تسلط به مهندسی LLM و عامل های هوش مصنوعی - ساخت 14 پروژه - 2025

آنچه یاد خواهید گرفت:

• درک مبانی مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی عامل‌گرا (Agentic AI): شامل نحوه آموزش، تنظیم دقیق (Fine-tuning) و استقرار مدل‌های زبانی.
• ساخت و استقرار ایجنت‌های هوشمند و خودکار: با استفاده از فریم‌ورک‌های پیشرو مانند AutoGen، OpenAI Agents SDK، LangGraph، n8n و MCP.
• بررسی و بنچمارک مدل‌های زبانی متن‌باز: کار با مدل‌هایی نظیر Llama، DeepSeek، Qwen، Phi و Gemma با استفاده از Hugging Face و LM Studio.
• توسعه کاربردهای واقعی با API: استفاده از دسترسی API به OpenAI، Gemini و Claude برای تولید متن و وظایف بینایی ماشین (Vision Tasks).
• به‌کارگیری چارچوب ۵ مرحله‌ای اثبات‌شده: برای انتخاب مدل هوش مصنوعی مناسب کسب‌وکارتان با هدف بهینه‌سازی هزینه، کاهش تأخیر و تسریع زمان عرضه به بازار.
• ارزیابی عینی LLMها: استفاده از لیدربردهایی مانند Vellum و Chat Arena و انجام تست‌های کور (Blind tests) برای سنجش عملکرد مدل.
• طراحی پایپ‌لاین‌های RAG (تولید پاسخ مبتنی بر بازیابی): با استفاده از LangChain، امبدینگ‌های OpenAI و ChromaDB برای بازیابی کارآمد اسناد و پاسخ‌دهی به سوالات.
• ساخت سیستم پرسش و پاسخ تعاملی و شفاف: ایجاد رابط کاربری با Gradio که پاسخ‌ها را همراه با استناد به منبع نمایش می‌دهد تا اعتماد کاربر افزایش یابد.
• تسلط بر اعتبارسنجی داده‌ها و خروجی ساختاریافته: استفاده از کتابخانه Pydantic (شامل BaseModel و Type Hints) برای دریافت خروجی‌های پردازش‌شده از مدل‌های OpenAI.
• ساخت ویرایشگر رزومه مبتنی بر هوش مصنوعی: سیستمی که شکاف‌های بین رزومه و شرح شغلی را تحلیل کرده و به‌طور خودکار رزومه و کاور لتر (Cover Letter) را برای موقعیت‌های شغلی خاص تنظیم می‌کند.
• تنظیم دقیق (Fine-tuning) مدل‌های متن‌باز: استفاده از روش‌های بهینه پارامتری مانند LoRA و ابزارهایی مثل TRL و SFTTrainer از Hugging Face.
• تسلط بر آماده‌سازی دیتاست و ارزیابی مدل: محاسبه دقت (Accuracy)، صحت (Precision)، فراخوانی (Recall) و امتیاز F1 با استفاده از scikit-learn.
• کار با کتابخانه Hugging Face Transformers: استفاده از اجزای کلیدی مانند pipeline()، AutoTokenizer() و AutoModelForCausalLM().
• تجربه عملی با دیتاست‌ها و مدل‌های متن‌باز: کار در Hugging Face و اعمال تکنیک‌های کوانتیزاسیون (مانند bitsandbytes) برای بهینه‌سازی عملکرد.
• تسلط بر مهندسی پرامپت پیشرفته: شامل تکنیک‌های Zero-shot، Few-shot و Chain-of-thought.
• استقرار ایجنت‌های چند-مدلی (Multi-model): با استفاده از AutoGen و ادغام LLMهای OpenAI، Gemini و Claude با قابلیت همکاری ایجنت‌ها و نظارت انسان (Human-in-the-loop).
• توسعه گردش‌کارهای هوش مصنوعی با LangGraph: تسلط بر مفاهیمی مانند وضعیت‌ها (States)، لبه‌ها (Edges)، منطق شرطی و گره‌های چندمرحله‌ای.
• طراحی و ساخت ایجنت‌های رزرو با LangGraph: امکان جستجو و پیشنهاد خودکار پرواز و هتل از طریق ادغام با APIهای خارجی.
• ساخت تیم ایجنت علم داده با CrewAI: ایجاد ایجنت‌های تخصصی برای برنامه‌ریزی گردش‌کار، تحلیل داده، ساخت مدل و تحلیل‌های پیش‌بینی‌کننده.
• طراحی و خودکارسازی گردش‌کارهای جامع با n8n: ادغام سرویس‌هایی مانند Gmail، Google Sheets، Google Calendar و OpenAI.
• ساخت سیستم معلم هوشمند پیشرفته: با استفاده از پروتکل زمینه-مدل (MCP) و OpenAI Agents SDK برای ایجاد تعامل‌پذیری پویا بین ابزارها.
• به‌کارگیری مدل‌های یادگیری ماشین کلاسیک: استفاده از مدل‌هایی مانند رگرسیون خطی، جنگل تصادفی و XGBoost در گردش‌کارهای ایجنت، شامل بارگذاری و بررسی دیتاست.

پیش‌نیازهای دوره

• به یک لپ‌تاپ و اتصال اینترنت نیاز خواهید داشت!
• تجربه برنامه‌نویسی الزامی نیست؛ اما آشنایی مقدماتی با پایتون امتیاز محسوب می‌شود.

توضیحات دوره

انقلاب هوش مصنوعی با سرعتی غیرقابل تصور در حال شتاب گرفتن است و کسانی که بر مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی عامل‌گرا (Agentic AI) مسلط شوند، آینده تکنولوژی را رقم خواهند زد.

دوره «مسترکلس مدل‌های زبانی بزرگ (LLM) و ایجنت‌های هوش مصنوعی»، یک برنامه فشرده و کاملاً عملی است که طراحی شده تا متخصصان و علاقه‌مندان را به مهارت‌های لازم برای ساخت کاربردهای واقعی هوش مصنوعی مجهز کند. چه توسعه‌دهنده باشید، چه دانشمند داده، محقق یا رهبر فناوری، این بوت‌کمپ ابزارها و دانش لازم را برای هدایت و نوآوری مطمئن در این فضای به‌سرعت در حال تحول، در اختیار شما قرار می‌دهد.

شما کار را با بررسی مبانی LLMها و فریم‌ورک‌های ایجنت، از جمله نحوه بنچمارک مدل‌ها با LM Studio آغاز خواهید کرد. سپس دوره شما را در کار با APIهای قدرتمندِ متن‌بسته (Closed-source) از ارائه‌دهندگانی مانند OpenAI، Gemini و Claude راهنمایی می‌کند. یاد خواهید گرفت چگونه پیام‌های سیستمی و کاربر را ساختاردهی کنید، توکن‌سازی را درک کنید و خروجی‌ها را برای ساخت پروژه‌هایی مانند تولیدکنندگان متن و ردیاب‌های کالری مبتنی بر بینایی کنترل نمایید.

با پیشرفت در دوره، وارد دنیای LLMهای متن‌باز خواهید شد. مدل‌ها را در Hugging Face با استفاده از تکنیک‌های روز دنیا مانند LoRA و تنظیم دقیق کارآمد پارامتری (PEFT) فاین‌تیون (Fine-tune) خواهید کرد. در کنار این، تجربه طراحی اپلیکیشن‌های تحت وب هوشمند با Gradio، ایجاد اپ‌های تعاملی استریمینگ و ساخت معلم‌های هوشمند را کسب خواهید کرد.

یکی از بخش‌های اصلی این بوت‌کمپ بر تسلط بر مهندسی پرامپت تمرکز دارد، شامل تکنیک‌های Zero-shot، Few-shot و Chain-of-thought برای دستیابی به خروجی‌های پایدار و کنترل‌شده. همچنین قابلیت‌های پیشرفته‌ای مانند ساخت پایپ‌لاین‌های RAG (تولید پاسخ مبتنی بر بازیابی) و کار با امبدینگ‌ها (Embeddings) برای جستجوی معنایی و بازیابی دانش را بررسی خواهید کرد.

این برنامه با توسعه نسل بعدی ایجنت‌های هوش مصنوعی به پایان می‌رسد. شما از فریم‌ورک‌هایی مانند AutoGen، OpenAI Agents SDK، LangGraph، n8n و MCP برای ساخت ایجنت‌های خودکاری استفاده خواهید کرد که قادر به تعامل با سیستم‌های خارجی، APIها و سایر ابزارهای دیجیتال هستند. هر ماژول بر ساخت پروژه‌های عملی و کاربردی تأکید دارد که اهداف یادگیری را تثبیت کرده و شما را برای استقرار در دنیای واقعی آماده می‌کند.

این بوت‌کمپ توسط دکتر رایان احمد، استاد و مدرس باسابقه هوش مصنوعی که به بیش از نیم میلیون دانشجو در سطح جهان آموزش داده است، هدایت می‌شود. این دوره برای مهندسان نرم‌افزار، دانشمندان داده، محققان هوش مصنوعی و متخصصان فناوری که می‌خواهند وارد فضای توسعه LLM و ایجنت‌های هوش مصنوعی شوند، ایده‌آل است.

فرمت این برنامه بر یادگیری پروژه‌محور با راهنمایی گام‌به‌گام، تعامل با جامعه کاربری و دسترسی به منتورشیپ و بازخورد مداوم تأکید دارد. از روز اول، شما شروع به ساخت اپلیکیشن‌های دنیای واقعی خواهید کرد و خود را در صف اول این حوزه تحول‌آفرین قرار خواهید داد.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده، مهندسان یادگیری ماشین و محققان هوش مصنوعی که می‌خواهند وارد فضای هوش مصنوعی عامل‌گرا (Agentic AI) و کاربردهای LLM شوند.
• توسعه‌دهندگان نرم‌افزار با مهارت‌های پایه پایتون که قصد دارند جدیدترین LLMها و فریم‌ورک‌های ایجنت را در برنامه‌های واقعی ادغام کنند.
• متخصصان تکنولوژی و علاقه‌مندان به هوش مصنوعی که به بررسی مدل‌های متن‌باز (مانند LLaMA، DeepSeek، Qwen، Phi) و فریم‌ورک‌ها (AutoGen، LangGraph، CrewAI، n8n) علاقه‌مندند.
• تیم‌های نوآوری سازمانی یا تحقیق و توسعه (R&D) که می‌خواهند نمونه‌های اولیه (پروتوتایپ) گردش‌کارهای هوشمند، دستیارها و اتوماسیون‌ها را بسازند.
• دانشجویان پیشرفته و مدرسانی که به دنبال تجربه عملی و کاربردی با LLMها، فاین‌تیونینگ و مهندسی پرامپت هستند.
• کارآفرینان و استارتاپ‌هایی که در حال بررسی محصولات مبتنی بر هوش مصنوعی مانند ایجنت‌های خودکار، ویرایشگرهای رزومه، ایجنت‌های رزرو و دستیاران علم داده هستند.