مسترکلاس گواهینامه Certified AI Engineer: ساخت ایجنتهای هوش مصنوعی 2026
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ساخت اپلیکیشنهای واقعی هوش مصنوعی با استفاده از مدلهای زبانی بزرگ (GPT و Claude و غیره)
- تسلط به تکنیکهای مهندسی پرامپت (تک شات و چندشات، خروجیهای ساختاریافته)
- توسعه ایجنتهای هوش مصنوعی با حافظه، ابزارها و گردشکارهای خودکارسازی
- پیادهسازی بازیابی نسل افزوده (RAG) با استفاده از تعبیهها و پایگاه دادههای برداری
- یکپارچهسازی هوش مصنوعی در اپلیکیشنها با استفاده از APIs (پایتون و JavaScript)
- طراحی و ساخت سیستمهای هوش مصنوعی فولاستک (فرانتاند + بکاند)
- استقرار اپلیکیشنهای هوش مصنوعی با استفاده از AWS ،Docker و شیوههای مدرن DevOps
- بهینهسازی سیستمهای هوش مصنوعی از نظر هزینه، تأخیر و عملکرد
- درک و کاهش ریسکهای هوش مصنوعی، مسائل امنیتی و سوگیری
پیشنیازهای دوره
- هیچ تجربه قبلی در هوش مصنوعی یا یادگیری ماشین لازم نیست. این دوره از مبانی شروع میشود.
- مهارتهای پایه کار با کامپیوتر (نصب نرمافزار، استفاده از مرورگر، مدیریت فایلها)
- یک لپتاپ یا کامپیوتر دسکتاپ با اتصال پایدار به اینترنت
توضیحات دوره
این دوره شامل استفاده از هوش مصنوعی است.
این فقط یک دوره دیگر درباره هوش مصنوعی نیست، بلکه نقشه راه کامل مهندسی هوش مصنوعی است که برای رساندن شما از پایه تا ساخت سیستمهای واقعی هوش مصنوعی طراحی شده است.
در این دوره جامع، فقط تئوری یاد نمیگیرید، بلکه با استفاده از پرتقاضاترین فناوریهای امروز صنعت، اپلیکیشنهای هوش مصنوعی را میسازید، مستقر کرده و مقیاس میدهید.
شما کار را با درک اصول هوش مصنوعی، یادگیری ماشین و یادگیری عمیق آغاز میکنید و سپس سریع وارد پایتون عملی میشوید؛ جایی که یاد میگیرید چگونه با داده کار کنید و کدهای قابل استفاده مجدد بنویسید.
از آنجا، به صورت عمیق وارد Generative AI و مدلهای زبانی بزرگ (LLMs) میشوید از جمله اینکه مدلهایی مانند GPT و Claude چگونه کار میکنند و چگونه میتوان آنها را با تکنیکهای پیشرفته مهندسی پرامپت کنترل کرد.
اما اینجا متوقف نمیشویم.
آنچه یاد میگیرید:
- اپلیکیشنهای مجهز به هوش مصنوعی را با استفاده از APIS بسازید.
- سیستمهای بازیابی نسل افزوده (RAG) را پیاده کنید.
- ایجنتهای هوش مصنوعی بسازید که بتوانند فکر کنند، عمل کنند و تسکها را خودکار کنند.
- سیستمهای چند ایجنتی طراحی کنید که مانند تیمهای واقعی با هم همکاری میکنند.
- اپلیکیشنهای هوش مصنوعی فولاستک توسعه دهید.
- پروژههای خود را با استفاده از AWS ،Docker و شیوههای مدرن DevOps مستقر کنید.
همچنین یاد میگیرید چگونه هزینهها را بهینه کنید، تأخیر را کاهش دهید و سیستمهای هوش مصنوعی را ایمن کنید، مهارتهایی که افراد مبتدی را از مهندسان واقعی متمایز میکند.
آنچه در پایان دوره، قادر خواهید بود:
- محصولات واقعی هوش مصنوعی بسازید.
- آنها را در محیط تولید مستقر کنید.
- درک کنید که سیستمهای هوش مصنوعی از ابتدا تا انتها چگونه کار میکنند.
- خودتان را به عنوان مهندس هوش مصنوعی آماده ورود به بازار کار معرفی کنید.
این دوره با رویکرد پروژهمحور طراحی شده تا مطمئن شود نه فقط دانش تئوری، بلکه تجربه عملی و واقعی به دست میآورید.
این دوره برای چه کسانی مناسب است؟
- مبتدیانی که میخواهند مهندس هوش مصنوعی شوند و سیستمهای واقعی هوش مصنوعی را از ابتدا بسازند.
- توسعهدهندگان (بکاند و فرانتاند که میخواهند به حوزه هوش مصنوعی، LLMs و اتوماسیون وارد شوند.
- تحلیلگران داده و مهندسان داده که میخواهند به سمت Generative AI و اپلیکیشنهای پیشرفته حرکت کنند.
- دانشجویان و فارغالتحصیلان تازهکار که برای مسیر شغلی در هوش مصنوعی، یادگیری ماشین یا مهندسی نرمافزار آماده میشوند.
- کارآفرینان و سازندگان استارتاپ که میخواهند محصولات مجهز به هوش مصنوعی ایجاد کنند یا گردشکارها را خودکار کنند.
- متخصصانی که به ایجنتهای هوش مصنوعی، سیستمهای RAG و معماریهای مدرن هوش مصنوعی علاقهمند هستند.
مسترکلاس گواهینامه Certified AI Engineer: ساخت ایجنتهای هوش مصنوعی 2026
-
هوش مصنوعی چیست؟ 20:02
-
هوش مصنوعی در برابر یادگیری ماشین در برابر یادگیری عمیق 12:31
-
توضیح Generative AI (LLMs، مدلهای انتشار و غیره) 12:45
-
کاربردهای واقعی هوش مصنوعی (کسبوکار، محصولات، استارتاپها) 12:19
-
مهندس هوش مصنوعی در برابر دانشمند داده در برابر مهندس یادگیری ماشین 11:05
-
بررسی اکوسیستم هوش مصنوعی (OpenAI و Hugging Face و AWS و غیره) 12:02
-
مبانی پایتون (متغیرها، حلقهها، توابع) 13:48
-
کار با کتابخانهها (NumPy و Pandas) 13:36
-
مدیریت و پیشپردازش داده 13:51
-
نوشتن کد تمیز و قابل استفاده مجدد 15:49
-
یادگیری ماشین چیست؟ 10:10
-
یادگیری نظارت شده در برابر بدون نظارت 11:59
-
مبانی رگرسیون و طبقهبندی 11:53
-
آموزش و ارزیابی مدل 11:44
-
بیشبرازش و کمبرازش 08:36
-
شبکههای عصبی به زبان ساده 09:28
-
توابع فعالسازی 09:42
-
فرآیند آموزش (تابع ضرر و پسانتشار) 08:14
-
مقدمهای بر TensorFlow و PyTorch 11:16
-
CNNs در برابر RNNs (درک مبانی) 10:55
-
مدلهای زبانی بزرگ (LLMs) چه هستند؟ 12:06
-
بررسی GPT ،Claude و LLaMA 08:11
-
توکنها، تعبیهها و پنجرههای کانتکس 08:52
-
اصول مهندسی پرامپت 11:42
-
کنترل خروجیها با پرامپتها 11:21
-
ساختارهای پرامپت (تک شات و چندشات و زنجیره افکار) 08:31
-
پرامپتنویسی نقش و پرامپتهای سیستم 08:39
-
فرمتبندی خروجی (JSON، پاسخهای ساختاریافته) 09:39
-
کاهش توهمات 08:24
-
تکنیکهای بهینهسازی پرامپت 11:14
-
API چیست؟ 11:08
-
استفاده از OpenAI و Claude APIs 11:00
-
احراز هویت و کلیدهای API 07:23
-
ایجاد فراخوانیهای API (پایتون + JS) 10:31
-
RAG چیست؟ 08:44
-
تعبیهها و پایگاه دادههای برداری 11:27
-
Chunking و ایندکسگذاری داده 11:25
-
جستجوی سمانتیک 08:15
-
ایجنت هوش مصنوعی چیست؟ 08:16
-
ایجنت در برابر چتبات در برابر گردشکار 10:51
-
استفاده از ابزارها و فراخوانی تابع 10:39
-
حافظه (کوتاهمدت در برابر بلندمدت) 08:01
-
ایجنتهای استدلال چندمرحلهای 10:39
-
سیستمهای چند ایجنتی چه هستند؟ 08:57
-
الگوهای ارتباطی ایجنتها 11:33
-
واگذاری تسک بین ایجنتها 11:37
-
ارکستراسیون گردشکار 09:30
-
سیستمهای واقعی (تیمهای هوش مصنوعی) 11:26
-
مبانی فرانتاند (React یا رابط کاربری ساده) 11:07
-
معماری بکاند برای اپلیکیشنهای هوش مصنوعی 08:06
-
اتصال فرانتاند به بکاند هوش مصنوعی 10:33
-
مدیریت State 10:15
-
لاگ کردن و نظارت 08:41
-
مقدمهای بر استقرار 12:13
-
هاستینگ (Vercel ،AWS و Docker) 08:26
-
متغیرهای محیطی 11:10
-
مقیاسبندی اپلیکیشنهای هوش مصنوعی 10:54
-
مبانی CI/CD 11:27
-
مبانی AWS برای مهندسان هوش مصنوعی 08:51
-
استفاده از AWS Lambda برای هوش مصنوعی 11:31
-
S3 برای ذخیرهسازی داده 11:02
-
یکپارچهسازی API Gateway 08:32
-
مقدمهای بر SageMaker 10:53
-
بهینهسازی توکن 11:12
-
استراتژیهای کش کردن 11:22
-
انتخاب مدل (ارزان در برابر قدرتمند) 10:53
-
بهینهسازی تأخیر 07:59
-
ریسکهای امنیتی هوش مصنوعی 11:09
-
حملات تزریق پرامپت 10:40
-
نگرانیهای مربوط به حریم خصوصی داده 08:22
-
سوگیری در سیستمهای هوش مصنوعی 08:21
مشخصات آموزش
مسترکلاس گواهینامه Certified AI Engineer: ساخت ایجنتهای هوش مصنوعی 2026
- تاریخ به روز رسانی: 1405/04/12
- سطح دوره:Alls
- تعداد درس:71
- مدت زمان :12:35:25
- حجم :4.8GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy