بوتکمپ 3 روزه مهندسی هوش مصنوعی - به یک مهندس هوش مصنوعی تبدیل شوید
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- با اصول مهندسی هوش مصنوعی آشنا شوید، از جمله اینکه مدلهای زبانی بزرگ (LLM) چگونه کار میکنند و چگونه به اپلیکیشنهای هوش مصنوعی مدرن قدرت میدهند.
- اپلیکیشنهای هوش مصنوعی را با APIهای مدل زبانی بزرگ بسازید که شامل ایجاد پرامپتها، مدیریت کانتکس و تولید خروجیهای ساختاریافته است.
- سیستمهای Retrieval Augmented Generation (RAG) را با تعبیهسازیها، پایگاه دادههای برداری و پایپلاینهای بازیابی اسناد طراحی و پیادهسازی کنید.
- عاملهای هوش مصنوعی توسعه دهید که قادر به استدلال چندمرحلهای، استفاده از ابزارها و خودکارسازی گردشکار باشند.
- اپلیکیشنهای هوش مصنوعی را با بکاندهای FastAPI و APIها مستقر کنید تا بهصورت سرویسهای آماده تولید در دسترس باشند.
- شیوههای هوش مصنوعی در محیط تولید مانند Guardrailها، لاگ کردن، نظارت و بهینهسازی هزینه را بهکار بگیرید تا سیستمهای هوش مصنوعی را بهصورت قابلاطمینان اجرا کنید.
پیشنیازهای دوره
- آشنایی اولیه با برنامهنویسی پایتون مفید است، اما الزامی نیست.
- یک کامپیوتر با دسترسی به اینترنت که بتواند ابزارهای توسعه را اجرا کند و پکیجهای پایتون را نصب کند.
- تمایل به یادگیری چگونگی ساخت و استقرار اپلیکیشنهای هوش مصنوعی از طریق تمرینهای عملی
- هیچ تجربه قبلی در زمینه هوش مصنوعی، یادگیری ماشین یا مدلهای زبانی بزرگ لازم نیست، این دوره اصول را از ابتدا پوشش میدهد.
- کنجکاوی برای ساخت سیستمهای هوش مصنوعی واقعی و آزمایش با ابزارها و فریمورکهای هوش مصنوعی مدرن
توضیحات دوره
«این دوره شامل استفاده از هوش مصنوعی است»
تقاضا برای مهندسان هوش مصنوعی ماهر بیش از هر زمان دیگری در حال رشد است، زیرا سازمانها برای یکپارچهسازی هوش مصنوعی، مدلهای زبانی بزرگ (LLM) و اتوماسیون مبتنی بر هوش مصنوعی در محصولات و گردشکارهای خود با سرعت پیش میروند. با این حال، بسیاری از متخصصان درک این موضوع را دشوار میدانند که سیستمهای مدرن هوش مصنوعی در عمل چگونه ساخته و مستقر میشوند. این دوره فشرده، «فقط در 3 روز به یک مهندس هوش مصنوعی تبدیل شوید»، برای پر کردن همین شکاف طراحی شده است و مهارتهای عملی لازم برای طراحی، ساخت و استقرار اپلیکیشنهای مدرن هوش مصنوعی را آموزش میدهد.
در این برنامه عملی، شما اصول اساسی مهندسی هوش مصنوعی را یاد میگیرید و روی فناوریهایی تمرکز میکنید که پیشرفتهترین سیستمهای امروزی را قدرت میدهند. بهجای صرف هفتهها برای مطالعه تئوری، شما اپلیکیشنهای واقعی را با مدلهای زبانی بزرگ (LLM)، Retrieval Augmented Generation (RAG) و عاملهای هوش مصنوعی میسازید. تا پایان دوره، درک خواهید کرد چگونه سیستمهای هوشمندی را معماری کنید که مدلها، داده و ابزارها را در قالب اپلیکیشنهایی مقیاسپذیر ترکیب میکنند.
این دوره با اصول معماری مدل زبانی بزرگ آغاز میشود؛ جایی که یاد میگیرید مدلهای مدرن هوش مصنوعی چگونه کار میکنند، توکنها و Context Windows چگونه بر رفتار مدل اثر میگذارند و چگونه پرامپتهای مؤثر طراحی کنید تا سیستمهای هوش مصنوعی خروجیهای قابلاطمینان تولید کنند. همچنین یاد میگیرید چگونه با APIهای مدل زبانی بزرگ با مدلها تعامل کنید تا قابلیتهای هوش مصنوعی را مستقیماً در اپلیکیشنهای نرمافزاری یکپارچه کنید.
در ادامه، وارد یکی از مهمترین تکنیکهای مورد استفاده در سیستمهای هوش مصنوعی تولیدی، یعنی Retrieval Augmented Generation (RAG) میشوید. شما یاد میگیرید چگونه سیستمهایی بسازید که مدلهای زبانی را با منابع دانشی خارجی از طریق تعبیهسازیها، پایگاه دادههای برداری و پایپلاینهای بازیابی اسناد متصل میکنند. با تمرینهای عملی، یک سیستم چت سند میسازید که میتواند با اطلاعات موجود در مجموعهدادههای سفارشی به سوالات پاسخ دهد. از این معماری در بسیاری از اپلیکیشنهای هوش مصنوعی سازمانی استفاده میشود.
سپس، این دوره به حوزه بهسرعت در حال رشد عاملهای هوش مصنوعی میپردازد. یاد میگیرید چگونه سیستمهایی طراحی کنید که فراتر از پرامپتهای ساده عمل میکنند و در عوض گردشکارهای چندمرحلهای، استفاده از ابزارها و برنامهریزی وظایف را انجام میدهند. با فریمورکهای عامل مدرن، سیستمهای خودمختاری میسازید که میتوانند اطلاعات جمعآوری کنند، اکشنها را اجرا کنند و خروجیهای ساختاریافته تولید کنند. این قابلیتها نمایانگر مرحله بعدی تکامل اپلیکیشنهای هوشمند هستند.
در نهایت، این دوره بر استقرار هوش مصنوعی و مهندسی تولید تمرکز میکند. شما یاد میگیرید چگونه سیستمهای هوش مصنوعی را با بکاندهای FastAPI مستقر کنید، اندپوینتهای API بسازید و اپلیکیشن هوش مصنوعی خود را بهصورت یک سرویس مقیاسپذیر ارائه دهید. همچنین موضوعات ضروری مانند Guardrailها، لاگ کردن، نظارت و بهینهسازی هزینه را بررسی میکنید؛ مواردی که برای اجرای سیستمهای هوش مصنوعی در محیطهای تولید حیاتی هستند.
در طول این برنامه، پروژههای عملی انجام میدهید که هر مفهوم را تقویت میکنند و به شما کمک میکنند یک اپلیکیشن آماده ارائه برای پورتفولیوی خود بسازید. تا پایان این 3 روز، یک اپلیکیشن هوش مصنوعی آماده تولید ساخته و مستقر کردهاید که مدلهای زبانی بزرگ، پایپلاینهای RAG و گردشکارهای عاملهای هوش مصنوعی را ترکیب میکند.
چه توسعهدهنده نرمافزار باشید، چه دانشمند داده، سازنده محصول یا رهبر فناوری، این دوره دانش عملی لازم را برای شروع ساخت سیستمهای هوش مصنوعی واقعی در اختیار شما قرار میدهد. بهجای اینکه فقط درباره هوش مصنوعی یاد بگیرید، مهارتهای لازم برای طراحی، ساخت و استقرار اپلیکیشنهای هوشمند را بدست میآورید؛ اپلیکیشنهایی که میتوانند نسل بعدی محصولات دیجیتال را قدرت دهند.
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگان نرمافزار که میخواهند یاد بگیرند چگونه با مدلهای زبانی بزرگ، سیستمهای RAG و عاملهای هوش مصنوعی اپلیکیشنهای هوش مصنوعی مدرن بسازند.
- دانشمندان داده و فعالان یادگیری ماشین که میخواهند وارد توسعه و استقرار اپلیکیشنهای هوش مصنوعی شوند.
- مدیران محصول و رهبران فنی که میخواهند درک کنند محصولات مبتنی بر هوش مصنوعی چگونه طراحی و ساخته میشوند.
- کارآفرینان و سازندگانی که به ایجاد ابزارهای مبتنی بر هوش مصنوعی، استارتاپها یا سیستمهای اتوماسیون علاقهمند هستند.
- دانشجویان و متخصصانی که به مهندسی هوش مصنوعی وارد میشوند و به دنبال یک مقدمه عملی و پروژهمحور درباره ساخت سیستمهای هوش مصنوعی واقعی هستند.
بوتکمپ 3 روزه مهندسی هوش مصنوعی - به یک مهندس هوش مصنوعی تبدیل شوید
-
چشمانداز مهندسی هوش مصنوعی: یک مهندس هوش مصنوعی دقیقاً چه کاری انجام میدهد؟ 07:22
-
چشمانداز مهندسی هوش مصنوعی: معماری اپلیکیشنهای هوش مصنوعی 07:17
-
چشمانداز مهندسی هوش مصنوعی: لایه مدل در مقابل لایه اپلیکیشن 07:10
-
چشمانداز مهندسی هوش مصنوعی: اکوسیستم مدل زبانی بزرگ 07:24
-
مدلهای زبانی بزرگ: مدلهای زبانی بزرگ چگونه کار میکنند؟ 07:14
-
مدلهای زبانی بزرگ: توکنها و Context Windows 06:57
-
مدلهای زبانی بزرگ: ساختار پرامپت 06:28
-
مدلهای زبانی بزرگ: انتخاب مدل 06:46
-
مهندسی پرامپت: پرامپتهای سیستمی 06:47
-
مهندسی پرامپت: پرامپتنویسی مبتنی بر نقش 06:30
-
مهندسی پرامپت: خروجیهای ساختاریافته 06:51
-
مهندسی پرامپت: زنجیرهسازی پرامپت 06:12
-
استفاده از LLM APIها: مبانی API 06:19
-
استفاده از LLM APIها: ساختار درخواست و پاسخ 06:15
-
استفاده از LLM APIها: temperature و پارامترهای مدل 06:36
-
استفاده از LLM APIها: مدیریت خطا 06:42
-
اولین پروژه خود را بسازید: اپلیکیشن هوش مصنوعی با LLM API و پایتون 06:03
-
اولین پروژه خود را بسازید: رابط چت 06:14
-
اولین پروژه خود را بسازید: دستیار اولیه هوش مصنوعی 06:09
-
معماری اپلیکیشنهای هوش مصنوعی: لایه فرانتاند 05:54
-
معماری اپلیکیشنهای هوش مصنوعی: سرویسهای بکاند 05:59
-
معماری اپلیکیشنهای هوش مصنوعی: ارکستراسیون مدل زبانی بزرگ 06:22
-
Retrieval-Augmented Generation (RAG): چرا RAG لازم است؟ 06:36
-
Retrieval-Augmented Generation (RAG): تعبیهسازیها 06:16
-
Retrieval-Augmented Generation (RAG): پایگاه دادههای برداری 06:34
-
Retrieval-Augmented Generation (RAG): استراتژیهای Chunking 06:03
-
سیستمهای پایگاه دانش: هضم اسناد 06:27
-
سیستمهای پایگاه دانش: پایپلاینهای ایندکسگذاری 05:48
-
سیستمهای پایگاه دانش: جستجوی معنایی 06:16
-
مدیریت کانتکس: قالبهای پرامپت 05:50
-
مدیریت کانتکس: Context Windows 05:57
-
مدیریت کانتکس: پایپلاینهای بازیابی 05:56
-
ساخت ابزارهای هوش مصنوعی: فراخوانی ابزار 05:44
-
ساخت ابزارهای هوش مصنوعی: یکپارچهسازیهای API 06:04
-
ساخت ابزارهای هوش مصنوعی: خروجیهای ساختاریافته 05:39
-
عاملهای هوش مصنوعی: چه چیزی یک سیستم را به یک عامل تبدیل میکند؟ 05:29
-
عاملهای هوش مصنوعی: برنامهریزی و استدلال 05:39
-
عاملهای هوش مصنوعی: استفاده از ابزارها 05:40
-
عاملهای هوش مصنوعی: گردشکارهای چندمرحلهای 05:21
-
معماری عامل: حلقههای وظیفه 05:28
-
معماری عامل: سیستمهای حافظه 05:28
-
معماری عامل: برنامهریزی اکشن 05:34
-
ساخت سیستمهای خودمختار: عاملهای پژوهش 05:43
-
ساخت سیستمهای خودمختار: عاملهای گردشکار 05:32
-
ساخت سیستمهای خودمختار: عاملهای خودکارسازی وظایف 05:21
-
استقرار اپلیکیشنهای هوش مصنوعی: توسعه API 05:34
-
استقرار اپلیکیشنهای هوش مصنوعی: بکاند FastAPI 05:41
-
استقرار اپلیکیشنهای هوش مصنوعی: گزینههای استقرار 05:41
-
مهندسی هوش مصنوعی در محیط تولید: Guardrailها و ایمنی 05:38
-
مهندسی هوش مصنوعی در محیط تولید: لاگ کردن و مشاهدهپذیری 05:27
-
مهندسی هوش مصنوعی در محیط تولید: نظارت و عملکرد 05:24
-
مهندسی هوش مصنوعی در محیط تولید: بهینهسازی هزینه 05:37
-
فریمورکهای عامل هوش مصنوعی 05:50
-
هوش مصنوعی چندوجهی 05:42
-
تیونینگ مدلها 05:24
-
پایپلاینهای ارزیابی 05:26
-
امنیت هوش مصنوعی 05:46
مشخصات آموزش
بوتکمپ 3 روزه مهندسی هوش مصنوعی - به یک مهندس هوش مصنوعی تبدیل شوید
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:Alls
- تعداد درس:57
- مدت زمان :06:13:11
- حجم :2.8GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy