرای محلی LLM با استفاده از LM Studio استفاده از LLM برای توضیح و یادگیری یادگیری ماشین استفاده از LLM برای عیب‌یابی و رفع مشکلات کدنویسی و موارد بیشتر پیش‌نیازهای دوره آشنایی پایه با Python مفید است، اما لازم نیست متخصص باشید. برای آموزش سریع‌تر مدل، داشتن یک GPU از NVIDIA روی رایانه Windows ترجیح داده می‌شود، اما استفاده فقط از CPU هم ممکن است؛ فقط کندتر خواهد بود. آشنایی پایه با مفاهیم یادگیری ماشین مفید است، اما الزامی نیست. توضیحات دوره یادگیری ماشین با کمک هوش مصنوعی با LLMها و MCP در JupyterLab یک دوره‌ سنتی یادگیری ماشین نیست. هدف آن آموزش نظریه‌ رسمی یادگیری ماشین، استنتاج‌های ریاضی یا مبانی دانشگاهی نیست. در عوض، این دوره به شما یاد می‌دهد چگونه از مدل‌های زبانی بزرگ (LLMs) به‌عنوان ابزارهای عملی برای ساخت، اجرا و تست سیستم‌های یادگیری ماشین استفاده کنید. اگر به‌دنبال توضیحی عمیق و نظری درباره‌ «یادگیری ماشین چیست؟» یا یک دوره‌ سنگین ریاضی با فرمول‌ها و اثبات‌ها هستید، این دوره مناسب شما نیست. این دوره درباره‌ این است که چگونه از هوش مصنوعی برای انجام یادگیری ماشین استفاده کنید. این دوره 100% عملی است. شما یک LLM (مانند Claude و OpenAI و DeepSeek یا هر مدل سازگار دیگر) را از طریق MCP (Model Context Protocol) به JupyterLab متصل کرده و از آن به‌ عنوان همکار کدنویسی خود استفاده می‌کنید. LLM کد Python تولید می‌کند، آن را مستقیماً در notebookهای شما وارد می‌کند، به اشکال‌زدایی خطاها کمک می‌کند، بهبودها را پیشنهاد می‌دهد و در صورت نیاز خروجی‌ها را توضیح می‌دهد. تمرکز شما بر ساخت و تست است، نه مطالعه‌ نظریه این دوره را شبیه دوره‌های «vibe coding» در نظر بگیرید. در vibe coding، به شما آموزش داده نمی‌شود که چگونه هر خط کد را از پایه و به‌صورت دستی بنویسید. در عوض، یاد می‌گیرید چگونه از LLMها به‌طور مؤثر برای تولید، اصلاح و بهبود کد استفاده کنید. مهارتی که آموزش داده می‌شود، سینتکس برنامه‌نویسی نیست؛ بلکه این است که چگونه با هوش مصنوعی همکاری کنید تا نرم‌افزار بسازید. این دوره نیز همین فلسفه را دنبال می‌کند. شما یادگیری ماشین را به معنای سنتی و دانشگاهی آن یاد نمی‌گیرید، بلکه می‌آموزید چگونه از هوش مصنوعی برای انجام تسک‌های یادگیری ماشین به‌صورت کارآمد استفاده کنید. اگر در هر مرحله بخواهید بدانید چرا کد به شکل خاصی نوشته شده یا پشت یک الگوریتم مشخص چه نظریه‌ای قرار دارد، کافی است از همان LLM که کد را تولید کرده بپرسید. این مدل می‌تواند ریاضیات، شهود یا مفاهیم را هرقدر که بخواهید عمیق توضیح دهد. توضیح، هر زمان که بخواهید، در دسترس است. بنابراین، در این دوره عمداً روی «چگونگی» تمرکز می‌کنیم، نه «چرایی» نظری - این کار کاملاً آگاهانه انجام شده است. شما از ابزارهایی مانند scikit-learn و fastai و PyTorch، اما همیشه در قالب یک گردش‌کار مبتنی بر هوش مصنوعی استفاده خواهید کرد. نظریه فقط در حدی نگه داشته می‌شود که برای انجام مطمئن کارها لازم است. در پایان دوره، خواهید دانست چگونه از یک LLM برای موارد زیر استفاده کنید: تولید و تغییر کدهای یادگیری ماشین ساخت مدل‌های رگرسیون، طبقه‌بندی، بینایی کامپیوتری، پردازش زبان طبیعی، بخش‌بندی و غیره انجام تحلیل اکتشافی داده، پیش‌پردازش و مهندسی ویژگی ارزیابی و بهبود مدل‌ها اشکال‌زدایی و تکرار سریع داخل notebookهای Jupyter شما با چیزی بسیار کاربردی دوره را به پایان می‌رسانید: یک گردش‌کار تکرارپذیرِ مبتنی بر هوش مصنوعی برای پیش بردن پروژه‌های یادگیری ماشین این دوره برای توسعه‌دهندگان، سازندگان و خودآموزانی ایده‌آل است که اجرای عملی برایشان مهم‌تر از عمق دانشگاهی است؛ کسانی که به‌ جای یک دوره‌ سنتی نظریه‌ یادگیری ماشین، به‌ دنبال سرعت، بهره‌وری و یک گردش‌کار مدرن مجهز به هوش مصنوعی هستند. این دوره برای چه کسانی مناسب است؟ خودآموزانی که می‌خواهند از یک الگوی مدرن «vibe coding» استفاده کنند؛ جایی که هوش مصنوعی به‌صورت تعاملی در نوشتن کد کمک می‌کند. کسی که یادگیری عملی و تست محور را به سخنرانی‌های طولانی و نظریه‌های پیچیده ترجیح می‌دهد. توسعه‌دهندگان، دانشمندان داده یا متخصصان ML که می‌خواهند با استفاده از هوش مصنوعی گردش‌کارهای خود را خودکار و سریع‌تر کنند.