آمادگی آزمون AWS Certified Generative AI Developer - Professional

Name: آمادگی آزمون AWS Certified Generative AI Developer - Professional
Price: 14983000 IRR
Availability: InStock
Author: AI Academy

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

با تسلط به تصمیمات معماری و ویژگی های خوب و بد، در آزمون AWS Certified Generative AI Developer – Professional (AIP-C01) موفق شوید.
به تصمیمات معماری برای سیستم‌های GenAI در محیط عملیاتی روی AWS مسلط شوید - مهارت اصلی که در آزمون سنجیده می‌شود.
ویژگی های خوب و بد بین هزینه، تأخیر، دقت و مقیاس را در سناریوهای واقعی GenAI ارزیابی کنید.
همانطور که آزمون AWS انتظار دارد فکر کنید - تحلیل سناریوها و انتخاب بهترین رویکرد معماری

پیش‌نیازهای دوره

دانش اولیه AWS (IAM ،S3 ،Lambda)

توضیحات دوره

رویکردی متفاوت برای آمادگی آزمون GenAI (GenAI)
آزمون AWS Certified Generative AI Developer – Professional (AIP-C01) یک گواهینامه چالش‌برانگیز و مبتنی بر سناریو است.

هدف این آزمون حفظ کردن فهرست‌وار نکات نیست. بلکه توانایی شما در اتخاذ تصمیمات معماری و ویژگی های خوب و بد در سراسر سیستم‌های GenAI در دنیای واقعی را می‌سنجد.

این دوره دقیقاً بر همین اساس طراحی شده است.

10 ساعت. کاملاً متمرکز
بر پایه چگونگی واقعی سنجش شما در آزمون ساخته شده - سناریوها، ویژگی های خوب و بد و تصمیمات معماری چندلایه
مدرس این دوره را پس از قبولی خود در آزمون AIP-C01 طراحی کرده است و عمداً از دوره‌های به اصطلاح "جامع" 20 ساعته و بیشتر که پوشش حجم مطالب را به شفافیت ترجیح می‌دهند، فاصله گرفته است.

چه چیزی این دوره را متمایز می‌کند؟

یادگیری معماری-محور - هر مفهوم از دریچه تصمیمات طراحی در محیط عملیاتی آموزش داده می‌شود، نه بررسی جداگانه ویژگی‌ها
دو پروژه کامل - ساخت یک دستیار متخصص تجهیزات (SME) مبتنی بر GenAI (15 تصمیم معماری) و یک سیستم پرسش و پاسخ آموزش الکترونیک مجهز به RAG (10 تصمیم معماری).
تمرین نزدیک به آزمون واقعی - بیش از 40 سوال آزمونی مبتنی بر سناریو + یک آزمون آزمایشی کوچک که به سبک آزمون AWS نوشته شده است. سوالات آزمون‌ها در سطح دشواری حرفه‌ای و متمرکز بر تصمیم‌گیری، نه به خاطر آوردن. کیفیت بر کمیت ارجحیت دارد.
تسلط عملی - بیش از 40 دمو از پیچیده‌ترین مفاهیم، بنابراین شما با ساختن یاد می‌گیرید، نه با تماشای اسلایدها
احترام به وقت شما - 10 ساعت محتوای متمرکز. بدون مطالب اضافی. بدون سخنرانی‌های بی‌ربط

آنچه قادر به طراحی، ارزیابی و تصمیم‌گیری در مورد آن خواهید بود

این دوره شما را آماده می‌کند تا همانطور که آزمون AWS انتظار دارد فکر و تصمیم‌گیری کنید - با ارزیابی ویژگی های خوب و بد در معماری‌های GenAI در دنیای واقعی

طراحی اپلیکیشن های GenAI با Amazon Bedrock

شما یاد خواهید گرفت که چگونه انتخاب‌های معماری درست را هنگام ساخت اپلیکیشن های GenAI روی AWS انجام دهید، از جمله:

انتخاب مدل اساسی مناسب بر اساس دقت، تأخیر، هزینه و محدودیت‌های مورد کاربرد
تیونینگ پارامترهای استنتاج، توان عملیاتی تخصیص‌یافته و ظرفیت برای بارهای کاری عملیاتی
اعمال محافظ، فیلترهای محتوا و کنترل‌های Responsible AI برای برآورده کردن الزامات ایمنی و انطباق
قابلیت مشاهده و نظارت
سفارشی‌سازی مدل: تقطیر، فاین تیونینگ و پیش‌آموزش مداوم
ارزیابی مدل با استفاده از معیارهای برنامه‌ای، LLM-as-a-Judge و بازبینی انسانی

معماری سیستم‌های بازیابی افزوده (RAG)

شما پایپ لاین های سرتاسری RAG را طراحی کرده و ویژگی های خوب و بد پشت هر تصمیم را درک خواهید کرد، از جمله:

انتخاب و آماده‌سازی منابع داده برای معماری‌های مبتنی بر بازیابی
انتخاب استراتژی‌های تکه‌تکه کردن، تعبیه‌ها و پایگاه‌های داده برداری بر اساس فراخوانی، دقت و مقیاس
بهینه‌سازی بازیابی با استفاده از رتبه‌بندی مجدد، جستجوی ترکیبی و تکنیک‌های ارزیابی
پیاده‌سازی پایگاه‌های دانش Amazon Bedrock برای راه‌حل‌های مدیریت‌شده RAG

ساخت سیستم‌های هوش مصنوعی عاملی روی AWS

شما فراتر از اپلیکیشن های LLM تک‌ پرامپت رفته و سیستم‌های مبتنی بر عامل را طراحی خواهید کرد، از جمله:

معماری گردش‌های کار با عامل‌های Amazon Bedrock
یکپارچه‌سازی ابزارها و زمینه با استفاده از پروتکل زمینه مدل (MCP).
استقرار و راهبری عامل‌ها با استفاده از Amazon Bedrock AgentCore

این دوره برای چه کسانی است؟

توسعه‌دهندگان AWS که برای گواهینامه AIP-C01 آماده می‌شوند.
معماران ابری که GenAI را به مجموعه مهارت‌های خود اضافه می‌کنند.
افراد حرفه‌ای پرمشغله که به دنبال آمادگی متمرکز و کارآمد برای آزمون هستند.
مهندسانی که از طریق استدلال معماری بهتر از حفظ کردن ویژگی‌ها یاد می‌گیرند.

پیش‌نیازها

دانش اولیه AWS (IAM ،S3 ،Lambda)
آشنایی با REST APIها و JSON
حساب کاربری AWS برای آزمایشگاه‌های عملی (واجد شرایط استفاده از لایه رایگان)
نیازی به تجربه قبلی در زمینه هوش مصنوعی/یادگیری ماشین (AI/ML) نیست.

این دوره برای چه کسانی مناسب است؟

توسعه‌دهندگان و معماران AWS که برای آزمون گواهینامه AIP-C01 (توسعه‌دهنده GenAI - حرفه‌ای) آماده می‌شوند.
مهندسانی که از طریق استدلال معماری و تحلیل ویژگی های خوب و بد بهتر از حفظ کردن ویژگی‌ها یاد می‌گیرند.
افراد حرفه‌ای پرمشغله که به دنبال آمادگی متمرکز و کارآمد برای آزمون هستند - نه 20 ساعت محتوا یا بیشتر.

آمادگی آزمون AWS Certified Generative AI Developer - Professional

فصل 1: مقدمه

مقدمه 01:50

فصل 2: ساخت اپلیکیشن های AWS Generative AI در سطح عملیاتی (Production-Grade)

سناریوهای کسب و کار برای اپلیکیشن های Generative AI در محیط عملیاتی 02:28
معماری عملیاتی GenAI – یادگیری 15 تصمیم کلیدی معماری 12:01
تصمیم معماری 1: انتخاب پلتفرم GenAI شماره 1 Amazon Bedrock 05:18
معماری مرجع Amazon Bedrock 04:35
بررسی در کنسول Amazon Bedrock – بخش 1 (عملی) 12:24
بررسی در کنسول Amazon Bedrock – بخش 2 (عملی) 06:47
انتخاب پلتفرم GenAI - شماره 2. SageMaker JumpStart 08:05
تصمیم معماری 2: انتخاب مدل اساسی 07:09
انتخاب مدل اساسی - (عملی) 06:54
پارامترهای استنتاج مدل اساسی 09:07
تیونینگ پارامترهای استنتاج - (عملی) 02:48
تصمیم معماری 3: ایمنی، حاکمیت و محافظ در Bedrock 04:58
پیاده‌سازی محافظ در Bedrock - (عملی) 11:38
استدلال خودکار در Amazon Bedrock – اعمال خط‌مشی در مقیاس 03:23
تصمیم معماری 4: مدیریت پرامپت و تکنیک‌های مهندسی پرامپت 07:05
مدیریت پرامپت در Amazon Bedrock 02:30
مدیریت پرامپت در Bedrock - (عملی) 05:18
تصمیم معماری 5: بهینه‌سازی استنتاج - رده‌های سرویس و برنامه‌ریزی ظرفیت 03:37
بهینه‌سازی استنتاج - تأخیر و استنتاج بین‌منطقه‌ای در Amazon Bedrock 05:55
بهینه‌سازی استنتاج - تأخیر و استنتاج بین‌منطقه‌ای - (عملی) 04:42
تصمیم معماری 6: بهینه‌سازی هزینه - مدل‌های قیمت‌گذاری Bedrock 03:50
بهینه‌سازی هزینه - قیمت‌گذاری و تحلیل هزینه در Bedrock - (عملی) 04:13
بهینه‌سازی هزینه - کش کردن پرامپت در Amazon Bedrock 03:31
بهینه‌سازی هزینه - کش کردن پرامپت در Amazon Bedrock - (عملی) 03:31
بهینه‌سازی هزینه - مسیریابی هوشمند پرامپت در Amazon Bedrock 03:29
بهینه‌سازی هزینه - مسیریابی هوشمند پرامپت در Amazon Bedrock - (عملی) 03:14
مبانی Bedrock: پلتفرم، مدل‌ها، محافظ و استنتاج None
تصمیم معماری 7: انتخاب لایه محاسباتی - گزینه 1 - Amazon EC2 05:25
تصمیم معماری 7: انتخاب لایه محاسباتی - گزینه 2 - AWS Lambda 04:27
تصمیم معماری 7: انتخاب لایه محاسباتی - گزینه 3 - Amazon ECS 03:38
تصمیم معماری 8: لایه GenAI API - شماره 1. Amazon API Gateway 07:28
تصمیم معماری 8: لایه GenAI API - شماره 2. AWS AppSync 04:11
تصمیم معماری 8: لایه GenAI API - شماره 3. Application Load Balancer 04:11
تصمیم معماری 9: قابلیت مشاهده و نظارت در Amazon Bedrock 04:17
قابلیت مشاهده و نظارت در Amazon Bedrock - (عملی) 08:04
تصمیم معماری 10: ارزیابی مدل در Amazon Bedrock 05:56
ارزیابی مدل در Amazon Bedrock - (عملی) 05:12
تصمیم معماری 11: سفارشی‌سازی مدل - 1. تقطیر مدل 05:12
تصمیم معماری 11: سفارشی‌سازی مدل - (عملی) 10:16
سفارشی‌سازی مدل - 2. فاین تیونینگ 02:36
سفارشی‌سازی مدل - 3. پیش‌آموزش مداوم 02:52
سفارشی‌سازی مدل - LoRA 03:13
تصمیمات معماری 12 تا 15 00:40
عملیات Bedrock: نظارت، ارزیابی و سفارشی‌سازی مدل None

فصل 3: نسل افزوده بازیابی (RAG) – تصمیمات معماری و طراحی

مورد کاربرد کسب و کار برای نسل افزوده بازیابی (RAG) - برنامه پرسش و پاسخ آموزش الکترونیک 02:11
نیاز به RAG؟ – محدودیت‌های معماری‌های صرفاً مبتنی بر LLM 03:33
مفاهیم و اصطلاحات اصلی RAG 08:04
10 تصمیم کلیدی معماری برای اپلیکیشن های RAG آماده عملیات - مورد کاربرد آموزش الکترونیک 05:41
RAG روی AWS با Amazon Bedrock - بررسی پایگاه‌های دانش Amazon Bedrock 03:45
ساخت RAG با پایگاه‌های دانش Bedrock - (عملی) 13:55
تصمیم معماری RAG 1: منابع داده و نوع داده 06:09
پیکربندی منابع داده RAG - (عملی) 04:11
تصمیم معماری RAG 2: استراتژی‌های تکه‌تکه کردن – ویژگی های خوب و بد 06:40
تصمیم معماری RAG 3: انتخاب مدل‌های تعبیه 03:24
تصمیم معماری RAG 4: انتخاب پایگاه داده برداری 05:48
تصمیم معماری RAG 5: بهینه‌سازی بازیابی - استراتژی‌های رتبه‌بندی مجدد 02:41
معماری RAG - بهینه‌سازی بازیابی - فیلتر کردن فراداده 02:59
تصمیم معماری RAG 6: انتخاب LLM برای تولید در بارهای کاری RAG 00:54
تصمیم معماری RAG 7: نظارت و قابلیت مشاهده 01:54
نظارت RAG - (عملی) 03:58
تصمیم معماری RAG 8: ارزیابی پایگاه‌های دانش Bedrock 03:48
تصمیمات معماری RAG 9 و 10: امنیت، محافظ و حاکمیت 00:20
Amazon Q Business 06:38
آزمونک - نسل افزوده بازیابی (RAG) None

فصل 4: عامل‌های هوش مصنوعی و معماری‌های هوش مصنوعی عامل‌گرا (Agentic AI) روی AWS

محدودیت‌های اپلیکیشن های مبتنی بر LLM 05:41
عامل‌های هوش مصنوعی چیستند؟ 08:35
برنامه‌ریزی عامل – زنجیره تفکر و ReAct 11:27
برنامه‌ریزی عامل - (عملی) 09:13
ابزارها و اقدامات عامل – یکپارچه‌سازی سیستم‌های خارجی 06:24
ابزارها و اقدامات عامل - (عملی) 05:46
حافظه عامل 06:34
عامل‌های Amazon Bedrock – بررسی معماری و قابلیت‌ها 11:55
عامل‌های Amazon Bedrock – بررسی در کنسول 15:13
عامل‌های Amazon Bedrock چگونه کار می‌کنند؟ 05:26
Generative AI در برابر هوش مصنوعی عاملی 07:07
پروتکل زمینه مدل (MCP) 13:43
پروتکل زمینه مدل (MCP) - (عملی) 18:01
Amazon Bedrock AgentCore - بررسی 03:35
Amazon Bedrock AgentCore – بررسی معماری 10:37
آزمونک - عامل‌های هوش مصنوعی None

فصل 5: مدیریت داده برای اپلیکیشن های Generative AI با Amazon SageMaker AI و Amazon Bedrock

سرویس Amazon SageMaker - نمای کلی 04:43
Amazon SageMaker Data Wrangler 04:07
Amazon SageMaker Feature Store 05:59
آزمونک - داده None

فصل 6: ایمنی هوش مصنوعی، Responsible AI و حاکمیت

Responsible AI و ایمنی هوش مصنوعی - نمای کلی 13:49
Responsible AI در AWS - Amazon SageMaker Clarify و Amazon SageMaker Studio 09:46
حاکمیت هوش مصنوعی و یادگیری ماشین - Amazon SageMaker Model Monitor، کارت‌های مدل (Model Cards) و مخزن مدل (Model Registry) 05:19
ML-Ops در AWS - Amazon SageMaker Pipelines و SageMaker Ground Truth 05:40
هوش مصنوعی افزوده آمازون - انسان در چرخه 02:52
آزمونک - Responsible AI None