×
ribbon
مکتب خونه هوش مصنوعیمفاهیم هوش مصنوعیایجنت هوش مصنوعی

آموزش جامع ساخت ایجنت های هوش مصنوعی 2025

مدرس:Udemy

Ed Donnerآکادمی گرولی

دوره جامع مهندسی عامل های هوش مصنوعی (Agentic AI) ۲۰۲۵ یک مسیر شش هفته ای فشرده و کاملاً... بیشتر
پرطرفدار
زیرنویس
4.2 (11)
3 دیدگاه
2,361دانشجو
17ساعت
سرفصل‌ها
متوسط سطح دوره
بروزرسانیشهریور ۱۴۰۴

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

ساخت نماینده دیجیتال برای معرفی شغلی

طراحی و پیاده‌سازی عامل فروش (SDR Agent)

ایجاد یک سیستم تحقیقاتی خودکار با چند عامل

ساخت عامل انتخاب سهام با CrewAI

این دوره شامل:

17 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

6 فصل127 جلسه17 ساعت ویدیو
هفته اول
  روز اول - نمایش نماینده هوش مصنوعی خودگردان با استفاده از N8n برای کنترل دستگاه‌های هوشمند خانه
07:15
  روز اول - توضیح فریم‌ورک‌های نماینده هوش مصنوعی: OpenAI SDK، Crew AI، LangGraph و AutoGen
11:36
  روز اول - راه‌اندازی مهندسی نماینده: آشنایی با محیط توسعه Cursor IDE، UV و گزینه‌های API
11:50
  روز اول - راه‌اندازی ویندوز برای توسعه هوش مصنوعی: Git، محیط توسعه Cursor IDE و مدیر بسته UV
20:54
  روز اول - راه‌اندازی مک برای پروژه‌های هوش مصنوعی: GitHub، محیط توسعه Cursor IDE و کلید API اوپن‌ای‌آی
19:50
  روز اول - ساخت اولین جریان کاری (Workflow) هوش مصنوعی عامل‌محور با استفاده از OpenAI API به‌صورت گام‌به‌گام
17:35
  روز اول - مقدمه‌ای بر هوش مصنوعی عامل‌محور: ساخت جریان‌های کاری چندمرحله‌ای با LLM و ایجاد خودگردانی
01:34
  روز دوم - ساخت نمایندگان مؤثر: توضیح خودگردانی مدل‌های زبان بزرگ (LLM) و یکپارچه‌سازی ابزارها
06:13
  روز دوم - 5 الگوی طراحی ضروری جریان کاری مدل‌های زبان بزرگ (LLM) برای ساخت سیستم‌های هوش مصنوعی مقاوم
08:32
  روز دوم - درک تفاوت بین الگوهای نماینده (Agent) و جریان کاری (Workflow) در طراحی کاربردهای مبتنی بر LLM
06:39
  روز سوم - هماهنگ‌سازی چند مدل زبان بزرگ (LLM): مقایسه GPT-4، Claude، Gemini و DeepSeek
10:16
  روز سوم - یکپارچه‌سازی API چند مدل زبان بزرگ (LLM): مقایسه OpenAI، Anthropic و سایر مدل‌ها
09:47
  روز سوم - مقایسه APIهای مدل‌های زبان بزرگ (LLM) با استفاده از کتابخانه OpenAI Client همراه با Claude، Gemini و دیگران
12:56
  روز سوم - هماهنگ‌سازی چند مدل (Multi-Model Orchestration): ساخت یک سیستم برای ارزیابی پاسخ‌های هوش مصنوعی
10:52
  روز سوم - اتصال الگوهای عامل‌محور به استفاده از ابزارها: بلوک‌های سازنده اساسی هوش مصنوعی
00:35
  روز چهارم - مقایسه فریم‌ورک‌های نماینده هوش مصنوعی: سادگی در مقابل قدرت در هماهنگ‌سازی مدل‌های زبان بزرگ (LLM)
06:29
  روز چهارم - منابع در مقابل ابزارها: دو روش برای افزایش قابلیت‌های مدل‌های زبان بزرگ (LLM) در هوش مصنوعی عامل‌محور
07:45
  روز چهارم - ساخت یک چت‌بات وب که مانند شما رفتار می‌کند با استفاده از Gradio و OpenAI
09:48
  روز چهارم - استفاده از Gemini برای ارزیابی پاسخ‌های GPT-4: یک خط لوله چندمدلی (Multi-LLM Pipeline)
13:15
  روز چهارم - ساخت جریان‌های کاری عامل‌محور با مدل‌های زبان بزرگ (LLM): منابع، ابزارها و خروجی‌های ساختاریافته
01:22
  روز پنجم - ساخت نماینده حرفه‌ای دیجیتال: فراخوانی توابع LLM همراه با هشدارهای پوش (Push Alerts)
08:20
  روز پنجم - رمزگشایی فراخوانی ابزارها در LLM: چگونه درخواست‌های تابع را پردازش و اجرا کنیم؟
05:44
  روز پنجم - ساخت دستیارهای هوش مصنوعی: پیاده‌سازی ابزارهایی برای مدیریت سوالات ناشناخته
02:44
  روز پنجم - ساخت و استقرار یک نماینده هوش مصنوعی: از چرخه گفتگو (Chat Loop) تا HuggingFace Spaces
10:44
  روز پنجم - استقرار چت‌بات‌های گفتگوهای شغلی در Gradio
08:44
  روز پنجم - جمع‌بندی هفته پایه: ساخت نمایندگان کامل هوش مصنوعی با استفاده از APIها و ابزارها
01:35
هفته دوم
  روز اول - درک برنامه‌نویسی ناهمزمان (Async) در پایتون: پایه‌ای برای OpenAI Agents SDK
11:43
  روز اول - مبانی OpenAI Agents SDK: ایجاد، ردیابی و اجرای نمایندگان (Agents)
05:15
  روز اول - مقدمه‌ای بر کلاس‌های Agent، Runner و Trace در OpenAI Agents SDK
08:36
  روز اول - کدنویسی با حس و حال (Vibe Coding): 5 نکته ضروری برای تولید کد بهینه با مدل‌های زبان بزرگ (LLMs)
06:55
  روز اول - OpenAI Agents SDK: درک مفاهیم اصلی برای توسعه هوش مصنوعی
00:16
  روز دوم - ساخت نمایندگان فروش هوش مصنوعی با استفاده از ابزارهای SendGrid و همکاری در Agent SDK
07:26
  روز دوم - فراخوانی همزمان مدل‌های زبان بزرگ (LLM) با استفاده از Asyncio برای اجرای موازی عوامل
09:00
  روز دوم - تبدیل عوامل به ابزارها برای ساخت سیستم‌های هوش مصنوعی سلسله‌مراتبی
06:27
  روز دوم - جریان کنترل عامل: چه زمانی از انتقال کار (handoffs) استفاده کنیم و چه زمانی عوامل را به‌عنوان ابزار به‌کار بگیریم؟
07:47
  روز دوم - از فراخوانی تابع تا خودمختاری عامل: اتوماسیون فروش با استفاده از OpenAI SDK
06:33
  روز دوم - هوش مصنوعی عاملی برای کسب‌وکار: ساخت ابزارهای تعاملی ارتباط فروش
01:01
  روز سوم - یکپارچه‌سازی چندمدلی با استفاده از Gemini، DeepSeek و Grok همراه با عوامل OpenAI
07:46
  روز سوم - پیاده‌سازی محدودیت‌ها و خروجی‌های ساختاریافته برای سیستم‌های عامل هوش مصنوعی قدرتمند
10:11
  روز سوم - ایمنی هوش مصنوعی در عمل: پیاده‌سازی محدودیت‌ها برای برنامه‌های عامل مدل‌های زبان بزرگ (LLM)
05:24
  روز چهارم - ساخت عوامل پژوهشی عمیق: پیاده‌سازی ابزار جستجوی وب OpenAI
08:49
  روز چهارم - ساخت عامل برنامه‌ریز با استفاده از خروجی‌های ساختاریافته و Pydantic در هوش مصنوعی
07:58
  روز چهارم - ساخت یک مسیر پژوهشی جامع با استفاده از عوامل GPT-4 و وظایف ناهمزمان (Async)
10:28
  روز چهارم - ساخت یک عامل پژوهشی عمیق: جستجوهای موازی با AsyncIO
03:55
  روز پنجم - ساخت یک سیستم پژوهشی هوش مصنوعی ماژولار با پیاده‌سازی رابط کاربری Gradio
12:26
  روز پنجم - اپلیکیشن پژوهش عمیق: استفاده از Gradio برای مصورسازی و پایش عوامل خودمختار هوش مصنوعی
03:36
  روز پنجم - استقرار عوامل پژوهشی هوشمند با استفاده از Gradio و HuggingFace Spaces
03:59
هفته سوم
  روز اول - چارچوب Crew AI: ایجاد تیم‌های عوامل هوش مصنوعی همکاری‌محور
06:02
  روز اول - آموزش چارچوب Crew AI: توضیح عوامل، وظایف و حالت‌های پردازش
07:44
  روز اول - چارچوب انعطاف‌پذیر Crew AI و LightLLM برای ادغام چندین مدل زبان بزرگ (LLM)
04:46
  روز اول - آموزش Crew AI: راه‌اندازی پروژه مناظره با GPT-4o mini
09:20
  روز اول - چگونه یک سیستم مناظره هوش مصنوعی با استفاده از Crew AI و چندین مدل زبان بزرگ (LLM) بسازیم؟
12:20
  روز اول - ساخت سیستم‌های مناظره هوش مصنوعی با CrewAI و مقایسه مدل‌های مختلف زبان بزرگ (LLM)
02:07
  روز دوم - ساخت پروژه‌های Crew AI: ابزارها، زمینه‌ها و یکپارچه‌سازی جستجوی گوگل
06:03
  روز دوم - ساخت سیستم‌های پژوهش مالی چندعاملی با Crew AI
10:46
  روز دوم - ارتقاء عوامل هوش مصنوعی با جستجوی وب: حل مشکل قطع دانش (Knowledge Cutoff)
05:44
  روز سوم - ساخت سیستم چندعاملی انتخاب سهام با Crew AI برای سرمایه‌گذاری‌ها
07:10
  روز سوم - آموزش پیاده‌سازی خروجی‌های دقیق در عامل انتخاب سهام Crew AI
08:39
  روز سوم - توسعه ابزار سفارشی برای Crew AI: طرح JSON و اعلان‌های پوش (Push Notifications)
08:49
  روز چهارم - ذخیره‌سازی بردار حافظه Crew AI و پیاده‌سازی SQL برای عوامل هوش مصنوعی
12:14
  روز چهارم - Crew AI برای وظایف برنامه‌نویسی: عوامل تولید و اجرای کد پایتون
08:06
  روز چهارم - ایجاد عامل هوش مصنوعی نویسنده پایتون: پیاده‌سازی عملی با Coda
06:04
  روز پنجم - ساخت تیم‌های هوش مصنوعی: پیکربندی Crew AI برای توسعه همکاری‌محور
10:21
  روز پنجم - توسعه همکاری‌محور عوامل هوش مصنوعی برای چارچوب معاملات سهام
08:09
  18 -Day 5 - Building a Trading Application Using GPT-4 & Claude
08:30
  روز پنجم - از ماژول‌های تکی تا سیستم‌های کامل: تکنیک‌های پیشرفته CrewAI
08:48
هفته چهارم
  روز اول - توضیح LangGraph: معماری مبتنی بر گراف برای عوامل هوش مصنوعی قدرتمند
10:12
  روز اول - توضیح LangGraph: مقایسه چارچوب، استودیو و اجزای پلتفرم
05:43
  روز اول - تئوری LangGraph: اجزای اصلی برای ساخت سیستم‌های پیشرفته عامل‌محور
09:52
  روز دوم - بررسی عمیق LangGraph: مدیریت وضعیت در جریان‌های کاری عامل‌محور مبتنی بر گراف
05:47
  روز دوم - تسلط بر LangGraph: چگونه اشیاء وضعیت را تعریف کنیم و از Reducerها استفاده کنیم؟
07:12
  روز دوم - اصول LangGraph: ایجاد گره‌ها، یال‌ها و جریان‌های کاری به صورت گام‌به‌گام
06:22
  روز دوم - آموزش LangGraph: ساخت یک چت‌بات OpenAI با ساختارهای گراف
03:59
  روز سوم - آموزش پیشرفته LangGraph: توضیح مراحل فوق‌العاده (Super Steps) و نقطه‌بازرسی (Checkpointing)
05:47
  روز سوم - راه‌اندازی Langsmith و ساخت ابزارهای سفارشی برای برنامه‌های LangGraph
06:31
  روز سوم - فراخوانی ابزار در LangGraph: کار با یال‌های شرطی و گره‌های ابزار
11:31
  روز سوم - نقطه‌بازرسی در LangGraph: چگونه حافظه را بین گفتگوها حفظ کنیم؟
08:56
  روز سوم - نقطه‌بازرسی در LangGraph: چگونه حافظه را بین گفتگوها حفظ کنیم؟
08:56
  روز سوم - ساخت حافظه پایدار هوش مصنوعی با SQLite و مدیریت وضعیت در LangGraph
05:57
  روز چهارم - ادغام Playwright با LangGraph: ساخت عوامل هوش مصنوعی برای مرور وب
08:41
  روز چهارم - ساخت دستیاران وب هوش مصنوعی: پیاده‌سازی Playwright، LangChain و Gradio
08:03
  روز چهارم - ایجاد حلقه‌های بازخورد برای مدل‌های زبان بزرگ (LLM): پیاده‌سازی کارگر-ارزیاب در LangGraph
10:28
  روز چهارم - ساخت همراه هوش مصنوعی با استفاده از LangGraph، Gradio و خودکارسازی مرورگر
08:49
  روز پنجم - هوش مصنوعی عاملی: افزودن جستجوی وب، سیستم فایل و محیط اجرای تعاملی پایتون (Python REPL) به دستیار خود
05:34
  روز پنجم - یکپارچه‌سازی ابزارهای LangChain: ساخت یک همراه هوش مصنوعی قدرتمند از پایه
09:59
  روز پنجم - ایجاد جریان‌های کاری هوش مصنوعی: سازندگان گراف و تکنیک‌های ارتباط بین گره‌ها
08:33
  روز پنجم - ایجاد جلسات کاربری جداگانه در اپلیکیشن‌های Gradio با استفاده از مدیریت وضعیت
06:00
  روز پنجم - درون حلقه‌های بازخورد هوش مصنوعی: مشاهده نحوه ارزیابی و اصلاح خطاها توسط هوش مصنوعی
12:15
  روز پنجم - ارتقاء دستیار هوش مصنوعی: حافظه، سوالات شفاف‌سازی و ابزارهای سفارشی
03:46
هفته پنجم
  روز اول - معرفی چارچوب عامل هوش مصنوعی Microsoft Autogen نسخه 0.5.1 برای مبتدی‌ها
07:36
  روز اول - مقایسه AutoGen با سایر چارچوب‌های عامل: ویژگی‌ها و اجزا
05:48
  روز اول - آموزش چت عامل AutoGen: ساخت ابزارها و یکپارچه‌سازی پایگاه داده
09:44
  روز اول - اجزای اصلی هوش مصنوعی: توضیح مدل‌ها، پیام‌ها و عوامل
00:14
  روز دوم - گفتگوی پیشرفته عامل Autogen: ویژگی‌های چندرسانه‌ای و خروجی‌های ساختاریافته
09:27
  روز دوم - پیاده‌سازی عوامل اصلی و ارزیاب در AutoGen با استفاده از Langchain
13:36
  روز دوم - آموزش وب‌کاوی بدون رابط گرافیکی: یکپارچه‌سازی سرور MCP Fetch در AutoGen
08:12
  روز سوم - هسته AutoGen: پایه و اساس ارتباطات توزیع‌شده بین عوامل
05:01
  روز سوم - ارتباط عوامل در هسته Autogen: مدیریت پیام‌ها و ارسال آنها
08:43
  روز سوم - ثبت‌نام عامل و مدیریت پیام در AutoGenCore: مثال‌های عملی
09:04
  روز سوم - عوامل مستقل AutoGenCore: بازی سنگ، کاغذ، قیچی با GPT-4o و Llama
07:28
  روز چهارم - معماری و اجزای زمان اجرای توزیع‌شده Autogen Core به زبان ساده
03:00
  روز چهارم - پیاده‌سازی عوامل هوش مصنوعی توزیع‌شده با AutoGen Core و محیط اجرای gRPC
10:28
  روز چهارم - ساخت سیستم‌های عامل توزیع‌شده: ارتباط بین فرآیندها در AutoGen
04:21
  روز پنجم - ساخت عوامل خودکار که دیگر عوامل را می‌سازند و در AutoGen اجرا می‌کنند
05:03
  روز پنجم - پیاده‌سازی پیام‌رسانی بین عوامل با Autogen Core و قالب‌ها
10:46
  - روز پنجم - ساخت عوامل هوش مصنوعی خودمختار همکاری‌کننده با استفاده از برنامه‌نویسی ناهمزمان (Async) در پایتون
11:44
هفته ششم
  روز اول - مقدمه‌ای بر پروتکل زمینه مدل (MCP): اتصال‌دهنده هوش مصنوعی Anthropic
10:15
  روز اول - توضیح معماری MCP: آشنایی با میزبان‌ها، مشتری‌ها و سرورها
05:48
  روز اول - سرورهای MCP برای مدیریت حساب کاربری: یکپارچه‌سازی با SDK عوامل OpenAI
07:01
  روز اول - بازارهای سرور MCP: دسترسی به هزاران ابزار برای عوامل OpenAI
10:20
  روز دوم - چگونه یک سرور MCP بسازیم: ایجاد مجموعه ابزارهای قابل اشتراک‌گذاری
13:36
  روز دوم - ساخت سرور MCP شخصی: از کد پایتون تا ابزارهای قابل دسترسی برای هوش مصنوعی
08:12
  روز دوم - پیاده‌سازی ابزارهای سفارشی MCP برای مدیریت پورتفولیو با OpenAI
07:01
  روز دوم - چگونه یک کلاینت MCP برای یکپارچه‌سازی ابزارهای OpenAI و Anthropic پیاده‌سازی کنیم؟
09:27
  روز دوم - معماری MCP: ساخت سیستم‌های کلاینت-سرور برای ابزارهای عامل مدل‌های زبان بزرگ (LLM)
08:43
  روز سوم - افزودن حافظه پایدار به عوامل هوش مصنوعی با سرورهای گراف اطلاعات MCP
07:20
  روز سوم - راه‌اندازی APIهای Brave Search و Alpha Vantage با سرورهای MCP
11:15
  روز سوم - راه‌اندازی APIهای داده مالی: کپی و پیکربندی اتصال سرور MCP
09:40
  روز چهارم - ساخت سیستم معاملاتی چندعاملی با به‌اشتراک‌گذاری حافظه و جستجوی وب
07:52
  روز چهارم - همکاری عوامل: تبدیل پژوهشگر به ابزار با استفاده از OpenAI SDK
07:39
  روز چهارم - عوامل معاملاتی با استفاده از ابزار: پیاده‌سازی MCP برای پژوهش در بازار سهام
08:57
  روز چهارم - SDK HSA از OpenAI: توسعه ماژول سیستم معاملاتی چندعاملی
08:43
  روز چهارم - روش‌های پیشرفته: پیاده‌سازی عملکردهای معاملاتی در SDK عوامل OpenAI
06:27
  روز چهارم - ساخت عوامل معاملاتی پایدار: مدیریت خطاها در سیستم‌های هوش مصنوعی مالی
07:55
  روز پنجم - پایان پروژه نهایی: اعلان‌های پوش و تکامل استراتژی برای معامله‌گران هوش مصنوعی
09:34
  روز پنجم - داشبورد معاملات هوش مصنوعی: مصورسازی عملکرد پورتفولیو با Gradio
08:40
  روز پنجم - جمع‌بندی دوره مهندسی هوش مصنوعی عاملی و کاربردهای واقعی آن
10:08

پیش‌نیاز‌ها

  • آشنایی مقدماتی با کامپیوتر و اینترنت
  • صبر و پشتکار در یادگیری مفاهیم جدید
  • آشنایی مقدماتی با پایتون (ترجیحی اما ضروری نیست)
  • دسترسی به لپ‌تاپ/کامپیوتر با امکان اتصال به اینترنت

توضیحات دوره

دوره جامع مهندسی عامل‌های هوش مصنوعی (Agentic AI) ۲۰۲۵ یک مسیر شش‌هفته‌ای فشرده و کاملاً پروژه‌محور است که شما را در مدت کوتاه به یک متخصص در طراحی، ساخت و استقرار عامل‌های خودمختار هوش مصنوعی تبدیل می‌کند.

سال ۲۰۲۵ سال ورود نمایندگان هوش مصنوعی (Agents) به نیروی کار است. این یک لحظه بسیار مهم و تعیین‌کننده برای هوش مصنوعی محسوب می‌شود. اهمیت متخصص بودن در زمینه هوش مصنوعی عامل‌محور هرگز به این اندازه نبوده است. هدف دقیق این دوره همین است: تجهیز شما به مهارت‌ها و تخصص لازم برای طراحی، ساخت و استقرار نمایندگان هوش مصنوعی خودگردان، که فرصت‌های جدید شغلی و تجاری را برای شما باز می‌کند.

این یک برنامه فشرده ۶ هفته‌ای برای تسلط بر هوش مصنوعی عامل‌محور است. ابتدا با ساخت پایه‌های علمی و فنی شروع می‌کنیم و مدل‌های زبان بزرگ را با استفاده از الگوهای طراحی اثبات‌شده به هم متصل می‌کنیم. سپس هر هفته مهارت‌های جدیدی با فریم‌ورک‌های مختلف مانند OpenAI Agents SDK، CrewAI، LangGraph و Autogen یاد می‌گیریم. دوره با یک هفته کامل اختصاص یافته به فرصت‌های شگفت‌انگیز ارائه‌شده توسط MCP به پایان می‌رسد.

مهم‌تر از همه، این دوره کاملاً عملی است. من اعتقاد دارم بهترین راه یادگیری «انجام دادن» است. پس آماده باشید تا آستین‌ها را بالا بزنید! ما ۸ پروژه واقعی خواهیم ساخت؛ برخی شگفت‌انگیز، برخی جذاب و برخی کاملاً غیرمعمول هستند. اما یک چیز قطعی است: همه آن‌ها نمایش‌های قدرتمندی از پتانسیل هوش مصنوعی عامل‌محور برای تحول کامل چشم‌انداز کسب‌وکار هستند.

پس بیایید در این سفر جامع ۶ هفته‌ای همراه من باشید. در پایان، شما در هوش مصنوعی عامل‌محور خبره خواهید شد. به تمام فریم‌ورک‌های اصلی مسلط خواهید بود. به خوبی با نقاط قوت و تله‌های هوش مصنوعی عامل‌محور آشنا خواهید شد. با اطمینان نمایندگان خودگردان را برای حل مشکلات تجاری واقعی به کار خواهید گرفت. و در این مسیر، کلی هم با این فناوری شگفت‌انگیز و پیشگام سرگرم خواهید شد.

 

✅ عناوین آموزشی دوره

  • معرفی Agentic AI و طراحی گردش‌کارهای چندمرحله‌ای
  • اتصال مدل‌های زبانی بزرگ (LLMs) با الگوهای طراحی اثبات‌شده
  • یادگیری و کار با فریم‌ورک‌های OpenAI SDK، CrewAI، LangGraph و AutoGen
  • مدیریت تیم‌های چندعاملی و هماهنگ‌سازی عامل‌ها
  • یکپارچه‌سازی مدل‌های مختلف مانند GPT-4o، Claude، Gemini و DeepSeek
  • ساخت و استقرار عامل‌ها در Docker و HuggingFace Spaces
  • طراحی و پیاده‌سازی سیستم‌های معاملاتی خودکار با MCP

 

✅ مزایای این دوره

  • آموزش کاملاً پروژه‌محور با ۸ پروژه واقعی
  • مناسب برای افراد مبتدی و حرفه‌ای (با یا بدون تجربه برنامه‌نویسی)
  • دسترسی به لابراتوارهای آموزشی خودآموز برای تقویت مهارت‌های پایه
  • یادگیری کاربردی در حوزه‌هایی همچون فروش، تحقیق، سرمایه‌گذاری و مهندسی نرم‌افزار
  • هزینه بسیار کم برای اجرای پروژه‌ها (در صورت استفاده از API کمتر از ۵ دلار)
  • ارتقاء فوری مهارت‌ها برای ورود به بازار کار آینده

 

✅ مخاطبان این دوره

  • علاقه‌مندان به هوش مصنوعی و فناوری‌های نوین
  • برنامه‌نویسان و مهندسان نرم‌افزار که به دنبال ورود به دنیای Agentic AI هستند
  • کارآفرینان و صاحبان کسب‌وکار که به دنبال بهره‌گیری از عامل‌های هوش مصنوعی برای افزایش بهره‌وری‌اند
  • پژوهشگران و علاقه‌مندان به اتوماسیون و تحقیق پیشرفته
  • هر فردی که می‌خواهد در آینده شغلی خود از قدرت عامل‌های هوش مصنوعی استفاده کند

 

✅ سؤالات متداول

آیا نیاز به مهارت برنامه‌نویسی دارم؟

  • ترجیحاً بله، اما الزامی نیست. اگر تازه‌کار هستید، تمارین آموزشی خودآموز شما را آماده می‌کنند.


آیا برای اجرای پروژه‌ها باید هزینه کنم؟

  • خیر. می‌توانید بدون هیچ هزینه‌ای کل دوره را بگذرانید. اما برای استفاده از مدل‌های پیشرفته‌تر، بودجه‌ای کمتر از ۵ دلار کافی است.

 

چقدر زمان لازم است؟

  • این دوره شش هفته‌ای طراحی شده و به‌گونه‌ای است که طی ۳۰ روز می‌توانید بر Agentic AI مسلط شوید.

دیدگاه کاربران

4.2

بر اساس امتیاز 11 دانشجو

1
2
3
4
5

رضا تقی زاده

21 روز پیش

5

بهترین دوره جامع برای ورود به دنیای دستیارهای هوش مصنوعی خودمختار واقعا دوره های دیگه و عالی داره اگه بتونید تمام دوره های ایشون رو در مکتب خونه قرار بدین عالی میشه

سهیل تباوار

3 ماه پیش

5

سلام از سایت مکتبخونه به خاطر دوره هاش واقعا تشکر می کنم این دوره هم خیلی در بحث ai agent کمکم کرد ولی اگه میشه حالا بعد از اینی که اینترنت وصل شد دوره های بیشتری درباره ی AI AGENT ها بزارین مثلا همین دوره ی LLM Engineering خود اقای eddonner و اگه میشه اگه می زارین بیشتر از همین اکادمی udemy و اکادمی گرولی باشه ممنون

محمود نصیری زاده سعداباد

6 ماه پیش

5

! Great course I learnt a lot from this course. But subtiltes are not correct sometimes and should edited or make it better. Actually i saw all the course without subtitle but i checked some of subtiles Thanks Maktabkhooneh for this course Happy Christmas Time M.N

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
Ed Donnerهم‌بنیان‌گذار استارتاپ‌های هوش مصنوعی و رهبر حوزه فناوری | مدرس GenAI و مدل‌های زبانی بزرگ (LLM)
3دوره
2,865دانشجو
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.

آکادمی گرولیآموزش مهارت‌های شغلی
100دوره
48,775دانشجو
1,297نظر 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.

مهارت‌هایی که می‌آموزید

رشته هوش مصنوعی
ایجنت هوش مصنوعی

دوره‌های مشابه

دیگر دوره‌های آکادمی گرولی