دوره مهندس عامل هوش مصنوعی: بوت کمپ کامل عامل هوش مصنوعی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- این دوره تمام جعبه ابزار مورد نیاز برای تبدیل شدن به یک مهندس عامل هوش مصنوعی را فراهم میکند.
- درک مفاهیم کلیدی عامل هوش مصنوعی و ایجاد یک اصول محکم
- مصاحبهکنندگان را با نشان دادن درک خود از عاملهای هوش مصنوعی تحت تأثیر قرار دهید.
- مهارتهای خود را در موارد کاری واقعی به کار گیرید.
- از قدرت عاملهای هوش مصنوعی استفاده کنید.
- از LangChain برای توسعه یکپارچه اپلیکیشن های هوش مصنوعی محور با زنجیرهسازی کامپوننت های قابل تعامل استفاده کنید.
- گردشهای کاری عامل هوش مصنوعی را با LangGraph مدلسازی کنید.
- عاملهای هوش مصنوعی را با LangSmith ارزیابی کنید.
- سیستمهای تک عاملی و چند عاملی بسازید.
پیشنیازهای دوره
- تجربه قبلی در برنامهنویسی پایتون مورد نیاز است.
- درک اولیه از هوش مصنوعی توصیه میشود.
توضیحات دوره
مسئله
هوش مصنوعی عاملی آینده سازمانهای مجهز به هوش مصنوعی است. این فناوری به کسبوکارها کمک میکند تا سریعتر از همیشه نوآوری کنند. بنابراین، جای تعجب نیست که تقاضا برای مهندسان عامل هوش مصنوعی در بازار کار در حال افزایش است.
با این حال، عرضه بسیار کم بوده و کسب مهارتهای لازم برای استخدام به عنوان مهندس عامل هوش مصنوعی میتواند چالشبرانگیز باشد.
پس، چگونه میتوان به این هدف دست یافت؟
دانشگاهها در توسعه برنامههای تخصصی متمرکز بر مهارتهای عملی مهندسی عامل هوش مصنوعی کند عمل کردهاند. تلاشهای اندکی که وجود دارند نیز پرهزینه و زمانبر هستند. در عین حال، بیشتر دورههای آنلاین، مرورهایی سطح بالا از تکنیکهای فردی برای ساخت سیستمهای عاملی ارائه میدهند، اما یکپارچهسازی این مهارتها همچنان چالشبرانگیز است.
راهحل
مهندسی عامل هوش مصنوعی یک حوزه چند رشتهای است که موارد زیر را پوشش میدهد:
- اصول عامل هوش مصنوعی
- طراحی و معماری عامل هوش مصنوعی
- برنامهنویسی پایتون
- کار با پلتفرمهای اتوماسیون کمکد مانند n8n
- بهینهسازی عامل هوش مصنوعی برای سرعت و هزینه
- اتصال عاملها به ابزارها، حافظه و APIها با LangChain
- مدلسازی گردشهای کاری عامل هوش مصنوعی با LangGraph
- ارزیابی عامل هوش مصنوعی با LangSmith
- به کارگیری عاملها در مسائل دنیای واقعی
- راهاندازی و بهینهسازی عاملها در محیط تولید
هر مبحث بر مبحث قبلی بنا میشود و پرش از مراحل میتواند منجر به سردرگمی شود. برای مثال، بهینهسازی عملکرد عامل بدون درک اساسی از معماری عامل به ندرت قابل دستیابی است.
بنابراین، ما کارگاه مهندس عامل هوش مصنوعی 2026 را ایجاد کردیم تا مؤثرترین، کارآمدترین و ساختاریافتهترین آموزش عامل هوش مصنوعی موجود به صورت آنلاین را ارائه دهیم.
این برنامه آموزشی پیشگام، مهمترین مانع برای ورود به حوزه عامل هوش مصنوعی را با گردآوری تمام منابع ضروری در یک مکان برطرف میکند.
دوره ما برای آموزش موضوعات به هم پیوسته به صورت یکپارچه طراحی شده است - و همه چیز مورد نیاز شما برای تبدیل شدن به یک مهندس عامل هوش مصنوعی را با سرمایهگذاری زمانی و هزینهای به مراتب کمتر از برنامههای سنتی فراهم میکند.
مهارتها
1. مقدمهای بر عاملهای هوش مصنوعی
منطق تصمیمگیری، عملگرها، محیط بروزرسانیشده، عاملهای تکی، چندعاملی، محافظها - اینها کلمات کلیدی آشنای عامل هوش مصنوعی هستند. اما دقیقاً به چه معنا هستند؟
چرا مبانی عامل هوش مصنوعی را مطالعه کنیم؟
یک اصول محکم بسازید که از مسیر یادگیری شما پشتیبانی کند. تصویر بزرگ را درک کنید و ببینید که چگونه اجزای سازنده مختلف در کنار هم قرار میگیرند.
2. معماری عامل هوش مصنوعی
ما عاملهای هوش مصنوعی را برای حل مسائل میسازیم. هر مسئله به معماری مناسب و درک بدهوبستانهای موجود نیاز دارد.
چرا معماری عامل هوش مصنوعی را مطالعه کنیم؟
انتخابهای طراحی سیستمی که انجام خواهید داد تعیین میکند که عاملهای هوش مصنوعی شما چقدر مؤثر و کارآمد هستند. با تسلط به معماری کلاسیک عامل هوش مصنوعی، میتوانید در مرحله طراحی سیستم انتخابهای مطمئنی داشته باشید - پیش از آنکه مشکلات پرهزینه شوند.
3. ساخت برنامههای هوش مصنوعی با LangChain
LangChain یک چارچوب است که با زنجیرهسازی اجزای قابل تعامل، امکان توسعه یکپارچه اپلیکیشن های هوش مصنوعی محور را فراهم میکند.
چرا LangChain را مطالعه کنیم؟
یاد بگیرید چگونه عاملهایی بسازید که میتوانند استدلال کنند. LangChain ایجاد سیستمهایی را تسهیل میکند که در آن بخشهای جداگانه - مانند مدلهای زبانی، پایگاههای داده و الگوریتمهای استدلال - میتوانند برای افزایش عملکرد کلی عامل به هم متصل شوند.
4. LangGraph
LangGraph پایه و اساس نحوه ساخت و مقیاسسازی بارهای کاری هوش مصنوعی را تعیین میکند. از این ابزار برای طراحی عاملهایی استفاده کنید که به طور قابل اعتماد تسک های پیچیده را مدیریت میکنند.
چرا LangGraph را مطالعه کنیم؟
با LangGraph، شما با هماهنگسازی چندمرحلهای عامل آشنا خواهید شد. این جایی است که یاد میگیرید چگونه حافظه مکالمهای را به عامل خود اضافه کنید، تا بتواند با هر تعامل، به خاطر بسپارد، تطبیق یابد و باهوشتر شود.
5. عاملهای هوش مصنوعی در عمل
با این ماژول عملی در مورد سیستمهای عاملی، به دنیای عاملهای هوش مصنوعی گام بگذارید. شما تجربه دنیای واقعی کسب خواهید کرد. از طراحی پرامپت و استدلال چندمرحلهای گرفته تا تکنیکهای ایمنی و نظارت با LangSmith است.
چرا عاملهای هوش مصنوعی در عمل را مطالعه کنیم؟
مهارتهای عملی برای ساخت گردشهای کاری هوش مصنوعی آماده تولید را کسب کنید. با پروژههای عملی، گام بعدی را در سفر هوش مصنوعی خود بردارید.
آنچه دریافت میکنید
- برنامه آموزشی مهندسی عامل هوش مصنوعی به ارزش 1,250 دلار
- پشتیبانی فعال در بخش پرسش و پاسخ
- مهارتهای ضروری برای استخدام در مهندسی هوش مصنوعی
- دسترسی به جامعه یادگیرندگان هوش مصنوعی
- راهحلهای موارد کاری واقعی برای آمادگی شغلی
چرا تعلل؟ هر روز یک فرصت از دست رفته است. در این دوره شرکت کنید و همین امروز به برنامه مهندس عامل هوش مصنوعی ما بپیوندید.
این دوره برای چه کسانی مناسب است؟
- شما باید این دوره را بگذرانید اگر میخواهید یک مهندس عامل هوش مصنوعی شوید یا اگر میخواهید در مورد این حوزه یاد بگیرید.
- این دوره برای شماست اگر یک شغل عالی میخواهید.
- این دوره برای مبتدیان نیز ایدهآل است، زیرا از مبانی شروع میشود و به تدریج مهارتهای شما را میسازد.
دوره مهندس عامل هوش مصنوعی: بوت کمپ کامل عامل هوش مصنوعی
-
دوره چه مواردی را پوشش میدهد 04:09
-
عامل هوش مصنوعی چیست؟ 03:06
-
چرا باور میشود عاملهای هوش مصنوعی پدیده بزرگ بعدی هستند؟ 04:05
-
مقدمه 00:55
-
محیط – دنیای بیرونی که عامل آن را درک میکند و با آن تعامل دارد 02:32
-
حسگرها – چگونه عامل در مورد محیط اطراف خود داده جمعآوری میکند 02:13
-
مدل – روش عامل برای درک اطلاعات 01:32
-
منطق تصمیمگیری – قوانین و اهدافی که اقدامات عامل را هدایت میکنند 04:11
-
اقدامات – چگونه عامل محیط را شکل میدهد 01:38
-
محیط بروزرسانیشده 02:07
-
مقدمه 00:50
-
ویژگیهای کلیدی عاملهای هوش مصنوعی 03:16
-
عامل بازتابی ساده 01:50
-
عامل بازتابی مبتنی بر مدل 02:35
-
عامل مبتنی بر هدف 01:51
-
عامل مبتنی بر مطلوبیت 02:08
-
عامل یادگیرنده 00:54
-
مقدمه 00:34
-
یادگیری از انسانها 04:00
-
یادگیری از سیستمهای خارجی 03:26
-
مقدمه 00:52
-
تمایز LLMها در مقابل گردشهای کاری هوش مصنوعی در مقابل عاملها (هوش مصنوعی عاملیتدار در مقابل غیرعاملی) 06:16
-
چگونه عاملهای هوش مصنوعی استدلال و عمل میکنند؟ (ReAct) 02:39
-
چگونه عاملهای هوش مصنوعی بدون مشاهده استدلال میکنند؟ (ReWoo) 02:26
-
عاملهای تکی 01:15
-
چندعاملیها 02:46
-
مقدمه 00:50
-
چگونه عاملهای هوش مصنوعی را در کسبوکار خود پیادهسازی کنید؟ 02:41
-
انتخاب یک مدل 02:00
-
ابزارهای خارجی که عامل میتواند استفاده کند 01:34
-
پیکربندی دستورالعملها و بهترین شیوههای مهندسی پرامپت 03:33
-
پرامپت چند-نمونه 02:48
-
استدلال زنجیره فکر 01:54
-
محافظها 02:56
-
اهمیت دخالت انسان 01:13
-
چگونه عاملهای هوش مصنوعی را ارزیابی کنیم؟ 03:49
-
مقدمهای بر n8n 02:53
-
انواع گره در n8n 02:58
-
پروژهای که خواهیم ساخت 02:26
-
تعریف شخصیت عامل شما: پرامپت سیستم 02:30
-
اضافه کردن مغز: وادار کردن گردش کار به فکر کردن 01:56
-
پیادهسازی حافظه در n8n: ساخت حافظه برای عامل شما 02:04
-
یکپارچهسازی ابزارها: Google Sheets و Gmail 04:23
-
تولید خروجی نهایی 02:15
-
مقدمه 01:14
-
APIها 01:52
-
سرویسهای ابری 01:42
-
یکپارچهسازی داده و دانش 02:34
-
چارچوبهای توسعه 05:59
-
استقرار 01:29
-
پیشنهاد ارزش کلیدی عاملهای هوش مصنوعی 05:22
-
عاملهای هوش مصنوعی به عنوان همتیمی 04:34
-
مقدمه 02:20
-
گردشهای کاری عاملی در مقابل عاملهای هوش مصنوعی 02:22
-
کامپوننت های سازنده اصلی یک عامل هوش مصنوعی 05:53
-
زمان استفاده (و زمان عدم استفاده) از عاملهای هوش مصنوعی 04:01
-
چرا معماری مهم است: مقیاسپذیری، قابلیت اطمینان و کنترل 03:00
-
مقدمه بخش 00:35
-
اصول کلی ساختاردهی پرامپت 03:08
-
چارچوبهای پرامپتنویسی 02:42
-
پرامپتنویسی مثبت و منفی 01:42
-
زنجیره فکر 01:48
-
مقدمه بخش 01:02
-
LLM تقویتشده 03:01
-
زنجیرهسازی پرامپت 03:03
-
مسیریابی 03:01
-
موازیسازی 04:15
-
هماهنگکننده-کارگر 03:18
-
ارزیاب-بهینهساز 02:19
-
مقدمه بخش 01:09
-
زمان استفاده از معماری تکعاملی 01:34
-
بازتاب 02:57
-
ReAct (فکر کن-انجام بده) 03:20
-
بازاندیشی 02:37
-
مقدمه بخش 01:32
-
تجزیه تسک 04:18
-
اهمیت برنامهریزی 02:21
-
برنامهریزی و حل 01:36
-
ReWOO 03:17
-
درخت فکر 01:41
-
مقدمه بخش 00:49
-
زمان استفاده از سیستمهای تکعاملی در مقابل چندعاملی 03:20
-
معماریهای عمودی در مقابل افقی 02:30
-
چالشهای گفتگوهای گروهی 01:57
-
ناظر 03:03
-
تیمهای سلسلهمراتبی 03:09
-
تیمهای پویا 01:34
-
مقدمه بخش 00:45
-
عاملها و اجرای تسک ناهمزمان 03:29
-
معیارهای عملکرد - تأخیر و هزینه 03:28
-
مدیریت خطا و بازیابی 02:41
-
مقدمه بخش 02:01
-
بافر زمینه کوتاهمدت 02:57
-
RAG ذخیرهسازی برداری 03:59
-
حافظه در سطح نهاد 01:31
-
مقدمه بخش 00:59
-
خودبازتابی 02:47
-
انسان در چرخه 02:29
-
الگوهای حاکمیتی 00:42
-
محافظها و اجرای خطمشی 03:24
-
محدودکننده هزینه 02:31
-
تست سایه A/B 02:17
-
سیستمهای سوگیری و انصاف 03:38
-
مقدمه بخش 01:16
-
چگونه عملکرد عامل را اندازهگیری کنیم؟ 02:30
-
محکهای آفلاین 02:13
-
معیارهای آنلاین 03:10
-
مقدمه 04:53
-
کاربردهای کسب و کار LangChain 05:22
-
چه چیزی LangChain را قدرتمند میکند؟ 04:32
-
دوره چه مواردی را پوشش میدهد؟ 05:32
-
توکنها 06:07
-
مدلها و قیمتها 03:28
-
راهاندازی یک محیط Anaconda سفارشی برای یکپارچهسازی Jupyter 03:42
-
دریافت کلید API OpenAI 02:04
-
تنظیم کلید API به عنوان یک متغیر محیطی 07:11
-
گامهای اول 03:50
-
نقشهای سیستم، کاربر و دستیار 03:36
-
ایجاد یک ربات گفتگوی طعنهآمیز 02:46
-
دما، حداکثر توکن و جریانی 06:27
-
چارچوب LangChain 05:40
-
ChatOpenAI 06:24
-
پیامهای سیستم و انسان 04:29
-
پیامهای هوش مصنوعی 05:07
-
قالبهای پرامپت و مقادیر پرامپت 05:22
-
قالبهای پرامپت گفتگو و مقادیر پرامپت گفتگو 06:05
-
قالبهای پرامپت پیام گفتگوی چند-نمونه 06:15
-
تجزیهگر خروجی رشتهای 02:27
-
تجزیهگر خروجی لیست جدا شده با کاما 03:15
-
تجزیهگر خروجی تاریخ و زمان 02:47
-
لولهکشی یک پرامپت، مدل و یک تجزیهگر خروجی 06:33
-
دستهبندی 04:35
-
جریانی 04:17
-
کلاسهای Runnable و RunnableSequence 04:52
-
لولهکشی زنجیرهها و کلاس RunnablePassthrough 07:32
-
رسم گراف Runnables 02:15
-
RunnableParallel 06:23
-
لولهکشی یک RunnableParallel با سایر Runnables 05:31
-
RunnableLambda 05:23
-
دکوراتور chain@ 04:22
-
چگونه دادههای سفارشی را در یک LLM یکپارچه کنیم؟ 03:48
-
مقدمهای بر RAG 03:40
-
مقدمهای بر بارگذاری و تقسیم اسناد 03:56
-
مقدمهای بر تعبیه سند 06:46
-
مقدمهای بر ذخیرهسازی، بازیابی و تولید سند 03:49
-
نمایهسازی: بارگذاری سند با PyPDFLoader 07:10
-
نمایهسازی: بارگذاری سند با Docx2txtLoader 02:24
-
نمایهسازی: تقسیم سند با تقسیمکننده متن کاراکتری (تئوری) 02:46
-
نمایهسازی: تقسیم سند با تقسیمکننده متن کاراکتری (همگام با کدنویسی) 05:19
-
نمایهسازی: تقسیم سند با تقسیمکننده متن سربرگ Markdown 05:53
-
نمایهسازی: تعبیه متن با OpenAI 06:00
-
نمایهسازی: ایجاد یک ذخیرهسازی برداری Chroma 05:41
-
نمایهسازی: بازرسی و مدیریت اسناد در یک ذخیرهسازی برداری 04:21
-
بازیابی: جستجوی شباهت 05:29
-
بازیابی: جستجوی حداکثر ارتباط حاشیهای 06:47
-
بازیابی: بازیاب مبتنی بر ذخیرهسازی برداری 03:30
-
تولید: درج اسناد 04:22
-
تولید: ایجاد یک پاسخ 03:51
-
به ماژول LangGraph خوش آمدید 02:42
-
آنچه در ادامه خواهید دید 03:26
-
پیشنیازهای مدل 02:13
-
راهاندازی محیط 04:37
-
حالتها، گرهها و یالها 05:24
-
اولین گراف: ایمپورت کردن کلاسهای مرتبط 03:45
-
اولین گراف: تعریف یک حالت و یک گره 04:18
-
اولین گراف: ساخت گراف 04:55
-
یالهای شرطی: تعریف گرهها و یک تابع مسیریابی 05:40
-
یالهای شرطی: ساخت گراف 05:03
-
ساختار Annotated و توابع کاهنده 04:49
-
توابع کاهنده در عمل 03:38
-
کلاس MessagesState 03:34
-
کلاس RemoveMessages 02:56
-
کوتاهسازی پیامها 03:57
-
خلاصهسازی پیامها 07:53
-
نقطهبازرسیها و نخها 03:27
-
حافظه کوتاهمدت با کلاس InMemorySaver 05:29
-
کلاس StateSnapshot 03:09
-
حافظه بلندمدت با SQLite 04:47
-
نتیجهگیری 03:03
-
دوره چه مواردی را پوشش میدهد؟ 03:31
-
ابزارهای توسعه عامل 03:28
-
چرا LangGraph؟ 04:13
-
کالبدشناسی یک پروژه LangGraph 06:22
-
تکنیکهای پرامپت بخش 1 03:18
-
تکنیکهای پرامپت بخش 2 03:35
-
نکات و ترفندهای پرامپتنویسی 02:45
-
ورودی سیستم در مقابل ورودی کاربر 02:22
-
پشت صحنه - ربات گفتگوی دستیار پروژه 04:22
-
پروژه: عامل کمککار شغلی (ReAct) 01:22
-
مرور معماری ReAct 01:33
-
راهاندازی و نصب 01:03
-
ساخت ابزارها: خواننده فایل 03:04
-
ساخت ابزارها: API جستجوی وب 02:12
-
یکپارچهسازی ابزارها در عامل 03:46
-
ساخت گره دستیار 02:29
-
ساخت گراف 04:22
-
اجرای گراف 01:13
-
اضافه کردن حافظه 02:31
-
اتصال به LangSmith 02:45
-
مرور کلی معماری ReWOO 02:34
-
تعریف یک حالت و برنامهریز ReWOO 04:43
-
ساخت گره برنامهریز 01:54
-
پیادهسازی اجراکننده 04:18
-
پیادهسازی حلکننده 02:12
-
سیمکشی گراف ReWOO 02:53
-
ReAct در مقابل ReWOO 02:46
-
مرور کلی پروژه 01:30
-
انسان در چرخه 02:41
-
موازیسازی 02:33
-
مقداردهی اولیه حالت 03:20
-
ساخت انسان در چرخه 02:35
-
ایجاد گرههای از پیش ساخته "مشاور" 01:57
-
گره جمعآوری و ساخت گراف 03:15
-
نهاییسازی پروژه 02:24
مشخصات آموزش
دوره مهندس عامل هوش مصنوعی: بوت کمپ کامل عامل هوش مصنوعی
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:214
- مدت زمان :11:45:38
- حجم :11.57GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy