×
ribbon
مکتب خونه هوش مصنوعیهوش مصنوعی برای برنامه‌نویسیLLM

دوره جامع مهندسی هوش مصنوعی: LLM و RAG و QLoRA و ایجنت‌ها

مدرس:Udemy

آکادمی گرولیEd Donner

در ۸ هفته به یک مهندس مدل های زبانی بزرگ (LLM) تبدیل شوید: ساخت و استقرار ۸ اپلیکیشن... بیشتر
جدید
زیرنویس
5 (4)
1 دیدگاه
214دانشجو
33ساعت
سرفصل‌ها
مقدماتی تا پیشرفته سطح دوره
بروزرسانیخرداد ۱۴۰۵

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

پروژه 1: ساخت یک تولیدکننده بروشور مبتنی بر هوش مصنوعی که وب‌سایت شرکت‌ها را به‌صورت هوشمند کراول کرده و آن‌ها را هدایت کند.

پروژه 2: ساخت یک عامل پشتیبانی مشتری چندحالته برای یک شرکت هواپیمایی با رابط کاربری و قابلیت فراخوانی توابع.

پروژه 3: توسعه ابزاری که با استفاده از مدل‌های متن‌باز و متن‌بسته، صورت‌جلسه و اقدامات عملی را از فایل‌های صوتی جلسات استخراج کند.

پروژه 4: ساخت هوش مصنوعی که کد پایتون را به ++C بهینه تبدیل کرده و عملکرد را تا 60٬000 برابر افزایش دهد!

این دوره شامل:

33 ساعت ویدئو

115 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

8 فصل208 جلسه33 ساعت ویدیو
هفتهٔ اول: ساخت اولین محصول LLM شما و بررسی مدل‌های برتر
  روز اول – اجرای اولین مدل زبانی بزرگ (LLM) به‌صورت محلی با Ollama و مدل‌های متن‌باز
10:44
  روز اول – نمایش یک معلم اسپانیایی با مدل‌های متن‌باز و مرور دوره
10:53
  روز اول – راه‌اندازی محیط توسعهٔ LLM شما با استفاده از Cursor و UV
05:54
  روز اول – راه‌اندازی محیط توسعهٔ رایانهٔ خود با Git و Cursor
09:50
  روز اول – راه‌اندازی مک: نصب Git، کلون کردن مخزن و نصب محیط توسعهٔ Cursor IDE
09:47
  روز اول – نصب UV و راه‌اندازی محیط توسعهٔ Cursor شما
07:52
  روز اول – راه‌اندازی کلید API در open AI و متغیرهای محیطی
12:28
  روز اول – نصب افزونه‌های Cursor و راه‌اندازی Jupyter Notebook شما
09:04
  روز اول – اجرای اولین فراخوانی API در open AI و بررسی تفاوت میان System و User Prompts
11:41
  روز اول – ساخت یک خلاصه‌ساز وب‌سایت با استفاده از OpenAI Chat Completions API
10:14
  روز اول – تمرین عملی: ساخت اولین فراخوانی API در Open AI خود از صفر
05:34
  روز دوم – مهندسی LLM: اجزای پایه، مدل‌ها، ابزارها و تکنیک‌ها
09:22
  روز دوم – مسیر هشت‌هفته‌ای شما از Chat Completions API تا مهندس LLM
02:51
  روز دوم – مدل‌های پیشرفته: مقایسهٔ OpenAI GPT، Claude، Gemini و Grok
06:14
  روز دوم – مدل‌های زبانی بزرگ متن‌باز: LLaMA، Mistral، DeepSeek و Ollama
12:03
  روز دوم – API تکمیل چت: مقایسهٔ نقاط پایانی HTTP و کلاینت پایتون Open AI
10:11
  روز دوم – استفاده از کلاینت پایتون OpenAI با چند ارائه‌دهندهٔ LLM
07:41
  روز دوم – اجرای Ollama به‌صورت محلی با نقاط پایانی سازگار با OpenAI
10:27
  روز سوم – مدل‌های پایه، چت و استدلال: درک انواع LLM‌ها
10:44
  روز سوم – مدل‌های پیشرفته: GPT، Claude، Gemini و نقاط قوت و ضعف آن‌ها
12:56
  روز سوم – آزمایش ChatGPT-5 و مدل‌های پیشرفتهٔ LLM از طریق رابط کاربری وب
09:43
  روز سوم – آزمایش Claude، Gemini، Grok و DeepSeek با استفاده از پژوهش عمیق ChatGPT
11:33
  روز سوم – هوش مصنوعی عاملی (Agentic AI) در عمل: پژوهش عمیق (Deep Research)، کد کلود (Claude Code) و حالت عامل (Agent Mode)
11:22
  روز سوم – مسابقه مدل‌های Frontier: ساخت یک بازی رقابتی LLM
10:14
  روز چهارم – آشنایی با ترنسفورمرها: معماری پشت GPT و مدل‌های زبانی بزرگ (LLMs)
12:46
  روز چهارم – از LSTMها تا ترنسفورمرها: توجه (Attention)، هوش نوظهور و هوش عاملی (Agentic AI)
09:08
  روز چهارم– پارامترها: از میلیون‌ها تا تریلیون‌ها در GPT، LLaMA و DeepSeek
08:26
  روز چهارم – توکن‌ها چیستند: از کاراکترها تا توکنایزر GPT
04:02
  روز چهارم – درک توکنیزیشن: چگونه GPT متن را به توکن‌ها تقسیم می‌کند
08:13
  روز چهارم – توکنیز کردن با tiktoken و درک «توهم حافظه»
10:56
  روز چهارم – پنجره‌های متنی (Context Windows)، هزینه‌های API و محدودیت‌های توکن در مدل‌های زبانی بزرگ (LLMs)
10:49
  روز پنجم – ساخت یک تولیدکننده بروشور فروش با استفاده از OpenAI Chat Completions API
09:03
  روزپنجم– ساخت پرامپت‌های JSON و استفاده از OpenAI Chat Completions API
10:43
  روز پنجم – زنجیره‌سازی فراخوانی‌های GPT: ساخت یک تولیدکننده بروشور شرکتی هوش مصنوعی
09:07
  روز پنجم– ساخت یک تولیدکننده بروشور با GPT-4 و نمایش نتایج به‌صورت Streaming
11:17
  روز پنجم– کاربردهای تجاری، چالش‌ها و ساخت مدرس هوش مصنوعی (AI Tutor) شخصی شما
09:56
هفته دوم – ساخت یک چت‌بات چندحالته با LLMها، رابط کاربری Gradio و عامل‌ها (Agents)
  روز اول – اتصال به چندین مدل Frontier با استفاده از APIها (OpenAI، Claude، Gemini)
11:58
  روز اول – آزمایش مدل‌های GPT-5 با تمرکز بر توانایی استدلال و حل معماهای مقیاس‌پذیر
06:59
  روز اول – آزمایش Claude، GPT-5، Gemini و DeepSeek با پازل‌ها و معماهای ذهنی
07:59
  روز اول – مدل‌های محلی با Ollama، APIهای بومی و یکپارچه‌سازی OpenRouter
09:08
  روز اول – LangChain در مقابل LiteLLM: انتخاب فریم‌ورک مناسب برای LLM
12:11
  روز اول– LLM در مقابل LLM: ساخت گفتگوهای چندمدلی با OpenAI و Claude
10:43
  روز دوم – ساخت رابط‌های کاربری علوم داده با Gradio (بدون نیاز به مهارت‌های فرانت‌اند)
09:57
  روز دوم – ساخت اولین رابط Gradio خود با Callbacks و قابلیت به اشتراک‌گذاری
09:31
  روز دوم – ساخت رابط‌های Gradio با احراز هویت و یکپارچه‌سازی GPT
08:43
  روز دوم – پاسخ‌های Markdown و Streaming با Gradio و OpenAI
10:13
  روز دوم – ساخت رابط‌های Gradio چندمدلی با GPT و Claude Streaming
08:42
  روز سوم– ساخت رابط‌های چت با Gradio: اولین دستیار هوش مصنوعی مکالمه‌ای شما
08:51
  روز سوم – ساخت یک چت‌بات Streaming با Gradio و OpenAI API
06:02
  روز سوم – پرامپت‌های سیستمی، پرامپت‌دهی چندباره (Multi-Shot Prompting) و اولین نگاه به RAG
10:23
  روز چهارم– عملکرد واقعی Tool Calling در LLMها (بدون جادو، فقط پرامپت‌ها)
08:10
  روز چهارم – کاربردهای رایج ابزارهای LLM و گردش‌کارهای هوش مصنوعی عاملی (Agentic AI)
03:31
  روز چهارم– ساخت یک دستیار هوش مصنوعی برای هواپیمایی با Tool Calling در OpenAI و Gradio
11:40
  روز چهارم – مدیریت فراخوانی‌های متعدد ابزار با OpenAI و Gradio
09:57
  روز چهارم – ساخت Tool Calling با یکپارچه‌سازی پایگاه داده SQLite
12:43
  روز پنجم – معرفی هوش مصنوعی عاملیت‌دار و ساخت جریان‌های کاری چندابزاره
08:29
  روز پنجم - نحوه عملکرد Gradio : ساخت رابط‌های کاربری وب از کد پایتون
07:56
  روز پنجم – ساخت برنامه‌های چندرسانه‌ای با DALL-E 3، تبدیل متن به گفتار، و Gradio Bloc
10:42
  روز پنجم – اجرای دستیار هوش مصنوعی چندرسانه‌ای شما با Gradio و ابزارها
08:21
  روز پنجم - مقایسه‌ی دوره‌های آموزشی Frontier LLM با OpenRouter: تولید آثار هنری SVG در پایتون
08:37
هفته سوم – راه‌حل‌های خودکار هوش مصنوعی تولیدی متن‌باز با HuggingFace
  روز اول – معرفی پلتفرم Hugging Face: مدل‌ها، مجموعه داده‌ها و Spaces
11:57
  روز اول – توضیح کتابخانه‌های Hugging Face: Transformers، Datasets و Hub
06:34
  روز اول – معرفی Google Colab و GPUهای ابری برای توسعه هوش مصنوعی
10:26
  روز اول – شروع کار با Google Colab: راه‌اندازی، محیط اجرا و دسترسی رایگان به GPU
07:44
  روز اول – راه‌اندازی Google Colab با Hugging Face و اجرای اولین مدل خود
09:45
  روز اول – اجرای Stable Diffusion و FLUX روی GPUهای Google Colab
14:02
  روز دوم – معرفی Pipelines در Hugging Face برای استنتاج سریع هوش مصنوعی
08:25
  روز دوم – استفاده از API Pipelines در Hugging Face برای تحلیل احساسات روی GPU T4 در Colab
11:25
  روز دوم – شناسایی موجودیت‌های نام‌دار، پرسش و پاسخ، و وظایف Pipeline در Hugging Face
10:12
  روز دوم – مدل‌های تصویر، صوت و انتشار (Diffusion) در Pipelines Hugging Face روی Colab
07:24
  روز سوم – توکنایزرها: چگونه مدل‌های زبانی بزرگ (LLM) متن را به اعداد تبدیل می‌کنند
09:12
  روز سوم – توکنایزرها در عمل: رمزگذاری و رمزگشایی با Llama 3.1
11:01
  روز سوم – نحوه عملکرد قالب‌های چت، توکنایزرهای LLaMA و توکن‌های ویژه
07:27
  روز سوم – مقایسه توکنایزرها: Phi-4، DeepSeek و QWENCoder در عمل
05:26
  روز چهارم – بررسی عمیق ترنسفورمرها، کم‌کدسازی (Quantization) و شبکه‌های عصبی
07:52
  روز چهارم – کار با API سطح پایین Transformers Hugging Face و کم‌کدسازی (Quantization)
10:11
  روز چهارم – درون معماری مدل LLaMA در PyTorch و جاسازی توکن‌ها (Token Embeddings)
08:51
  روز چهارم – درون لایه‌های دیکودر LLaMA، مکانیزم توجه و اهمیت غیرخطی بودن (Non-Linearity)
11:27
  روز چهارم – اجرای مدل‌های زبانی بزرگ متن‌باز Phi، Gemma، Qwen و DeepSeek با Hugging Face
11:08
  روز پنجم – مصورسازی استنتاج توکن به توکن در مدل‌های GPT
12:16
  روز پنجم – ساخت صورتجلسه‌ها از فایل صوتی با Whisper و Google Colab
08:50
  روز پنجم – ساخت صورتجلسه‌ها با OpenAI Whisper و LLaMA 3.2
09:32
  روز پنجم – جمع‌بندی هفته سوم: ساخت یک تولیدکننده داده‌های مصنوعی با مدل‌های متن‌باز
04:25
هفته چهارم – رقابت مدل‌های زبانی بزرگ: ارزیابی مدل‌ها برای تولید کد و وظایف کسب‌وکار
  روز اول – انتخاب مدل زبانی بزرگ مناسب: استراتژی انتخاب و اصول پایه
11:44
  روز اول – قانون مقیاس‌بندی Chinchilla: پارامترها، داده‌های آموزشی و اهمیت آن‌ها
04:02
  روز اول – درک معیارهای سنجش مدل‌های هوش مصنوعی: GPQA، MMLU-Pro و HLE
08:08
  روز اول – محدودیت‌های معیارهای سنجش هوش مصنوعی: آلودگی داده‌ها و بیش‌برازش (Overfitting)
08:27
  روز اول – ساخت یک رتبه‌بندی بازی Connect Four (معیار سنجش استدلال)
08:39
  روز دوم – مرور رتبه‌بندی‌های هوش مصنوعی: تحلیل‌های مصنوعی، HuggingFace و موارد دیگر
08:58
  روز دوم – تحلیل عمیق مصنوعی: مقایسه هوش مدل‌ها در برابر هزینه‌ها
10:45
  روز دوم – Vellum، SEAL و LiveBench: رتبه‌بندی‌های ضروری مدل‌های هوش مصنوعی
09:14
  روز دوم – LM Arena: آزمایش کور مدل‌های هوش مصنوعی با امتیازدهی Elo جامعه
04:32
  روز دوم – کاربردهای تجاری: اتوماسیون، تقویت و Agentic AI
08:48
  روز سوم – انتخاب مدل‌های زبانی بزرگ برای تولید کد: از پایتون تا C++ با Cursor
08:32
  روز سوم – انتخاب مدل‌های پیشرفته: GPT-5، Claude، Grok و Gemini برای تولید کد C++
08:48
  روز سوم – انتقال کد از پایتون به C++ با GPT-5 و افزایش سرعت عملکرد تا 230 برابر
11:15
  روز سوم – رقابت برنامه‌نویسی هوش مصنوعی: عملکرد GPT-5 در مقابل Claude، Gemini و Groq
09:57
  روز چهارم – مدل‌های متن‌باز برای تولید کد: Qwen، DeepSeek و Ollama
09:41
  روز چهارم – ساخت رابط کاربری Gradio برای آزمایش مدل‌های تبدیل کد از پایتون به C++
06:29
  روز چهارم – رقابت عملکرد مدل‌ها: Qwen 3 Coder در مقابل GPT OSS OpenRouter
07:39
  روز پنجم – ارزیابی مدل: شاخص‌های فنی در مقابل نتایج کسب‌وکار
10:17
  روز پنجم – تست ترجمه کد از پایتون به راست (Rust) با Gemini 2.5 Pro و Cursor
09:48
  روز پنجم – پورت کردن کد از پایتون به راست (Rust) و تست مدل‌های GPT، Claude و Qwen
09:38
  روز پنجم – پیروزی یک مدل متن‌باز در چالش سرعت تولید کد راست (Rust)
13:24
هفتهٔ پنجم – تسلط بر RAG و ساخت راهکارهای پیشرفته با امبدینگ‌های برداری
  روز اول – مقدمه‌ای بر مبانی RAG (تولید تقویت‌شده با بازیابی اطلاعات)
09:15
  روز اول – ساخت یک دستیار دانش RAG ساده با GPT-4-1 Nano
11:11
  روز اول – ساخت یک سیستم RAG ساده برای جستجوی لغت‌نامه و بازیابی کانتکست
09:15
  روز اول – امبدینگ‌های برداری و مدل‌های زبانی رمزگذار (Encoder LLMs)، پایه و اساس RAG
09:18
  روز اول – چگونگی نمایش معنا با امبدینگ‌های برداری؛ از Word2Vec تا مدل‌های رمزگذار
07:51
  روز اول – درک ایدهٔ بزرگ پشت RAG و پایگاه‌های دادهٔ برداری
07:10
  روز دوم – بردارها برای RAG: مقدمه‌ای بر LangChain و پایگاه‌های دادهٔ برداری
07:54
  روز دوم – تقسیم اسناد به بخش‌ها با استفاده از LangChain Text Splitters
12:12
  روز دوم – مدل‌های رمزگذار در برابر پایگاه‌های دادهٔ برداری: OpenAI، BERT، Chroma و FAISS
09:10
  روز دوم – ایجاد پایگاه‌های دادهٔ برداری با Chroma و تجسم امبدینگ‌ها با t-SNE
10:05
  روز دوم – تجسم سه‌بعدی بردارها و مقایسه مدل‌های امبدینگ
11:50
  روز سوم – ساخت یک Pipeline کامل RAG با LangChain و Chroma
07:53
  روز سوم – ساخت یک خط لولهٔ RAG با LangChain: تنظیم LLM و Retriever
10:04
  روز سوم – ساخت RAG با LangChain: یکپارچه‌سازی Retriever و LLM
10:57
  روز سوم – ساخت RAG تولیدی با ماژول‌های پایتون و رابط کاربری Gradio
12:03
  روز سوم – RAG با تاریخچهٔ مکالمه: ساخت رابط کاربری Gradio و رفع اشکال Chunki
12:33
  روز چهارم – ارزیابی‌های RAG: سنجش عملکرد و بهبود خط لولهٔ خود
10:28
  روز چهارم – ارزیابی سیستم‌های RAG: معیارهای بازیابی، LLM به‌عنوان داور و داده‌های طلایی
13:45
  روز چهارم – ارزیابی سیستم‌های RAG با استفاده از MRR، NDCG و داده‌های آزمایشی با Pydantic
10:32
  روز چهارم – استفاده از LLM به‌عنوان داور: ارزیابی پاسخ‌های RAG با خروجی‌های ساختاریافته
09:17
  روز چهارم – اجرای ارزیابی‌های RAG با Gradio: MRR، nDCG و نتایج آزمایشی
08:33
  روز چهارم – آزمایش استراتژی‌های تقسیم‌بندی و مدل‌های امبدینگ در RAG
09:48
  روز چهارم – آزمایش امبدینگ‌های OpenAI و ارزیابی افزایش عملکرد RAG
07:29
  روز پنجم – تکنیک‌های پیشرفته RAG: پیش‌پردازش، بازرتبه‌بندی و ارزیابی‌ها
08:54
  روز پنجم – تکنیک‌های پیشرفته RAG: تقسیم‌بندی، رمزگذارها و بازنویسی پرس‌وجو
10:08
  روز پنجم – تکنیک‌های پیشرفته RAG: گسترش پرس‌وجو، با رتبه‌بندی و GraphRAG
11:51
  روز پنجم – ساخت RAG پیشرفته بدون LangChain: تقسیم‌بندی معنایی با LLMها
13:07
  روز پنجم – ایجاد امبدینگ‌ها با Chroma، تجسم با t-SNE و با رتبه‌بندی
11:15
  روز پنجم – ساخت RAG بدون LangChain: بازرتبه‌بندی و بازنویسی پرس‌وجو
08:30
  روز پنجم – ساخت RAG تولیدی با گسترش پرس‌وجو و پردازش چند‌وظیفه‌ای
11:53
  روز پنجم – ارزیابی پیشرفته RAG: افزایش MRR از 0.73 به 0.91 با GPT-4o
11:03
  روز پنجم – چالش RAG: نتایج من را شکست بده و دستیار دانش خودت را بساز
09:14
هفتهٔ ششم – مرزهای فاین‌تیون مدل‌های زبان بزرگ با LoRA/QLoRA
  روز اول – آموزش، مجموعه‌داده‌ها و تعمیم‌پذیری: پروژهٔ نهایی شما آغاز می‌شود
09:17
  روز اول – فاین‌تیون کردن مدل‌های زبانی بزرگ (LLM) و معرفی پروژه نهایی «The Price is Right»
12:16
  روز اول – گردآوری مجموعه داده‌ها، یافتن منابع داده و ساخت مجموعه‌های آموزشی
10:04
  روز اول – گردآوری داده‌های آمازون با Hugging Face برای پیش‌بینی قیمت
12:58
  روز اول – بررسی توزیع داده‌های آمازون و حذف داده‌های تکراری
11:24
  روز اول – نمونه‌گیری وزنی با NumPy و آپلود مجموعه داده‌ها در Hugging Face
11:53
  روز دوم – استراتژی پنج مرحله‌ای برای انتخاب و به‌کارگیری مدل‌های زبانی بزرگ (LLM) در حل مسائل کسب‌وکار
10:28
  روز دوم – فرآیند پنج مرحله‌ای هوش مصنوعی و عملیاتی‌سازی با MLOps
08:33
  روز دوم – پیش‌پردازش داده‌ها با مدل‌های زبانی بزرگ (LLM) و حالت دسته‌ای Groq
09:44
  روز دوم – پردازش دسته‌ای با Groq API و فایل‌های JSONL برای جریان‌های کاری LLM
12:29
  روز دوم – پردازش دسته‌ای با Groq: اجرای 22 هزار درخواست LLM با هزینه کمتر از 1 دلار
13:42
  روز سوم – ساخت مدل‌های پایه با یادگیری ماشین سنتی و XGBoost
11:31
  روز سوم – ساخت اولین مدل پایه خود با Random Pricer و Scikit-learn
11:54
  روز سوم – مدل‌های پایه و رگرسیون خطی با Scikit-Learn
09:45
  روز سوم – کیسه کلمات (Bag of Words) و CountVectorizer برای رگرسیون خطی در پردازش زبان طبیعی (NLP)
07:53
  روز سوم – مدل‌های انجمنی Random Forest و XGBoost در Scikit-Learn
10:23
  روز چهارم – آموزش اولین شبکه عصبی خود و آزمایش مدل‌های پیشرفته (Frontier Models)
10:47
  روز چهارم – عملکرد پایه انسانی در مقایسه با مدل‌های یادگیری ماشین در PyTorch
08:32
  روز چهارم – ساخت اولین شبکه عصبی خود با PyTorch
10:28
  روز چهارم – آزمایش GPT-4o-mini و Claude Opus در مقایسه با شبکه‌های عصبی
11:12
  روز چهارم – آزمایش Gemini 3، GPT-5.1، Claude 4.5 و Grok در پیش‌بینی قیمت
10:31
  روز پنجم – فاین‌تیون مدل‌های پیشرفته OpenAI با فاین‌تیون نظارت‌شده (Supervised Fine-Tuning)
12:59
  روز پنجم – فاین‌تیون GPT-4o Nano با API Open AI برای ساخت مدل‌های سفارشی
09:18
  روز پنجم – فاین‌تیون GPT-4o-mini-nano، اجرای پروژه‌ها و نظارت بر آموزش
09:03
  روز پنجم – نتایج فاین‌تیون وقتی GPT-4o-mini بدتر می‌شود، نه بهتر
09:39
  روز پنجم – وقتی فاین‌تیون مدل‌های پیشرفته شکست می‌خورد و ساخت شبکه‌های عصبی عمیق
09:51
  روز پنجم – نجات شبکه عصبی عمیق: مقایسه 289 میلیون پارامتر با مدل‌های پیشرفته
10:08
هفته هفتم - مدل متن‌باز ریزتنظیم‌شده برای رقابت با مدل Frontier
  روز اول - معرفی QLoRA برای ریزتنظیم مدل‌های متن‌باز
07:44
  روز اول - آموزش LoRA برای LLaMA 3.2 با استفاده از آداپتورهای کم‌رتبه
08:31
  روز اول - تشریح هایپرپارامترهای LoRA و کوانتیزاسیون QLoRA
11:38
  روز اول - راه‌اندازی Google Colab و بررسی معماری مدل LLaMA 3.2
14:35
  روز اول - بارگذاری مدل‌ها با کوانتیزاسیون 8-بیت و 4-بیت با استفاده از QLoRA
10:53
  روز اول - محاسبات پارامترهای LoRA و اندازه مدل در Hugging Face
08:42
  روز دوم - آماده‌سازی مجموعه داده برای Fine-Tuning با محدودیت‌های توکن
10:35
  روز دوم - آماده‌سازی مجموعه داده برای Fine-Tuning با گرد کردن قیمت‌ها و بهینه‌سازی طول توکن
12:28
  روز دوم - آماده‌سازی مجموعه‌های داده Hugging Face و آزمایش مدل پایه LLaMA 3.2
10:33
  روز دوم - مدل‌های پایه در مقابل مدل‌های چت: درک Fine-Tuning LLaMA
11:22
  روز سوم - تنظیمات هایپرپارامترها برای Fine-Tuning با QLoRA و پیکربندی آموزش
11:17
  روز سوم - نرخ یادگیری، بهینه‌سازها و هایپرپارامترهای آموزشی برای LoRA
09:03
  روز سوم - اجرای Fine-Tuning با TRL و مانیتورینگ آموزش در Weights & Biases
09:21
  روز چهارم - مانیتورینگ اجرای Fine-Tuning با Weights & Biases
10:39
  روز چهارم - آموزش کل مجموعه داده در Google Colab با GPU A100 با 800 هزار نمونه داده
10:17
  روز چهارم - مانیتورینگ Training Loss و نرخ یادگیری در Weights & Biases
08:57
  روز چهارم - تحلیل نتایج Weights & Biases و تشخیص برازش بیش از حد
10:31
  روز چهارم - مدیریت اجراها در Weights & Biases و انتخاب بهترین چک‌پوینت‌های مدل
05:40
  روز پنجم - روز نتایج: اجرای استنتاج روی مدل‌های Fine-Tuned و محاسبه Loss
07:35
  روز چهارم – مدیریت اجراها (Runs) در Weights & Biases و انتخاب بهترین چک‌پوینت‌های مدل
05:40
  روز پنجم – روز نتایج: اجرای استنتاج (Inference) روی مدل‌های فاین‌تیون‌شده و محاسبه‌ی لاس (Loss)
07:35
  روز پنجم – خطای کراس‌انتروپی (Cross-Entropy Loss): چگونگی محاسبه‌ی توزیع‌های احتمالی توسط مدل‌های زبانی بزرگ
08:55
  روز پنجم – آزمودن مدل LoRA فاین‌تیون‌شده‌ی ما در مقایسه با GPT-4o Nano
06:42
  روز پنجم – مدل LLaMA 3.2 فاین‌تیون‌شده، GPT-5.1 و مدل‌های مرزی (Frontier Models) را شکست می‌دهد
09:50
هفتهٔ هشتم – ساخت سیستم چندعاملهٔ خودمختار
  روز اول – مقدمه‌ای بر هوش مصنوعی عاملی (Agentic AI) و استقرار سرورلس روی Modal
11:49
  روز اول - طراحی معماری‌های عامل و راه‌اندازی پلتفرم موداال
08:57
  روز اول - اجرای پایتون به‌صورت محلی و در فضای ابری با اجرای از راه دور مودال
10:36
  روز اول - تنظیم اسرار مودال و استقرار مدل‌های LLaMA در فضای ابری
10:22
  روز اول - استقرار مدل‌های با تنظیم دقیق در فضای ابری مودال با ذخیره‌سازی پایدار
14:29
  روز اول- ساخت اولین عامل با هوش مصنوعی مودال بدون سرور
06:18
  روز دوم - ساخت RAG پیشرفته با ChromaDB و مخازن برداری (بدون LangChain)
09:19
  روز دوم - نمایش بردارهای Chroma با t-SNE و ساخت خط لوله RAG
09:54
  روز دوم - RAG با GPT-4o در برابر مدل‌های با تنظیم دقیق: ساخت یک مجموعه از مدل‌ها
09:54
  روز دوم - موفقیت مدل‌های مجموعه‌ای: ترکیب RAG، شبکه‌های عصبی و مودال
10:44
  روز دوم - ساخت و آزمایش یک عامل مجموعه‌ای با فراخوانی‌های چندگانه LLM
04:29
  روز سوم - خروجی‌های ساخت‌یافته با Pydantic و رمزگشایی محدود
07:20
  روز سوم - ساخت اسکنر معاملات با خروجی‌های ساخت‌یافته و Pydantic
09:06
  روز سوم - خروجی‌های ساخت‌یافته برای پارس کردن و ساخت یک عامل اعلان Pushover
12:07
  روز چهارم - ساخت عامل‌های هوش مصنوعی برنامه‌ریز با ارکستراسیون ابزار
07:59
  روز چهارم - ساخت عامل‌های هوش مصنوعی برنامه‌ریز خودمختار با فراخوانی ابزار و GPT-4
08:09
  روز چهارم - ساخت سیستم چندعاملهٔ خودمختار با فراخوانی ابزار و حلقهٔ عامل
10:01
  روز چهارم - ساخت پلتفرم هوش مصنوعی چندمدلی با 34 فراخوان در GPT-5، Claude و OpenAI
02:56
  روز پنجم - نهایی‌سازی جریان کار عامل‌محور و تبدیل شدن به مهندس هوش مصنوعی
03:02
  روز پنجم - ساخت رابط کاربری عامل Price-Is-Right با Gradio و DealAgentFramework
06:16
  روز پنجم - جمع‌بندی دوره و سفر شما به مهندس هوش مصنوعی
09:02

پیش‌نیاز‌ها

- آشنایی با زبان برنامه‌نویسی پایتون (Python): این دوره اصول اولیه پایتون را آموزش نمی‌دهد و تمام تمرینات آن با استفاده از پایتون انجام می‌شود.
- سیستم کامپیوتری: یک رایانه شخصی (PC) با اتصال به اینترنت لازم است (سیستم‌عامل مک، لینوکس یا ویندوز فرقی ندارد).
- هزینه‌های احتمالی: توصیه می‌کنیم مبلغی حدود ۵ دلار برای هزینه‌های API جهت کار با مدل‌های تراز اول (Frontier Models) در نظر بگیرید. با این حال، اگر ترجیح می‌دهید هزینه‌ای نکنید، می‌توانید کل دوره را تنها با استفاده از مدل‌های متن‌باز (Open-Source) نیز تکمیل کنید.

توضیحات دوره

 در ۸ هفته به یک مهندس مدل‌های زبانی بزرگ (LLM) تبدیل شوید: ساخت و استقرار ۸ اپلیکیشن هوش مصنوعی، تسلط بر هوش مصنوعی مولد (Generative AI)، RAG، LoRA و ایجنت‌های هوش مصنوعی.

تسلط بر هوش مصنوعی مولد و مدل‌های زبانی بزرگ (LLM): سفری ۸ هفته‌ای و عملی

با انجام پروژه‌های عملی و واقعی تحت هدایت «اد دانر» (Ed Donner)، متخصص کهنه‌کار این صنعت، مسیر شغلی خود را در حوزه هوش مصنوعی شتاب ببخشید. محصولات پیشرفته هوش مصنوعی مولد بسازید، با بیش از ۲۰ مدل پیشگامانه آزمایش کنید و بر تکنیک‌های به‌روز دنیا مانند RAG، QLoRA و ایجنت‌های هوش مصنوعی (Agents) مسلط شوید.

آنچه در این دوره می‌آموزید:

  • ساخت محصولات پیشرفته هوش مصنوعی مولد با استفاده از مدل‌ها و چارچوب‌های (Frameworks) مدرن.
  • تجربه کار با بیش از ۲۰ مدل هوش مصنوعی تحول‌آفرین، شامل مدل‌های Frontier (تراز اول) و متن‌باز (Open-Source).
  • کسب مهارت در پلتفرم‌های کلیدی مثل HuggingFace، LangChain و Gradio.
  • پیاده‌سازی تکنیک‌های پیشرفته نظیر RAG (تولید با بازیابیِ تقویت‌شده)، QLoRA (تنظیم دقیق مدل) و ایجنت‌های هوش مصنوعی.

ساخت کاربردهای واقعی هوش مصنوعی از جمله:

  • دستیار پشتیبانی مشتری چندرسانه‌ای (Multi-modal) با قابلیت تعامل با متن، صوت و تصویر.
  • کارمند دانش‌آموز (AI Knowledge Worker) با قابلیت پاسخ‌گویی به هر سوالی درباره شرکت بر اساس داده‌های مشترک.
  • برنامه‌نویس هوش مصنوعی با قابلیت بهینه‌سازی نرم‌افزار و افزایش عملکرد تا ۶۰ هزار برابر!
  • اپلیکیشن تجارت الکترونیک با قابلیت پیش‌بینی دقیق قیمت محصولات جدید.
  • گذر از مرحله استنتاج (Inference) به مرحله آموزش و تنظیم دقیق مدل‌های تراز اول و متن‌باز.
  • استقرار محصولات هوش مصنوعی در محیط واقعی (Production) با رابط کاربری حرفه‌ای و قابلیت‌های پیشرفته. 

درباره مدرس

من «اد دانر» هستم؛ کارآفرین و رهبر حوزه هوش مصنوعی و فناوری با بیش از ۲۰ سال تجربه. من هم‌بنیان‌گذار و فروشنده استارتاپ هوش مصنوعی خودم بوده‌ام، استارتاپ دومم را راه‌اندازی کرده‌ام و تیم‌های متعددی را در موسسات مالی سطح بالا و استارتاپ‌های جهانی رهبری کرده‌ام. اشتیاق من، وارد کردن دیگران به این حوزه هیجان‌انگیز و کمک به آن‌ها برای تبدیل شدن به متخصصانی پیشرو در صنعت است.

پروژه‌ها:

- تولیدکننده بروشور هوشمند: که وب‌سایت‌های شرکت‌ها را اسکرپ (Scrape) و تحلیل می‌کند.
- ایجنت پشتیبانی مشتری چندرسانه‌ای: برای یک شرکت هواپیمایی با رابط کاربری و قابلیت فراخوانی توابع (Function-calling).
- ابزار صورت‌جلسه: تبدیل صوت به صورت‌جلسه و تعیین وظایف با استفاده از مدل‌های متن‌باز و بسته.
- مترجم کد: تبدیل کد پایتون به C++ بهینه‌شده با افزایش عملکرد ۶۰ هزار برابری!
- کارمند دانش‌آموز با RAG: تبدیل شدن به متخصص تمام امور شرکت.
- پروژه نهایی (بخش A): پیش‌بینی قیمت محصولات از روی توضیحات کوتاه با استفاده از مدل‌های تراز اول (Frontier).
- پروژه نهایی (بخش B): تنظیم دقیق یک مدل متن‌باز برای رقابت با مدل‌های تراز اول در پیش‌بینی قیمت.
- پروژه نهایی (بخش C): سیستم ایجنت خودکار برای شناسایی تخفیف‌ها و اطلاع‌رسانی خریدهای ویژه.
 
چرا این دوره؟

یادگیری عملی: بهترین راه یادگیری، “انجام دادن” است. شما با ساخت برنامه‌های کاربردی، نتایج خیره‌کننده‌ای رقم می‌زنید.
تکنیک‌های پیشرفته: با یادگیری آخرین ابزارها از رقبا پیشی بگیرید.
محتوای در دسترس: طراحی‌شده برای همه سطوح با دستورالعمل‌های گام‌به‌گام و منابع فراوان.
بدون نیاز به ریاضیات پیشرفته: تمرکز دوره بر کاربرد است؛ برای مهندسی LLM نیازی به جبر خطی یا دیفرانسیل ندارید.
 
ساختار دوره (خلاصه هفته‌ها):

- هفته ۱: مبانی ترنسفورمرها و اولین پروژه (تولید بروشور هوشمند).
- هفته ۲: کار با APIهای تراز اول و ساخت چت‌بات‌های چندرسانه‌ای خدمات مشتری.
- هفته ۳: ورود به دنیای مدل‌های متن‌باز با HuggingFace.
- هفته ۴: انتخاب مدل مناسب و تولید کد (تبدیل پایتون به C++).
- هفته ۵: تسلط بر RAG و پایگاه‌های داده برداری (Vector Datastores).
- هفته ۶: گذار از استنتاج به آموزش (Fine-tuning یک مدل تجاری).
- هفته ۷: تکنیک‌های پیشرفته آموزشی مانند QLoRA.
- هفته ۸: استقرار نهایی، ارتقای قابلیت‌ها با ایجنت‌ها و ورود به بازار کار.

این دوره برای چه کسانی مناسب است؟

- مهندسان هوش مصنوعی و متخصصان داده که مشتاق ورود به دنیای هوش مصنوعی مولد هستند.
- متخصصانی که قصد به‌روزرسانی مهارت‌ها و حفظ رقابت‌پذیری در فضای سریع تغییرات هوش مصنوعی را دارند.
- توسعه‌دهندگانی که علاقه‌مند به ساخت اپلیکیشن‌های پیشرفته با تجربه عملی هستند.
- افرادی که به دنبال تغییر مسیر شغلی یا افزایش بهره‌وری از طریق چارچوب‌های مبتنی بر LLM هستند.

دیدگاه کاربران

5

بر اساس امتیاز 4 دانشجو

1
2
3
4
5

محمد عزیزی

19 روز پیش

5

چقدر دنبال این دوره بودم، مرسی که قرار دادین 🤩

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
آکادمی گرولیآموزش مهارت‌های شغلی
100دوره
48,949دانشجو
1,312نظر و امتیاز

• آکادمی گرولی با هدف توانمندسازی و توسعه‌ی حرفه‌ای افراد فعالیت می‌کند.

• دوره‌های این آکادمی در حوزه‌های شغلی متنوعی مانند هوش مصنوعی، برنامه‌نویسی، نرم‌افزارهای کاربردی، مدیریت محصول، بازاریابی دیجیتال، مهارت‌های نرم و توسعه کسب‌وکار دسته‌بندی می‌شوند.

• این دوره‌ها اکثرا از پرفروش‌ترین آموزش‌های برترین پلتفرم‌های یادگیری دنیا مانند یودمی، لینکدین‌لرنینگ، کورسرا و ریفورج هستند که همگی با زیرنویس فارسی منتشر شده‌اند. همچنین چندی از دوره‌های این آکادمی نیز، به صورت اختصاصی توسط مدرسان معتبر ایرانی تهیه گردیده‌اند.

Ed Donnerهم‌بنیان‌گذار استارتاپ‌های هوش مصنوعی و رهبر حوزه فناوری | مدرس GenAI و مدل‌های زبانی بزرگ (LLM)
3دوره
2,879دانشجو
26نظر و امتیاز

اد دانر یک رهبر فناوری و کارآفرین سریالی در حوزه استارتاپ‌های هوش مصنوعی است. او هم‌بنیان‌گذار و مدیر ارشد فناوری شرکت Nebula است؛ پلتفرمی که با استفاده از هوش مصنوعی مولد و سایر روش‌های یادگیری ماشین، به شناسایی، تحلیل، تعامل و مدیریت استعدادها می‌پردازد. هدف بلندمدت Nebula کمک به افراد برای کشف ظرفیت‌های خود و یافتن مسیر و معنای زندگی‌شان است.

 

پیش از آن، اد بنیان‌گذار و مدیرعامل استارتاپ untapt بود؛ شرکتی فعال در حوزه هوش مصنوعی که به‌عنوان یکی از شرکت‌های منتخب آزمایشگاه نوآوری فین‌تک Accenture معرفی شد و در سال 2021 مورد تملک قرار گرفت. او همچنین سابقه فعالیت به‌عنوان مدیر ارشد در JPMorgan Chase را دارد، جایی که تیمی متشکل از 300 مهندس نرم‌افزار در حوزه فناوری ریسک را در سه قاره رهبری می‌کرد.

 

اد دانر دارای یک پتنت برای موتور تطبیق مبتنی بر یادگیری عمیق است که در سال 2023 ثبت شده و مدرک کارشناسی ارشد فیزیک را از دانشگاه آکسفورد دریافت کرده است.

مهارت‌هایی که می‌آموزید

LLM
ایجنت هوش مصنوعی

دیگر دوره‌های آکادمی گرولی