مهندس استقرار AI و LLM (محلی و آفلاین)
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- فاین تیونینگ یک مدل بهصورت محلی
- RAG
- ایجنتها
- ایجنت کدنویسی محلی در VS Code
- تولید ویدئو با استفاده از ComfyUI
- تولید تصویر با استفاده از ComfyUI
- استقرار AI و LLM با استفاده از ابزارهای مدرن متعدد
- STT با استفاده از Whiper و Faster Whisper و Distil-Whisper
- llama.cpp و Ollama
- مفاهیم پیشرفته استنتاج
- استفاده از یک GPU و همچنین راهاندازی چند GPU برای ابزارهای محلی AI
- مدلهای Vision Language و TTS و OCR و موارد بیشتر
پیشنیازهای دوره
- نیازی به تجربه برنامهنویسی نیست. همه موارد را در دوره یاد خواهید گرفت.
- نیازی به دانش قبلی درباره LLMs و AI نیست. همه موارد را در دوره یاد خواهید گرفت.
توضیحات دوره
AI بدون زنجیره: AI و LLMs خود را بهصورت محلی اجرا کنید، مالک آن باشید و کنترلش کنید.
تسلط به استنتاج محلی و AI خصوصی
اجاره کردن هوش را متوقف کنید. شروع به معماری آن کنید.
راهنمای کامل برای میزبانی، بهینهسازی و ساخت سیستمهای AI مستقل
دوران «API Wrapper» رو به پایان است.
ما در یکی از لحظههای تعیینکننده فناوری زندگی میکنیم. در چند سال گذشته، رویکرد استاندارد به هوش مصنوعی بر پایه وابستگی بوده است. توسعهدهندگان داده خود را به یک ابر عمومی میفرستند، برای هر توکن هزینه میپردازند و امیدوارند اطلاعات اختصاصیشان امن بماند.
اما این صنعت در حال تغییر است. شرکتها و مهندسان آیندهنگرتر به این نتیجه رسیدهاند که قدرت واقعی نه در اجاره کردن هوش از یک غول فناوری، بلکه در میزبانی آن توسط خودشان است.
به «اتاق موتور» انقلاب AI خوش آمدید.
این دوره درباره نوشتن پرامپت در یک چتباکس نیست. این یک بررسی عمیق، فنی و مهندسیمحور از معماری AI محلی است. هدف آن این است که شما را از مصرفکننده APIs شخص ثالث به معمار سیستمهای AI مستقل، خصوصی و پربازده تبدیل کند.
آنچه مسلط خواهید شد:
در این برنامه جامع، لایههای انتزاعی را کنار میزنیم تا به هسته واقعی برسیم. شما موارد زیر را یاد خواهید گرفت:
- واقعیت سختافزار: چگونه محدودیتهای VRAM، پهنای باند حافظه و هستههای رایانش را مدیریت کنید. ما بحث «CPU در برابر GPU» را شفاف میکنیم و به شما میآموزیم چگونه با استفاده از تکنیکهای پیشرفته کوانتیزاسیون، هوش عظیم را روی سختافزار مصرفی اجرا کنید.
- لایهی بهینهسازی: شما فرمتهایی را که استنتاج محلی مدرن را تعریف میکنند، یعنی GGUF و Safetensors و ONNX، بهخوبی یاد میگیرید و میآموزید چگونه بدون از دست دادن «روح» مدل، دقت را با سرعت معامله کنید.
چرا این دوره؟
این فقط مجموعهای از آموزشها نیست؛ بلکه سرمایهگذاری روی حاکمیت دیجیتال شماست.
در پایان این مسیر، مجموعهای نادر و ارزشمند از مهارتها را در اختیار خواهید داشت: توانایی استقرار راهکارهای AI امن، خصوصی و مقرونبهصرفه که نه به اتصال اینترنت و نه به کارت اعتباری نیاز ندارند. شما ظرافتهای حقوقی مجوزهای متنباز، اخلاق حریم خصوصی داده و مهندسی فنی لازم برای سریع و قابل اعتماد کردن AI را درک خواهید کرد.
ابزارهای آینده باز، محلی و غیرمتمرکز هستند. پرسش این است: آیا آمادهاید کنترل را به دست بگیرید؟
همین امروز به دوره بپیوندید. بیایید AI شما را تنظیم کنیم.
این دوره برای چه کسانی مناسب است؟
- دانشجویان و مبتدیانی که میخواهند یاد بگیرند چگونه AI و LLM را بهصورت محلی روی PC خودشان مستقر کنند.
- دانشجویان و مبتدیانی که میخواهند مفاهیم عمیق AI و LLM را یاد بگیرند.
- متخصصان و پژوهشگران حساس به حریم خصوصی
- علاقهمندان به فناوری و افراد غیربرنامهنویس
- دانشجویان و یادگیرندگان مادامالعمر با بودجه محدود
مهندس استقرار AI و LLM (محلی و آفلاین)
-
به دوره خوش آمدید 09:06
-
چند نکته هنگام استفاده از دوره 01:00
-
اهداف دوره 02:46
-
هزینه اجرای AI محلی 09:39
-
سیستم من و پیشنهادهایم برای شما 08:13
-
توضیح VRAM، پهنای باند حافظه و هستههای رایانش 10:00
-
نصب درایورهای Nvidia 10:35
-
ملاحظات GPU تک در برابر چندین GPU (NVLink و GPUDirect) 30:45
-
OpenAI Wisper 19:41
-
Faster-Whisper و Distil-Whisper 16:44
-
Cuda Toolkit در برابر Cuda Drivers 02:19
-
Whisper.cpp 15:40
-
ثبتنام در Hugging Face 00:39
-
AI در برابر ML در برابر LLMها - یک بررسی مدرن 07:21
-
Generative AI 05:01
-
مدلهای مرزی 07:03
-
درک جدولهای رتبهبندی LLM 07:44
-
مصورسازی معماری LLM 09:15
-
بررسی LLM Stack 07:26
-
APIs سازگار با OpenAI 04:47
-
خانوادهی Llama 05:13
-
آشنایی با Hugging Face 13:26
-
اندازهی مدلها، پارامترها، مقیاسپذیری حافظه و رایانش 12:15
-
وزنها-پارامترها 03:45
-
فرمتهای ممیز شناور و مبانی دقت پایین 09:24
-
تعبیهها در برابر مدلهای خودرگرسیو و Encoder-Decoder 06:30
-
اصول پرامپتنویسی و الگوهای مهندسی پرامپت 09:10
-
متریکهای ارزیابی 06:23
-
LSTM - ترنسفرمرها 14:49
-
تعبیهها و نمایشهای برداری 08:10
-
توکنسازی 07:20
-
پنجره کانتکست، طول دنباله و حافظه 09:21
-
پرامپتنویسی در برابر فاینتیونینگ در برابر تیونینگ دستورالعمل 08:40
-
وزنها و فعالسازیها 09:55
-
مبانی کوانتیزاسیون و موازنهها 18:09
-
استنتاج 05:40
-
فرمتهای مدل: GGUF و safetensors و ONNX و غیره 09:39
-
LM Studio 22:26
-
Jan.ai 19:11
-
GPT4All 07:50
-
Ollama و Modelfile 11:28
-
llama.cpp 21:29
-
OpenWebUI 20:07
-
Gradio 09:36
-
KoboldCPP 06:03
-
Oobabooga 09:01
-
Docker Model Runner 05:10
-
vLLM 22:50
-
LocalAI 17:01
-
Axolotl 20:22
-
بیشبرازش در برابر کمبرازش - مسئلهی «گلدیلاکس» 08:01
-
کنترل آشوب - پارامترهای نمونهبرداری 06:40
-
انقلاب Adapter - بررسی LoRA و QLoRA 02:17
-
کمیته متخصصان - درک MoE 02:30
-
بررسی عمیق - APIs رایانش GPU 06:49
-
بازگشت به LMStudio 05:48
-
چشمانداز حقوقی و اخلاقی AI محلی 04:53
-
ComfyUI چیست؟ (استودیوی ماژولار) 01:59
-
منطق نودها 07:17
-
نصب و Manager 10:00
-
آشنایی با ComfyUI 18:10
-
ساخت نخستین گردشکار تصویر شما (تبدیل متن به تصویر) 14:58
-
جهش «تصویر به ویدئو» (SVD) 16:29
-
تبدیل متن به ویدئو و صویر (با استفاده از قالبها) 14:55
-
Z-Image: یادگیری از اشتباهات خود 32:34
-
Wan2.2 T2V با Lora - ویدئوهای با وضوح بالا 30:45
-
Wan2.2 T2V بدون Lora - موازنه با زمان رندر 05:37
-
Wan2.2 I2V 15:03
-
بازبینی نخستین گردشکار تبدیل تصویر به ویدئو 05:37
-
استک - معماری کدنویسی محلی (Ollama + Continue) 05:37
-
دو راهی مسیر - نیتیو در برابر متنباز 09:51
-
راهاندازی Continue 22:35
-
انتخاب مدل 07:53
-
تست ایجنت کدنویسی ما 09:24
-
RAG (چت با مستندات) - GPT4All 14:01
-
RAG (چت با مستندات) - OpenWebUI 13:56
-
فعالسازی دسترسی به اینترنت (ایجنتها) - جستجوی وب در OpenWebUI 16:11
-
بینایی با Qwen3-VL (Ollama) 23:04
-
OCR تخصصی با Deepseek OCR 12:43
-
پادشاه «کارایی» - Kokoro TTS (Docker) (اجرا روی CPU) 14:16
-
استفاده از چند GPU - ابزارهای AI و LLM 16:10
-
تست مدل بزرگ LLM در LMStudio 13:32
-
استفاده از چند GPU - بررسی ComfyUI (رسیدن به موفقیت از دل یک تلاش ناموفق) 11:08
-
آنچه آموختیم 04:35
-
خداحافظ و موفق باشید 04:20
مشخصات آموزش
مهندس استقرار AI و LLM (محلی و آفلاین)
- تاریخ به روز رسانی: 1405/04/12
- سطح دوره:Alls
- تعداد درس:85
- مدت زمان :15:49:44
- حجم :13.3GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy