گواهینامه Databricks Certified Generative AI Engineer Associate سال [2026]
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک معماری Generative AI در Databricks، شامل مدلهای اساسی، بردارهای تعبیه، جستجوی برداری و ابزارهای Mosaic AI
- ساخت و استقرار اپلیکیشن های Retrieval-Augmented Generation (RAG) با استفاده از Databricks ،Vector Search و MLflow
- استفاده از تکنیکهای مهندسی پرامپت برای بهبود دقت، گراندینگ و قابلیت اطمینان مدلهای زبانی بزرگ (LLM) در بارهای کاری Databricks
- استفاده مؤثر از Databricks Vector Search و Embeddingها برای جستجوی معنایی، بازیابی اسناد و برنامههای هوش مصنوعی
- ارزیابی، پایش و نسخهبندی مدلهای GenAI با استفاده از MLflow، آزمایشگاهها و بهترین شیوههای محیط تولید
- پیادهسازی راهکارهای مسئولانه و امن GenAI با رعایت حاکمیت، کنترل دسترسی و طراحی آگاه از هزینه در Databricks
- آمادگی با اطمینان برای آزمون Databricks Certified GenAI Engineer Associate با توضیحات متمرکز بر آزمون و مثالهای واقعی
پیشنیازهای دوره
- درک اولیه از برنامهنویسی Python (حلقهها، توابع و کار با نوتبوکها).
- یک نسخه مدیریتشده از Databricks توسط یک ارائهدهنده سرویس ابری (CSP)
- دسترسی به حساب یا فضای کاری Databricks (نسخه Community یا سازمانی) برای تمرین عملی
- علاقه به Generative AI و اپلیکیشن های مبتنی بر LLM - هیچ تجربه قبلی در GenAI لازم نیست.
توضیحات دوره
این دوره یک راهنمای کامل و همراستا با آزمون برای گواهینامه Databricks Certified Generative AI Engineer Associate است که برای متخصصانی طراحی شده که میخواهند با اطمینان اپلیکیشن های Generative AI را روی Databricks بسازند، مستقر کنند و مدیریت کنند.
Generative AI در Databricks بسیار فراتر از نوشتن پرامپت است. برای موفقیت در پروژههای واقعی - و در آزمون گواهینامه - باید درک کنید که مدلهای اساسی، Embeddingها، جستجوی برداری، پایپلاینهای RAG ،MLflow و حاکمیت چگونه با هم کار میکنند. این دوره دقیقاً بر روی همین مهارتها تمرکز دارد.
شما یاد خواهید گرفت چگونه سیستمهای Retrieval-Augmented Generation (RAG) را طراحی و پیادهسازی کنید، از Databricks Vector Search برای بازیابی معنایی استفاده کنید، Embeddingها را به طور مؤثر مدیریت کنید و LLMها را در گردشکارهای داده و تحلیل مقیاسپذیر یکپارچه کنید. هر مفهوم با یک مدل ذهنی واضح توضیح داده میشود و سپس با نمایشهای عملی با استفاده از ابزارهای بومی Databricks دنبال میگردد.
ساختار دوره به گونهای طراحی شده که با طرح رسمی آزمون Databricks همراستا باشد و به شما کمک کند نه تنها چه کاری انجام دهید، بلکه چرا آن کار مؤثر است را درک کنید - مهارتی ضروری هم برای موفقیت در آزمون و هم برای مهندسی در دنیای واقعی.
در این دوره، شما:
- معماری و اکوسیستم Generative AI Databricks را درک خواهید کرد.
- اپلیکیشن های RAG سرتاسری را با استفاده از Embeddingها و Vector Search خواهید ساخت
- تکنیکهای مهندسی پرامپت را برای خروجیهای قابل اعتماد و گراندینگ شده اعمال خواهید کرد.
- مدلهای GenAI را با استفاده از MLflow ردیابی، ارزیابی و مدیریت خواهید کرد.
- بهترین شیوهها را برای حاکمیت، امنیت و آگاهی از هزینه دنبال خواهید کرد.
- با اطمینان برای آزمون Databricks Certified GenAI Engineer Associate آماده خواهید شد.
چه در حال آماده شدن برای گواهینامه باشید و چه به دنبال ارتقای مهارت در Generative AI در سطح تولید روی Databricks، این دوره یک مسیر یادگیری ساختاریافته، عملی و متمرکز بر آزمون را در اختیار شما قرار میدهد.
این دوره برای چه کسانی مناسب است؟
- مهندسان داده، مهندسان تحلیل و متخصصان یادگیری ماشین که میخواهند اپلیکیشن های GenAI را روی Databricks بسازند.
- متخصصانی که برای آزمون Databricks Certified Generative AI Engineer Associate آماده میشوند و به دنبال یک دوره ساختاریافته و همراستا با آزمون هستند.
- دانشمندان داده و مهندسان ML که میخواهند تجربه عملی با RAG ،Embeddingها و Vector Search در Databricks به دست آورند.
- مهندسان نرمافزار و مهندسان پلتفرم که به یکپارچهسازی LLMها در گردشکارهای داده و تحلیل علاقهمند هستند.
- کاربران Databricks و متخصصان داده ابری که میخواهند با استفاده از ابزارهای بومی Databricks مهارت خود را در Generative AI ارتقا دهند.
گواهینامه Databricks Certified Generative AI Engineer Associate سال [2026]
-
مقدمه 02:19
-
مقدمهای بر Databricks: بارهای کاری داده و هوش مصنوعی 17:51
-
آزمایشگاه: استقرار یک فضای کاری Databricks روی Azure (آزمایشگاه عملی) 09:56
-
آزمایشگاه: استقرار یک نمونه محاسباتی مدیریتشده (آزمایشگاه عملی) 06:01
-
آزمایشگاه: راهاندازی مخزن Git برای آزمایشگاهها (آزمایشگاه عملی) 02:10
-
درک انبار داده، دریاچه داده و Data Lakehouse 08:56
-
درک Spark: مقدمه و تکامل از Hadoop 10:51
-
درک Spark: بررسی عمیق و کاربرد 14:54
-
آزمایشگاه 1: آشنایی عملی با Spark (آزمایشگاه عملی) 19:32
-
آزمایشگاه 2: عملیات پیشرفته Apache Spark (آزمایشگاه عملی) 09:38
-
آزمایشگاه 3: عملیات جدول دلتا (Delta Table) (آزمایشگاه عملی) 15:50
-
مقدمهای بر معماری Medallion 05:16
-
آزمایشگاه 4: پیادهسازی معماری Medallion با Spark (آزمایشگاه عملی) 14:49
-
مقدمهای بر سیستمهای GenAI 07:12
-
مقدمهای بر عاملهای هوش مصنوعی و سیستمهای ترکیبی هوش مصنوعی 06:10
-
مهندسی پرامپت: مقدمه و بهترین شیوهها 06:06
-
تکنیکهای مهندسی پرامپت: زنجیره تفکر (CoT)، Zero-Shot ،Few-Shot و غیره 10:41
-
آزمایشگاه: استقرار یک LLM اساسی و AI Playground (آزمایشگاه عملی) 13:30
-
آزمایشگاه: کوئری از LLM با Databricks SDK (آزمایشگاه عملی) 09:33
-
آزمایشگاه: کوئری از LLM با OpenAI SDK (آزمایشگاه عملی) 09:12
-
آزمایشگاه: کار با تابع SQL 12:30
-
مقدمهای بر MLFlow و PyFunc برای مدلها و موتورهای سفارشی هوش مصنوعی 08:00
-
مقدمهای بر چارچوب Mosaic AI در Databricks 08:14
-
آزمایشگاه: ثبت یک اپلیکیشن LLM با استفاده از MLFlow (آزمایشگاه عملی) 20:20
-
آزمایشگاه: استقرار اپلیکیشن LLM به عنوان Mosaic AI Endpoint (آزمایشگاه عملی) 06:40
-
درک RAG - استفاده از داده سازمانی شما 17:12
-
درک فاین تیونینگ 09:49
-
انتخاب استراتژی قطعهبندی بر اساس مدل و ارزیابی بازیابی 09:18
-
آزمایشگاه: آشنایی عملی با Embeddingهای برداری (آزمایشگاه عملی) 06:28
-
آزمایشگاه: آمادهسازی داده برای RAG در قالب جدول دلتا (آزمایشگاه عملی) 21:06
-
درک انواع مختلف ایندکسهای برداری در Databricks 05:54
-
درک الگوریتمهای جستجو و رتبهبندی 16:46
-
آزمایشگاه: ایجاد ایندکس برداری Delta Sync مدیریتشده (آزمایشگاه عملی) 15:13
-
آزمایشگاه: ایجاد پایپلاین مدل سفارشی RAG (آزمایشگاه عملی) 16:15
-
آزمایشگاه: استقرار اندپوینت اپلیکیشن RAG (آزمایشگاه عملی) 05:10
-
آزمایشگاه: ارزیابی عملکرد اپلیکیشن RAG با استفاده از MLflow (آزمایشگاه عملی) 23:21
-
مقدمهای بر LangChain 10:31
-
آزمایشگاه: شروع کار با LangChain (آزمایشگاه عملی) 12:23
-
آزمایشگاه: تابع تعریفشده توسط کاربر SQL با LangChain (آزمایشگاه عملی) 18:22
-
آزمایشگاه: کدنویسی یک زنجیره چندعاملی ساده با LangChain (آزمایشگاه عملی) 12:31
مشخصات آموزش
گواهینامه Databricks Certified Generative AI Engineer Associate سال [2026]
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:Alls
- تعداد درس:40
- مدت زمان :07:36:38
- حجم :5.84GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy