×
ribbon
مکتب خونه هوش مصنوعیهوش مصنوعی برای برنامه‌نویسیMLOps

مهندس هوش مصنوعی میدانی (AI FDE)

مدرس:Udemy

Ed Donnerآکادمی پرو پرمیوم

نقشه راه جامع برای تبدیل شدن به FDE و معمار هوش مصنوعی؛ همراه با مهندسی بستر اجرای عامل‌ها (Agent Harness)، فریم‌ورک و..

جدید
زیرنویس
14دانشجو
21ساعت
سرفصل‌ها
مقدماتی سطح دوره
بروزرسانیآبان ۱۴۰۵
محتوای دوره
سرفصل‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

شناسایی مهارت‌های کلیدی معمار هوش مصنوعی و مهندس استقرار میدانی (AI FDE): ترسیم نقشه راه جامع فنی و حرفه‌ای برای ورود و تثبیت موقعیت در این نقش‌ها.

تسریع فرایند تحویل با ابزار Claude Code و چرخه حیات توسعه عامل‌ها (ADLC): پیاده‌سازی سریع راه‌حل‌ها هم‌زمان با حفظ مسئولیت‌پذیری، نظارت و کیفیت کد.

به‌کارگیری مهندسی بستر اجرا (Harness Engineering): ساخت و آزمون عامل‌ها با فریم‌ورک‌های LangChain، Deep Agents و کیت توسعه نرم‌افزار Claude Agent SDK.

تصمیم‌گیری استراتژیک در انتخاب LLM: مقایسه مدل‌های پیشرو (Frontier)، متن‌باز (Open-Source) و محلی بر مبنای هوشمندی، سرعت، هزینه توکن و الزامات حریم خصوصی داده‌ها.

این دوره شامل:

21 ساعت ویدئو

12 جلسه متنی

12 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

3 فصل120 جلسه21 ساعت ویدیو
1 - هفته اول: تبدیل شدن به مهندس هوش مصنوعی
  1. منابع دوره شامل لینک گیت‌هاب و اسلایدها
00:04
  1. روز اول: لذت فوری با OpenRouter و مدل‌های زبانی رایگان
10:11
  1. روز دوم: آزمون مدل‌های زبانی پیشرو و ایجنت‌ها
00:04
  2. روز اول: حل یک ماز توسط LLM، فراخوانی ابزار و پیاده‌سازی حلقه ایجنت از صفر
07:50
  2. روزهای 3 و 4: آزمون ایجنت‌های برنامه‌نویسی، مدل‌های متن‌باز و هزینه توکن
00:05
  3. روز اول: نقشه راه 3 هفته‌ای از مهندس هوش مصنوعی تا معمار هوش مصنوعی و FDE
11:53
  4. روز اول: مهندس استقرار مستقیم (FDE) چیست؟ از پلنتیر تا OpenAI
05:31
  5. روز اول: مهارت‌ها، ابزارها و تجربیات مورد نیاز برای تبدیل شدن به AI FDE
07:19
  6. روز اول: آماده‌سازی محیط روی ویندوز و مک؛ VS Code، گیت، Node و uv
07:46
  7. روز اول: کلون کردن مخزن UnderCover، اجرای uv sync و تنظیم فایل env
12:38
  8. روز اول: اجرای ایجنت حل ماز به صورت محلی در VS Code و مدیریت هزینه‌های API
11:33
  9. روز دوم: مرور روز اول و برنامه‌ریزی امروز برای مدل‌های پیشرو و ایجنت‌ها
03:59
  10. روز دوم: از GPT تا ChatGPT؛ ترفندها، توکن‌ها، پنجره‌های زمینه و هزینه‌های API
17:00
  11. روز دوم: مقایسه مدل‌های زبانی پیشرو، تحلیل مصنوعی، مرز پارتو و METR
17:52
  12. روز دوم: ایجنت هوش مصنوعی چیست؟ فراخوانی ابزار، مهار (Harness) و چارچوب‌های ایجنت
14:00
  13. روز دوم: معرفی UnderCover؛ پروژه دوره و پایلوت ایجنت ادعا
07:47
  14. روز دوم: آمادگی آزمایشگاه؛ Chat Completions، خروجی‌های ساختاریافته و create_agent در LangChain
10:33
  15. روز دوم: بررسی داده‌های ادعای UnderCover و تصمیمات هندلرها
15:24
  16. روز دوم: تست GPT-6 Luna، Gemini 3.5 Flash Lite، GPT-6 Sol و Jev روی ادعاها
18:26
  17. روز دوم: ساخت ایجنت ادعا با استفاده از create_agent و ابزارهای LangChain
13:52
  18. روز سوم: استفاده از ایجنت‌های کدنویسی مانند Claude Code برای ساخت یک ایجنت
04:07
  19. روز سوم: Vibe Coding، اکوسیستم ایجنت‌های کدنویسی و ظهور Claude Code
09:38
  20. روز سوم: انتخاب و نصب یک ایجنت کدنویسی؛ Claude Code، Codex یا OpenCode
08:15
  21. روز سوم: مدیریت ایجنت کدنویسی خود؛ بررسی فایل AGENTS.md و حالت‌های دسترسی
12:57
  22. روز سوم: روش‌های کاری Claude Code، پروتکل MCP و سرور Playwright MCP
09:45
  23. روز سوم: دو معنای ADLC و تور در خلاصه پروژه UnderCover
15:55
  24. روز سوم: ایمن‌سازی مخزن؛ لینترها، بررسی نوع، تست‌ها و قلاب Pre-Commit
08:01
  25. روز سوم: برنامه‌ریزی Claude Code برای پایلوت UnderCover در فازهای مختلف با معیارهای موفقیت
09:49
  26. روز سوم: تست پایلوت ساخته شده توسط Claude Code و اجرای ایجنت روی 25 ادعا
14:14
  27. روز چهارم: مبانی استنتاج؛ GPU، حافظه VRAM، حافظه یکپارچه و پهنای باند حافظه
06:56
  28. روز چهارم: مدل‌های اختصاصی (Proprietary) و متن‌باز؛ حریم خصوصی، هزینه و امنیت
13:57
  29. روز چهارم: مدل‌های متراکم (Dense) در مقابل Mixture of Experts (MoE) و پارامترهای فعال
09:00
  30. روز چهارم: کوانتیزاسیون، GGUF، Safetensors و نحوه خواندن نام یک مدل
11:24
  31. روز چهارم: Ollama، LM Studio، vLLM و انتخاب سخت‌افزار برای اجرای محلی مدل‌ها
12:47
  32. روز چهارم: نصب Ollama و گفتگو با Qwen 3.5 و Gemma 4 روی کامپیوتر شخصی
10:49
  33. روز چهارم: مسیریابی ارائه‌دهنده OpenRouter، قیمت‌گذاری توکن و هزینه به ازای هر ادعا
12:44
  34. روز چهارم: تست DeepSeek، Kimi K3، GLM، MiMo، Nemotron و Mistral روی ادعاها
14:16
  35. روز چهارم: مقایسه Ollama، OpenRouter و Cerebras از نظر دقت، هزینه و سرعت
18:07
  36. روز پنجم: مرور مدل‌های متن‌باز در مقابل اختصاصی، تقطیر (Distillation) و هزینه توکن
06:39
  37. روز پنجم: مهندسی Harness، مهندسی زمینه و خود-بهبودیافتگی بازگشتی
13:53
  38. روز پنجم: ساخت یا خرید Harness ایجنت؛ LangChain، Deep Agents یا Claude Agent SDK
06:48
  39. روز پنجم: آزمایشگاه Claims Desk؛ پیکربندی Claude Agent SDK با یک زیر-ایجنت
11:19
  40. روز پنجم: اجرای Claude Agent SDK و سپس Deep Agents روی DeepSeek V4.1 Flash
11:42
  41. روز پنجم: انتخاب شاخه و برنامه‌ریزی برای Harness پروژه UnderCover با Claude Code
09:48
  42. روز پنجم: ساخت و اجرای Harness ایجنت UnderCover با بررسی کد انسانی
09:28
  43. روز پنجم: بازسازی (Refactor) Harness، بهبود فرآیند و تکمیل هفته اول
08:37
  44. برگه خلاصه هفته اول FDE
00:03
  45. برگه خلاصه هفته اول FDE (فارسی)
00:01
هفته دوم: تبدیل شدن به معمار هوش مصنوعی
  ارزیابی کوییزهای هفته دوم، MCP، وضعیت پایدار و ازدحام‌های عاملی (Agent Swarms)
00:05
  روز اول: خوش‌آمدگویی به هفته دوم و مرور هفت بخشِ چارچوب عامل هوشمند
04:13
  روز اول: سه تله‌ای که باید در طراحی معماری عامل هوشمند از آن‌ها اجتناب کرد
16:21
  روز اول: چه زمانی از زیر-عامل‌ها (Sub-Agents) استفاده کنیم و جایگاه منطق کسب‌وکار در کد کجاست
09:52
  روز اول: ارزیابی عامل‌ها، مدل زبانی به عنوان قاضی، ماتریس درهم‌ریختگی، دقت و یادآوری (Precision and Recall)
15:59
  روز اول: امتیازدهی به عامل بررسی دعاوی، هزینه اشتباهات و ضریب کاپای کوهن
08:17
  روز اول: مشاهده‌پذیری عامل با Langfuse Traces، آزمایش‌ها و راه‌اندازی حساب کاربری
11:01
  روز اول: ردیابی یک عامل LangChain در Langfuse برای دعاوی پیچیده‌تر در پروژه UnderCover
09:51
  روز اول: امتیازدهی به عامل پایه با استفاده از Langfuse Datasets و run_experiment
09:56
  روز اول: منطق کسب‌وکار در ابزار پرداخت و مقایسه آزمایش‌ها در Langfuse
09:55
  روز دوم: RAG چگونه کار می‌کند؟ امبدینگ‌ها، پایگاه‌داده‌های برداری و جستجوی معنایی
12:53
  روز دوم: RAG عاملی (Agentic RAG)، زیر-عامل‌های تحقیقاتی و ارتباط عامل با عامل
10:51
  روز دوم: ارزیابی‌های بازیابی و زمان مناسب برای استفاده از RAG، RAG عاملی یا تنظیم دقیق (Fine-Tuning)
11:42
  روز دوم: معماری MCP، میزبان‌ها، کلاینت‌ها، سرورها، stdio و پروتکل Streamable HTTP
15:04
  روز دوم: پارامترهای سرور MCP، سرورهای راه دور، کاربردهای رایج و نقاط قوت و ضعف
12:41
  روز دوم: حافظه کوتاه‌مدت و بلندمدت عامل و دعاوی بسیار پیچیده‌تر
09:36
  روز دوم: RAG عاملی روی MCP، فراهم کردن حافظه بلندمدت برای عامل با Qdrant
09:06
  روز دوم: مقایسه عامل UnderCover با و بدون حافظه در Langfuse
12:30
  روز سوم: اجرای پایدار (Durable Execution) برای عامل‌های هوش مصنوعی و معرفی LangGraph
10:38
  روز سوم: مبانی LangGraph، وضعیت (State)، گره‌ها، یال‌های ثابت و شرطی
11:03
  روز سوم: کاهنده‌ها (Reducers) در LangGraph، گام‌های فوقانی، چک‌پوینت‌ها و تردها
10:43
  روز سوم: انسان در حلقه (Human in the Loop)، متد interrupt در LangGraph و طراحی گامِ دخالت انسانی
07:23
  روز سوم: راه‌اندازی پایگاه‌داده رایگان Supabase Postgres و سرور Supabase MCP
10:58
  روز سوم: از create_agent در LangChain تا نوشتن گره‌های اختصاصی در LangGraph
11:41
  روز سوم: توقف برای تایید، کرش کردن کرنل و ازسرگیری یک دعوی از Supabase
13:02
  روز سوم: برنامه‌ریزی برای ساختِ پایدار با Claude Code و سرور Supabase MCP
09:29
  روز سوم: اجرای نسخه پایدار UnderCover، تایید داشبورد، پرداخت‌ها و ردیابی‌ها
11:18
  روز چهارم: تفاوت بین تیم‌های عاملی، ازدحام‌های عاملی (Agent Swarms) و ناوگان‌های عاملی
13:58
  روز چهارم: توزیع‌کننده (Dispatcher) در LangGraph بدون Fan-out مدل زبانی، محدودیت نرخ و تلاش‌های مجدد
05:43
  روز چهارم: ساخت توزیع‌کننده با max_concurrency جایگزین و RetryPolicy
11:15
  روز چهارم: اجرای ازدحامی از 5 عامل رسیدگی به دعاوی روی GPT-6 Luna و ردیابی آن در Langfuse
08:31
  روز چهارم: امتیازدهی به ازدحام در Langfuse و مقایسه 5 عامل با 25 عامل
10:27
  روز چهارم: افزودن ازدحام عامل‌های رسیدگی به دعاوی و تابلو امتیازات ارزیابی به UnderCover
13:41
  روز پنجم: مدل زبانی به عنوان قاضی، پاسخ‌های مرجع و مدل تصمیم‌گیری Jev
09:46
  روز پنجم: طراحی عامل بهبوددهنده (Improver Agent) و برنامه‌ریزی ورود به سیستم با Supabase Auth
07:35
  روز پنجم: تست Jev به عنوان قاضی و ساخت یک عامل قابل پیکربندی رسیدگی به دعاوی
10:17
  روز پنجم: اندازه‌گیری نویز و ساخت عامل بهبوددهنده با استفاده از انسان در حلقه
10:45
  روز پنجم: اجرای بهبوددهنده، اصلاح دستورالعمل (Recipe) آن و راه‌اندازی Supabase Auth
14:05
  روز پنجم: Claude Code قابلیت خود-اصلاحی و ورود به سیستم Supabase را در UnderCover پیاده‌سازی می‌کند
08:59
  روز پنجم: اجرای سه دور بهبود روی داشبورد و تکمیل هفته دوم
09:42
  برگه خلاصه هفته دوم FDE
00:03
  برگه خلاصه هفته دوم FDE (فارسی)
00:02
3 - هفته سوم: تبدیل شدن به یک مهندس توسعه‌دهنده هوش مصنوعی (AI FDE)
  1. روز اول: نقش‌آفرینی با مدیر ریسک و انطباق UnderCover
00:04
  4. آزمون هفته سوم: خودمختاری، امنیت، بافتار و استقرار در محیط عملیاتی
00:04
  85. روز اول: خوش‌آمدگویی به هفته سوم و پنج مرحله چرخه عمر توسعه ایجنت
10:52
  86. روز اول: نقش FDE در چرخه عمر و اولویت‌بندی موارد استفاده هوش مصنوعی در فاز کشف
10:15
  87. روز اول: معماری سیستم برای ایجنت‌های هوش مصنوعی و سه روش میزبانی یک ایجنت
09:09
  88. روز اول: حاکمیت پروژه‌های هوش مصنوعی، خودمختاری ایجنت و مدیریت چندین ایجنت
10:08
  89. روز اول: هوش مصنوعی مسئولانه، حریم خصوصی در مدل‌های زبانی (LLM)، پاسخگویی، انتقال و پذیرش
12:06
  90. روز اول: شش گام راه‌اندازی AWS و مسئولیت شما در قبال هزینه‌های ابری
14:05
  91. روز اول: افتتاح حساب AWS، فعال‌سازی MFA، ایجاد بودجه و کاربر IAM
13:38
  92. روز اول: پیکربندی AWS CLI و بررسی تنظیمات AWS از طریق پایتون با کتابخانه boto3
06:33
  93. روز دوم: ریسک‌های امنیتی ایجنت‌های هوش مصنوعی، محیط‌های ایزوله (Sandbox)، دامنه‌های API و تزریق پرامپت
11:03
  94. روز دوم: مثلث مرگبار برای ایجنت‌های هوش مصنوعی و چهار نوع حفاظ امنیتی (Guardrails)
09:06
  95. روز دوم: دروازه‌های API، MCP و مدل، و نگاهی اجمالی به AWS Bedrock AgentCore
12:52
  96. روز دوم: چگونه AgentCore Gateway رابط‌های برنامه‌نویسی را به ابزارهای MCP تبدیل کرده و سیاست‌های Cedar را بررسی می‌کند
10:26
  97. روز دوم: شناسایی تزریق پرامپت با بررسی کلمات کلیدی و مدل در LangChain
17:28
  98. روز دوم: آماده‌سازی UnderCover برای کلیدهای API AWS، گاردریل‌ها و OpenAPI توسط Claude Code
10:46
  99. روز دوم: راه‌اندازی برای استقرار در AWS؛ مقایسه boto3، کنسول، Terraform و CDK
10:24
  100. روز دوم: استقرار اپلیکیشن UnderCover در AWS Lambda با استفاده از Function URL و کلید API
08:05
  101. روز دوم: ایجاد AgentCore Gateway، فراخوانی ابزارهای MCP و افزودن یک سیاست Cedar
09:55
  102. روز دوم: اعمال سیاست Cedar، بررسی CloudWatch و حذف Gateway
07:03
  103. روز سوم: لایه بافتار سازمانی (Enterprise Context Layer)؛ مهندسی بافتار، Atlan و گارتنر
11:05
  104. روز سوم: محصولات لایه بافتار، استراتژی‌های حافظه AgentCore و فضای نام‌ها (Namespaces)
12:05
  105. روز سوم: یکپارچه‌سازی‌های سازمانی؛ سیستم‌های ثبت، دسترسی‌ها و دروازه‌های MCP
08:20
  106. روز سوم: افزودن ابزارهای Gateway، لایه بافتار و حافظه به UnderCover توسط Claude Code
06:06
  107. روز سوم: استقرار لایه بافتار به عنوان یک سرور MCP روی AWS Lambda با احراز هویت IAM
09:20
  108. روز سوم: دو مقصد Gateway، سیاست Cedar، جستجوی بافتار و حافظه AgentCore
10:03
  109. روز سوم: بازیابی ادعای قبلی یک مشتری بازگشتی با حافظه AgentCore
13:23
  110. روز چهارم: ایجنت‌ها در محیط عملیاتی؛ پیکربندی، رمزها و محیط‌های اجرایی مدیریت‌شده
08:37
  111. روز چهارم: رابط خط فرمان (CLI) AgentCore؛ ایجاد، استقرار و فراخوانی یک نمونه Hello World روی AWS
13:06
  112. روز چهارم: بررسی کد یک ایجنت LangGraph و اجرای محلی آن با دستور agentcore dev
10:06
  113. روز چهارم: استقرار در محیط اجرایی AgentCore و ازسرگیری یک ادعای متوقف‌شده در نشست جدید
12:36
  114. روز چهارم: قابلیت Send Back در Claude Code و تبدیل ایجنت به یک اپلیکیشن AgentCore
09:29
  115. روز چهارم: استقرار ایجنت UnderCover در محیط اجرایی AgentCore و اجرای همزمان 25 ایجنت
11:34
  116. روز چهارم: انسان در حلقه (Human in the Loop) در محیط اجرایی AgentCore؛ تایید و بازگرداندن یک ادعا
07:58
  117. روز پنجم: پروژه پایانی؛ یک ایجنت کمک‌خلبان (Copilot) برای مسئولین رسیدگی به ادعاها
06:26
  118. روز پنجم: ساخت Copilot با Claude Code و ایجاد حافظه اختصاصی برای هر مسئول رسیدگی
09:23
  119. روز پنجم: گراف LangGraph مربوط به Copilot و دو ایجنت در محیط اجرایی AgentCore
07:54
  120. روز پنجم: گفتگوی انتقال، معیارهای موفقیت و تکلیف شما
10:20
  121. روز پنجم: پاکسازی نهایی؛ حذف UnderCover از AWS و بررسی هزینه‌ها
06:38
  122. روز پنجم: مهارت‌های شما، موقعیت‌های شغلی FDE، گام‌های بعدی و تکمیل دوره
10:49
  123. برگه خلاصه هفته سوم FDE
00:03
  124. برگه خلاصه هفته سوم FDE (فارسی)
00:02

توضیحات دوره

این دوره نقشه راه جامع ۳ هفته‌ای شما برای تبدیل شدن به یک FDE حرفه‌ای است.

طراحی و ساخت این دوره برای من یک لذت ناب و تمام‌عیار بود. تک‌تک دقایق تولید آن را دوست داشتم و امیدوارم شما نیز به همان اندازه از آن لذت ببرید. من جذاب‌ترین و داغ‌ترین سرفصل‌های حال حاضر هوش مصنوعی را گلچین کرده‌ام و آن‌ها را در قالب ۳ هفته پربار از آزمایشگاه‌های عملی (Hands-on Labs)، محتوای فشرده و پروژه‌های واقعی سازماندهی کرده‌ام.

من تمام مباحثی را که این روزها سرخط اخبار هوش مصنوعی هستند پوشش داده‌ام:

  • مهندسی بستر اجرا و ارزیابی عامل‌ها (Harness Engineering)
  • استنتاج محلی (Local Inference)، مدل‌های رایگان و مدل‌های تصمیم‌گیری (مانند Jev)
  • تیم‌های عاملی، خوشه‌ها (Agent Swarms) و ناوگان‌های ایجنتیک (Agent Fleets)
  • ابزارهای Claude Agent SDK و LangChain Deep Agents
  • چرخه حیات توسعه سامانه‌های عاملی (ADLC)؛ متدولوژی بومی هوش مصنوعی برای چرخه توسعه نرم‌افزار (SDLC)
  • خودبهبوددهی بازگشتی (Recursive Self-Improvement)

من بیش از ۳۰۰ شرح شغلی (Job Description) مربوط به موقعیت FDE را تحلیل کرده‌ام تا پرتقاضاترین مهارت‌ها از دید کارفرمایان را مشخص کنم:

  • مدیریت پایداری وضعیت (Durable State) و مداخله انسانی (Human-in-the-Loop) با LangGraph
  • درگاه‌های هوش مصنوعی (AI Gateways) و لایه‌های زمینه سازمانی (Enterprise Context Layers)
  • هوش مصنوعی مسئولانه (Responsible AI) شامل امنیت و گاردریل‌ها (Guardrails)
  • استقرار عامل‌ها در محیط عملیاتی (Production) روی بستر AWS Bedrock AgentCore
  • ارائه نتایج ملموس و قابل‌اندازه‌گیری به مشتریان با ابزارهای ارزیابی (Evals) و مشاهده‌پذیری (Observability)

در طول این ۳ هفته، یک محصول تجاری مبتنی بر خوشه‌های عاملی (Agent Swarms) توسعه خواهیم داد که با LangGraph طراحی شده و روی AgentCore مستقر می‌شود. این عمیق‌ترین و کاربردی‌ترین پروژه‌ای است که تاکنون در دوره‌های خود ارائه داده‌ام؛ پروژه‌ای پایانی (Capstone) که استانداردهای واقعی سطح سازمانی (Enterprise Grade) را به‌طور عملی نشان می‌دهد.

ما از برخی APIهای غیررایگان استفاده می‌کنیم، اما در تمام بخش‌ها جایگزین‌های کاملاً رایگان نیز در نظر گرفته شده است؛ بنابراین اگر تمایلی نداشته باشید، نیازی نیست حتی یک سنت برای APIهای هوش مصنوعی هزینه کنید.

این دوره برای تمامی سطوح مهارتی طراحی شده و برای هر فردی نکته‌ای ارزشمند دارد. اگر در کار با مدل‌های زبانی بزرگ (LLMs) و برنامه‌نویسی تازه‌کار هستید، هفته اول برای شما یک دوره فشرده (Crash Course) فوق‌العاده خواهد بود. اگر مهندس باسابقه هوش مصنوعی هستید، ویدیوهای روزهای ابتدایی را با دور تند (2X) تماشا کنید؛ مباحث خیلی زود وارد فازهای تخصصی و بسیار چالش‌برانگیز می‌شوند.

این دوره یک مزیت ویژه و اختصاصی هم دارد: خودِ من! من همیشه در بخش پرسش و پاسخ (Q&A) یودمی پاسخگوی شما هستم. خیلی از افراد شک می‌کنند که شاید من یک ایجنت هوش مصنوعی باشم چون بسیار سریع پاسخ می‌دهم؛ اما به شما اطمینان می‌دهم که خود من به عنوان یک انسان پاسخ می‌دهم! من واقعاً از پاسخ دادن به سؤالات لذت می‌برم، بنابراین با مطرح کردن پرسش‌هایتان لطف بزرگی به من می‌کنید.

اگر تصمیم دارید در این مسیر با من همراه شوید، همین حالا یک کار مشخص انجام دهید: تقویم خود را باز کنید و یک رویداد جدید برای ۳ هفته آینده از امروز ثبت کنید؛ با این عنوان: «تبریک می‌گویم - من اکنون یک مهندس استقرار میدانی (FDE) هستم».

شما را داخل دوره خواهم دید؛ ۳ هفته بسیار فشرده و پر از یادگیری پیش رو داریم.

این دوره برای چه کسانی مناسب است:

  • علاقه‌مندان به ورود به مسیرهای شغلی مهندس استقرار میدانی هوش مصنوعی (AI FDE)، معمار هوش مصنوعی (AI Architect) یا معمار سیستم‌های عاملی (Agentic Architect).
  • افرادی که قصد دارند از هوش مصنوعی و سامانه‌های عاملی برای حل مسائل دنیای واقعی به شکلی دقیق و قابل‌اندازه‌گیری استفاده کنند.
  • علاقه‌مندان به مهندسی بستر ارزیابی (Harness Engineering)، معماری Agentic RAG، خوشه‌های عاملی (Agent Swarms)، پایداری وضعیت (Durable State)، لایه‌های زمینه سازمانی و محیط‌های اجرای ایجنت (Agent Runtimes).

*** توجه ***

هزینه‌ها

- تجربه معمول دوره در مجموع حدود ۱۰ دلار هزینه API به صورت اعتبار در OpenRouter دارد. در سراسر دوره جایگزین‌های رایگان وجود دارد، هرچند ممکن است با مدل‌های رایگان به صبر و حوصله بیشتری نیاز داشته باشید. اگر بودجه کافی دارید، با ۲۰ دلار یا بیشتر می‌توانید به زیرساخت پروداکشن و داده‌های تست بیشتری دسترسی پیدا کنید.

- از روز سومِ هفته اول، ابزار Claude Code نیازمند اشتراک Claude Pro یا اعتبار API است و OpenCode به همراه OpenCode Zen جایگزین رایگان آن محسوب می‌شود. به عنوان راهی دیگر، دستورالعمل‌هایی برای git checkout در هر نقطه وجود دارد تا بتوانید از کدی که من تولید کرده‌ام استفاده کنید و از هرگونه هزینه Coding Agent اجتناب نمایید. مسیر AWS در - هفته سوم نیازمند یک حساب AWS متصل به کارت بانکی است و Render جایگزین رایگان آن است.

- مدل‌های رایگان در OpenRouter به ۵۰ درخواست در روز محدود هستند. به محض اینکه ۱۰ دلار اعتبار خریداری کنید، این محدودیت به ۱,۰۰۰ درخواست در روز افزایش می‌یابد. جزئیات بیشتر در مستندات OpenRouter قرار دارد.

دیدگاه کاربران

5

بر اساس امتیاز 1 دانشجو

1
2
3
4
5

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

ضمانت بازگشت وجه

کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.

مهلت درخواستتا ۱۵ روز پس از خرید دوره
میزان مشاهدهکمتر از ۲۰ درصد یا ۵ جلسه از دوره
Ed Donnerهم‌بنیان‌گذار استارتاپ‌های هوش مصنوعی و رهبر حوزه فناوری | مدرس GenAI و مدل‌های زبانی بزرگ (LLM)
8دوره
5,418دانشجو
202نظر 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.

آکادمی پرو پرمیومپایان مرزهای زبانی برای دسترسی هوشمند و بومی به برترین آموزش‌های جهان
23دوره
1,162دانشجو
121نظر و امتیاز

پرو پرمیوم با هدف فراهم‌کردن دسترسی فارسی‌زبانان به آموزش‌های باکیفیت، به‌روز و استاندارد جهانی فعالیت می‌کند.
ما آموزش‌های بین‌المللی را صرفاً ترجمه نمی‌کنیم؛ بومی‌سازی می‌کنیم. با استفاده از آخرین تکنولوژی ها و مهندسی محتوا، دوره‌ها را برای تجربه‌ای روان، تخصصی و قابل‌فهم به زبان فارسی آماده می‌کنیم؛ از ترجمه و زیرنویس تخصصی و توضیحات دوره گرفته تا HTML، متن، فایل‌های تمرینی و سایر منابع همراه دوره.
برای هر دوره واژه‌نامه تخصصی و یکپارچه ایجاد می‌شود تا اصطلاحات و مفاهیم تخصصی در سراسر محتوا با دقت و ثبات حفظ شوند و اجزای مختلف دوره در قالب یک بسته یادگیری یکپارچه در اختیار مخاطب قرار گیرند.
 

 چشم انداز آکادمی پرو پرمیوم | PRO PREMIUM:

ایجاد دسترسی گسترده فارسی‌زبانان به دوره‌های آموزشی منتخب از Udemy، Coursera و دیگر پلتفرم‌های معتبر آموزشی جهان در طیف گسترده‌ای از حوزه‌های علمی، فنی، حرفه‌ای و مهارتی است.
از محتوای جهانی تا تجربه یادگیری بومی. هدف ما این است که مرز زبان مانعی برای دسترسی به بهترین آموزش‌های جهان نباشد.
 

درباره بنیان‌گذار | سجاد ثریا

فعال در حوزه هوش مصنوعی، علم داده ، آموزش و مهندسی سیستم‌ها.
تمرکز من بر ساخت سیستم‌های هوشمند برای تولید، بومی‌سازی و بهبود تجربه یادگیری است.
سوابق و مدارک تخصصی:
دارای گواهینامه‌های حرفه‌ای (Professional Certificates) متعدد از دانشگاه هاروارد (HarvardX) از جمله:
• علوم کامپیوتر برای هوش مصنوعی (Computer Science for Artificial Intelligence)
• علم داده (Data Science)
• پایتون برای علم داده و یادگیری ماشین (Python for Data Science and Machine Learning)
• پایتون برای علم داده و یادگیری عمیق (Python for Data Science and Deep Learning)
• علوم کامپیوتر برای برنامه‌نویسی پایتون (Computer Science for Python Programming)
• علوم کامپیوتر برای علم داده (Computer Science for Data Science)
• علوم کامپیوتر برای برنامه‌نویسی وب (Computer Science for Web Programming)
• علوم کامپیوتر برای امنیت سایبری (Computer Science for Cybersecurity)
دستاوردهای حرفه‌ای و تخصص‌های کلیدی:
مدرس رسمی دانشگاه هاروارد در ایران
معماری و توسعه پلتفرم‌های هوشمند برای بومی‌سازی و تولید محتوای آموزشی بین‌‌المللی.
تسلط عمیق بر هوش مصنوعی و معماری‌های نوین از جمله پیاده‌سازی و آموزش مدل‌های زبانی بزرگ (LLMs)، سیستم‌های RAG و توسعه معماری‌های چندعاملی (Multi-agent).
رهبری تحول دیجیتال در صنایع کلان: تدوین استراتژی، طراحی نقشه راه تحول دیجیتال و معماری سرفصل‌های آموزشی تخصصی برای صنایع پیچیده و مقیاس‌بزرگ نظیر نفت و گاز.

مهارت‌هایی که می‌آموزید

آموزش Cloud
آموزش GenAI
آموزش LLM
آموزش MLOps
آموزش هوش مصنوعی برای برنامه‌نویسی
آموزش هوش مصنوعی
poster

مهندس هوش مصنوعی میدانی (AI FDE)

14دانشجو

دوره‌های مشابه

دیگر دوره‌های Ed Donner

دیگر دوره‌های آکادمی پرو پرمیوم