گواهینامه AI-102: Azure AI Engineer Associate [آپدیت 2026]

Name: گواهینامه AI-102: Azure AI Engineer Associate [آپدیت 2026]
Price: 25761000 IRR
Availability: InStock
Author: AI Academy

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

طراحی و پیاده‌سازی راه‌حل‌های Azure AI همسو با جدیدترین اهداف آزمون AI-102
ساخت اپلیکیشن‌های Generative AI و مبتنی بر ایجنت با استفاده از Azure OpenAI و Microsoft Foundry و Prompt Flow و Agent Framework
توسعه راه‌حل‌های زبان، بینایی کامپیوتری و document intelligence با استفاده از سرویس‌های زبان Azure AI، بینایی کامپیوتری و Document Intelligence
ایجاد پایپ‌لاین‌های جستجو و RAG با استفاده از Azure AI Search و Foundry IQ برای اپلیکیشن‌های واقعی هوش مصنوعی

پیش‌نیازهای دوره

آشنایی اولیه با مبانی Azure، مانند سرویس‌های Azure و Azure portal، مفید است اما الزامی نیست.
داشتن درک اولیه از مفاهیم برنامه‌نویسی (پایتون یا REST APIs) مفید است، اما تمام کدها گام‌به‌گام توضیح داده می‌شوند.
هیچ تجربه قبلی در زمینه AI، یادگیری ماشین یا سرویس‌های Azure AI نیاز نیست.

توضیحات دوره

گواهینامه Microsoft Azure AI Engineer Associate (AI-102) با معرفی Generative AI، معماری‌های مبتنی بر ایجنت و سرویس‌های مدرن Azure AI به‌ سرعت تکامل یافته است. این دوره طراحی شده تا به شما کمک کند همگام با این تغییرات پیش بروید و با اطمینان برای جدیدترین آزمون AI-102 آماده شوید، و در عین حال راه‌حل‌های واقعی و آماده‌به‌استقرار Azure AI را بسازید.

در این دوره یاد می‌گیرید چگونه با استفاده از سرویس‌هایی مانند Azure OpenAI و Microsoft Foundry و Prompt Flow و Microsoft Agent Framework، اپلیکیشن‌های end-to-end AI روی Azure را طراحی، پیاده‌سازی و مستقر کنید. همچنین بررسی می‌کنید که سیستم‌های هوش مصنوعی عاملی چگونه ساختار می‌یابند، لایه‌های دانش مانند Foundry IQ چگونه کار می‌کنند و گردش‌کارهای مدرن AI در Azure چگونه هماهنگ می‌شوند.

فراتر از Generative AI، این دوره پوشش عمیقی از سرویس‌های زبان Azure AI، بینایی کاپیوتری و Document Intelligence ارائه می‌دهد. شما با تحلیل متن، طبقه‌بندی سفارشی، NER و Q&A، تحلیل تصویر، اپلیکیشن‌های چندوجهی AI و پایپ‌لاین‌های پردازش مستندات کار خواهید کرد. همچنین یاد می‌گیرید چگونه با استفاده از Azure AI Search، راه‌حل‌های جستجو و بازیابی نسل افزوده (RAG) بسازید و سیستم‌های هوشمند و مقیاس‌پذیر AI ایجاد کنید.

هر ماژول دوره به‌ طور مستقیم با راهنمای رسمی مطالعه AI-102 تطبیق داده شده تا مطمئن شوید آنچه یاد می‌گیرید دقیقاً همان چیزی است که Microsoft ارزیابی می‌کند.

تمرکز دوره کاملاً عملی و آزمون‌ محور است، بدون محتوای قدیمی، بدون نظریه‌های غیرضروری و بدون مطالب حاشیه‌ای

چه هدف شما قبولی در گواهینامه AI-102 باشد، چه ارتقای مهارت در مهندسی Azure AI یا ساخت اپلیکیشن‌های مدرن هوش مصنوعی ایجنت محور، این دوره یک مسیر یادگیری روشن، ساختاریافته و بروز در اختیار شما قرار می‌دهد تا با اطمینان به هدفتان برسید.

این دوره برای چه کسانی مناسب است؟

متخصصانی که برای گواهینامه Microsoft Azure AI Engineer Associate (AI-102) آماده می‌شوند.
توسعه‌دهندگان نرم‌افزار و مهندسان ابر که می‌خواهند راه‌حل‌های Azure AI بسازند و مستقر کنند.
مهندسان داده و فعالان حوزه AI که می‌خواهند با Generative AI، ابجنت‌ها، RAG و سرویس‌های Azure AI کار کنند.
کاربران Azure که به دنبال یک مسیر عملی و همسو با آزمون برای اپلیکیشن‌های مدرن هوش مصنوعی و مبتنی بر ایجنت هستند.

گواهینامه AI-102: Azure AI Engineer Associate [آپدیت 2026]

فصل 1: مقدمه

مقدمه دوره 02:43

فصل 2: مبانی و اصول GenAI

هم‌زیستی هم‌افزا میان Predictive AI و Generative AI 18:29
مقدمه‌ای بر ایجنت‌های هوش مصنوعی و سیستم‌های Compound AI 06:10
اصطلاحات رایج GenAI: واژه‌های کلیدی 10:10

فصل 3: توسعه GenAI با Microsoft Foundry

مقدمه‌ای بر Microsoft Foundry 21:13
تفاوت بین پروژه‌های مستقل Foundry و پروژه‌های مبتنی بر Hub 12:40
لابراتوار: استقرار پروژه مستقل Microsoft Foundry (لابراتوار عملی) 05:32
لابراتوار: استقرار اولین LLM ما (لابراتوار عملی) 06:21
مخزن GitHub برای لابراتوار‌ها 00:40
لابراتوار: فراخوانی OpenAI LLM از طریق Foundry OpenAI SDK (لابراتوار عملی) 08:02
لابراتوار: فراخوانی مدل Claude با استفاده از Anthropic SDK (لابراتوار عملی) 08:50
لابراتوار: ایجاد اولین ایجنت ما با استفاده از Agent Service (لابراتوار عملی) 16:36
بهترین شیوه‌های مهندسی پرامپت 06:06
تکنیک‌های مهندسی پرامپت: CoT و چند شات و موارد دیگر 10:41
مقدمه‌ای بر Microsoft Foundry SDK 03:55
لابراتوار: ایجاد ایجنت با ابزار مفسر کد (لابراتوار عملی) 13:43
مقدمه‌ای بر سرورهای MCP 08:17
لابراتوار: ایجاد ایجنت با ابزار MCP (لابراتوار عملی) 13:25
لابراتوار: ایجاد ایجنت چندابزاره (لابراتوار عملی) 11:35
مقدمه‌ای بر پروتکل A2A (Agent-to-Agent) 07:40
درک فاین تیونینگ یک LLM 09:49
لابراتوار: کار با فیلترهای امنیت محتوا (لابراتوار عملی) 06:38
درک تیم قرمز برای ایجنت هوش مصنوعی 09:10
لابراتوار: ارزیابی ایجنت هوش مصنوعی ما با استفاده از Red-Teaming (لابراتوار عملی) 13:41
مقدمه‌ای بر Microsoft Agent Framework (MAF) 18:50
لابراتوار: شروع کار با Microsoft Agent Framework (لابراتوار عملی) 09:16
لابراتوار: ایجاد ایجنت چندابزاره با MAF (لابراتوار عملی) 07:32
لابراتوار: ساخت گردش‌کار ترتیبی با MAF (لابراتوار عملی) 10:55
لابراتوار: مصورسازی گردش‌کار ترتیبی با DevUI (لابراتوار عملی) 05:42
لابراتوار: ساخت گردش‌کار موازی با MAF (لابراتوار عملی) 11:23
مقدمه‌ای بر Microsoft Prompt Flow 09:29
لابراتوار: استقرار پروژه Foundry مبتنی بر Hub (لابراتوار عملی) 09:53
لابراتوار: توسعه Prompt Flow برای Named Entity Recognition (لابراتوار عملی) 20:13
لابراتوار: استقرار NER Prompt Flow (لابراتوار عملی) 07:11
لابراتوار: کوئری اندپوینت Prompt Flow به‌ صورت بلادرنگ (لابراتوار عملی) 05:14

فصل 4: توسعه GenAI با Azure OpenAI

مقدمه‌ای بر Azure OpenAI Service 06:12
لابراتوار: استقرار Azure OpenAI Service (لابراتوار عملی) 10:45

فصل 5: توسعه راه‌حل‌های زبان طبیعی در Azure

مقدمه‌ای بر قابلیت‌های سرویس زبان Azure 05:44
لابراتوار: تشخیص زبان، NER، تحلیل احساسات و موارد دیگر (لابراتوار عملی) 17:01
مقدمه‌ای بر ساخت مدل CLU 10:09
لابراتوار: ساخت مدل CLU با سرویس زبان Azure (لابراتوار عملی) 19:15
لابراتوار: استفاده از یک مدل سفارشی CLU در اپلیکیشن (لابراتوار عملی) 11:15
مقدمه‌ای بر ایجاد راه‌حل‌ Question Answering 05:48
لابراتوار: ایجاد راه‌حل‌ Question Answering (لابراتوار عملی) 12:38
لابراتوار: تست راه‌حل‌ QnA ما (لابراتوار عملی) 05:07
مقدمه‌ای بر مدل‌های سفارشی طبقه‌بندی (لابراتوار عملی) 07:10
لابراتوار: ایجاد مدل طبقه‌بندی چندین برچسبی (لابراتوار عملی) 14:04
لابراتوار: تست مدل طبقه‌بندی چندین برچسبی (لابراتوار عملی) 09:36
لابراتوار: ایجاد مدل سفارشی Named Entity Recognition (لابراتوار عملی) 09:29
لابراتوار: تست مدل سفارشی Named Entity Recognition (لابراتوار عملی) 06:05
مقدمه‌ای بر Azure Translator Service 03:09
لابراتوار: ترجمه متن با Azure Translator Service (لابراتوار عملی) 06:59
لابراتوار: ترجمه اسناد با Azure Translator Service (لابراتوار عملی) 06:24
مقدمه‌ای بر Azure Speech Service 08:06
لابراتوار: کار با قابلیت‌های Azure Speech Service (لابراتوار عملی) 15:39
لابراتوار: توسعه اپلیکیشن Generative AI مجهز به صدا (لابراتوار عملی) 07:52
لابراتوار: ایجنت لایو Azure AI Voice (لابراتوار عملی) 05:57

فصل 6: توسعه راه‌حل‌های بینایی کامپیوتری در Azure

مقدمه‌ای بر قابلیت‌های بینایی کامپیوتری در Azure 03:59
لابراتوار: تحلیل تصاویر، خواندن متن و شناسایی آبجکت‌ها (لابراتوار عملی) 09:00
مقدمه‌ای بر مدل‌های سفارشی طبقه‌بندی تصویر و تشخیص آبجکت 07:20
لابراتوار: آموزش مدل سفارشی طبقه‌بندی تصویر (لابراتوار عملی) 08:44
لابراتوار: دریافت پیش‌بینی‌ها از مدل طبقه‌بندی تصویر (لابراتوار عملی) 04:30
لابراتوار: ایجاد مدل سفارشی تشخیص آبجکت (لابراتوار عملی) 16:21
لابراتوار: دریافت پیش‌بینی از مدل تشخیص آبجکت (لابراتوار عملی) 05:27
مقدمه‌ای بر سرویس تشخیص چهره 05:21
مقدمه‌ای بر Azure Video Indexer 03:04
لابراتوار: استفاده از APIs و ویجت‌های Video Analyzer (لابراتوار عملی) 04:49
لابراتوار: توسعه اپلیکیشن GenAI مجهز به بینایی کاپیوتری (لابراتوار عملی) 08:36

فصل 7: توسعه راه‌حل‌های استخراج اطلاعات AI در Azure

مقدمه‌ای بر Azure Document Intelligence Service 07:39
لابراتوار: استفاده از مدل‌های آماده Document Intelligence (لابراتوار عملی) 05:59
لابراتوار: آموزش مدل سفارشی Document Intelligence (لابراتوار عملی) 15:58
لابراتوار: استفاده از Analyzer سفارشی در کد پایتون (لابراتوار عملی) 04:16
مقدمه‌ای بر Azure AI Search 07:33
لابراتوار: ساخت Azure AI Search Index - جستجوی کلیدواژه‌ (لابراتوار عملی) 23:38
لابراتوار: اجرای چند کوئری با سینتکس Lucene روی ایندکس (لابراتوار عملی) 06:50
لابراتوار: افزودن مهارت سفارشی تحلیل احساسات به Skillset (لابراتوار عملی) 17:10
لابراتوار: اجرای کوئری‌های جستجو از طریق کد (لابراتوار عملی) 09:42
مقدمه‌ای بر بازیابی نسل افزوده (RAG) 18:36
مقدمه‌ای بر RAG چندوجهی با Azure AI Search 15:10
لابراتوار: ایجاد ایندکس جستجوی برداری چندوجهی (لابراتوار عملی) 24:56
لابراتوار: ایجاد ایجنت چندوجهی RAG در Microsoft Foundry (لابراتوار عملی) 07:33
مقدمه‌ای بر Foundry IQ 13:19
درک Agentic Retrieval در Foundry IQ 09:33
درک رنکینگ BM25 و رنکینگ مجدد سمانتیک 20:43
مخزن GitHub برای دموهای Foundry IQ 00:36
لابراتوار: راه‌اندازی پایگاه دانش و منابع Foundry IQ (لابراتوار عملی) 21:40
لابراتوار: ایجاد ایجنت Foundry IQ از طریق Portal (لابراتوار عملی) 17:25
لابراتوار: ایجاد ایجنت Foundry IQ از طریق Python Notebook (لابراتوار عملی) 09:03