×
ribbon
مکتب خونه هوش مصنوعیمفاهیم هوش مصنوعیایجنت هوش مصنوعی

مسیر تخصصی مهندسی هوش مصنوعی: دوره جامع ایجنت‌ها و MCP

مدرس:Udemy

سید مصطفی سیدی طاهریEd Donner

AI Engineer Agentic Track: The Complete Agent MCP Course، دوره آموزش AI Engineer Agentic Track: دوره کامل ایجنت... بیشتر
جدید
زیرنویس
بدون امتیاز
6دانشجو
17ساعت
سرفصل‌ها
مقدماتی سطح دوره
بروزرسانیمرداد 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
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

پروژه 1: دوقلوی دیجیتال شغلی؛ ساخت و استقرار ایجنتی که شما را به کارفرمایان آینده معرفی می‌کند.

پروژه 2: ایجنت SDR؛ ساخت نماینده فروش برای نگارش و ارسال ایمیل‌های حرفه‌ای به صورت خودکار.

پروژه 3: تحقیق عمیق؛ ایجاد تیمی از ایجنت‌ها برای انجام تحقیقات گسترده در هر موضوع دلخواه.

پروژه 4: ساخت ایجنت انتخابگر سهام با CrewAI در چند دقیقه و خودکارسازی جستجوی فرصت‌های سرمایه‌گذاری.

این دوره شامل:

17 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

6 فصل131 جلسه17 ساعت ویدیو
هفته اول
  روز اول - نسخه نمایشی عامل هوش مصنوعی خودمختار با استفاده از N8n برای کنترل دستگاه‌های خانه هوشمند
07:15
  روز اول - توضیح چارچوب‌های عامل هوش مصنوعی، OpenAI SDK، Crewai، LangGraph و AutoGen
11:36
  مسیر شما برای تبدیل شدن به یک مهندس ماهر هوش مصنوعی
03:42
  روز اول - راه‌اندازی مهندسی عامل - آشنایی با گزینه‌های Cursor IDE، UV و API
11:50
  روز اول - تنظیمات ویندوز برای توسعه هوش مصنوعی، Git، Cursor IDE و UV Package Manager
20:54
  روز اول - راه‌اندازی مک برای پروژه‌های هوش مصنوعی، گیت‌هاب، IDE مکان‌نما و کلید API OpenAI
19:50
  روز اول - ساخت اولین گردش کار هوش مصنوعی عامل‌گرا با OpenAI API گام به گام
17:35
  روز اول - مقدمه‌ای بر هوش مصنوعی عامل‌گرا، ایجاد گردش‌های کاری چند مرحله‌ای LLM + خودمختاری
01:34
  روز دوم - توضیح خودمختاری و یکپارچه‌سازی ابزار LLM برای ساخت عامل‌های مؤثر
06:13
  روز دوم - 5 الگوی طراحی گردش کار ضروری LLM برای ساخت سیستم‌های هوش مصنوعی قوی
08:32
  روز دوم - درک الگوهای عامل در مقابل الگوهای گردش کار در طراحی برنامه‌های کاربردی LLM
06:40
  روز 3 - هماهنگ‌سازی چندین LLM با مقایسه GPT-4o، Claude، Gemini و DeepSeek
10:16
  روز 3 - ادغام API چند-LLM مقایسه مدل‌های OpenAI، Anthropic و سایر مدل‌ها
09:47
  روز 3 - مقایسه API های LLM با استفاده از کتابخانه کلاینت OpenAI با Claude، Gemini و ++
12:56
  روز 3 - هماهنگی چند مدلی ایجاد سیستمی برای ارزیابی پاسخ‌های هوش مصنوعی
10:52
  روز 3 - اتصال الگوهای عامل به استفاده از ابزار، بلوک‌های سازنده ضروری هوش مصنوعی
00:35
  روز چهارم - مقایسه چارچوب‌های عامل هوش مصنوعی، سادگی در مقابل قدرت در ارکستراسیون LLM
06:30
  روز چهارم - منابع در مقابل ابزارها دو راه برای افزایش قابلیت‌های LLM در هوش مصنوعی عامل‌دار
07:45
  روز چهارم - با استفاده از Gradio و OpenAI یک چت‌بات وب بسازید که مانند شما عمل کند
09:48
  روز 4 - استفاده از Gemini برای ارزیابی پاسخ‌های GPT-4 - یک خط لوله چند-LLM
13:15
  روز چهارم - ساخت گردش‌های کاری LLM عامل‌دار، منابع، ابزارها و خروجی‌های ساختاریافته
01:23
  روز 5 - ساختن شغل خود Alter Ego LLM Function تماس با هشدارهای فوری
08:20
  روز 5 - رمزگشایی از فراخوانی‌های ابزار LLM، نحوه پردازش و اجرای درخواست‌های تابع
05:44
  روز 5 - ساخت دستیاران هوش مصنوعی، پیاده‌سازی ابزارها برای مدیریت سوالات ناشناخته
02:44
  روز 5 - ایجاد و استقرار یک عامل هوش مصنوعی از حلقه چت تا فضاهای HuggingFace
10:44
  روز پنجم - استقرار چت‌بات‌های گفتگوی شغلی در Gradio
08:44
  روز 5 - جمع‌بندی هفته پایه: ساخت عامل‌های کامل هوش مصنوعی با APIها و ابزارها
01:35
  روز 5 [اضافی] - ساخت اولین حلقه عامل خود با ابزارهای OpenAI از ابتدا
13:23
هفته دوم
  روز اول - درک پایتون ناهمگام (Async) بنیاد OpenAI Agents SDK
11:44
  روز اول - اصول اولیه SDK عامل‌های OpenAI - ایجاد، ردیابی و اجرای عامل‌ها
05:15
  روز اول - مقدمه‌ای بر کلاس‌های عامل، اجراکننده و ردیابی در OpenAI Agents SDK
08:36
  روز اول - کدنویسی Vibe 5 نکته ضروری برای تولید کد کارآمد با LLM ها
06:55
  روز اول - OpenAI Agents SDK - درک مفاهیم اصلی برای توسعه هوش مصنوعی
00:17
  روز دوم - ساخت نمایندگان فروش هوش مصنوعی با ابزارهای SendGrid و همکاری در Agent SDK
07:26
  روز 2 - فراخوانی‌های همزمان LLM پیاده‌سازی آسینچو برای اجرای موازی عامل
09:00
  روز دوم - تبدیل عامل‌ها به ابزارها، ساخت سیستم‌های سلسله مراتبی هوش مصنوعی
06:27
  روز 2 - جریان کنترل عامل چه زمانی از Handoffها در مقابل عامل‌ها به عنوان ابزار استفاده کنیم
07:47
  روز دوم - از فراخوانی توابع تا استقلال اپراتور، اتوماسیون فروش با OpenAI SDK
06:33
  روز دوم - هوش مصنوعی عامل‌دار برای کسب‌وکارها - ایجاد ابزارهای تعاملی اطلاع‌رسانی فروش
01:01
  روز 3 - ادغام چند مدلی با استفاده از Gemini، DeepSeek و Groq با عامل‌های OpenAI
07:46
  روز 3 - پیاده‌سازی گاردریل‌ها و خروجی‌های ساختاریافته برای سیستم‌های عامل هوش مصنوعی قوی
10:11
  روز 3 - ایمنی هوش مصنوعی در عمل: پیاده‌سازی گاردریل‌ها برای برنامه‌های کاربردی عامل LLM
05:25
  روز چهارم - ساخت عامل‌های تحقیق عمیق، پیاده‌سازی ابزار جستجوی وب OpenAI
08:49
  روز چهارم - ساخت یک عامل برنامه‌ریز با استفاده از خروجی‌های ساختاریافته با Pydantic در هوش مصنوعی
07:58
  روز چهارم - ساخت یک خط لوله تحقیقاتی سرتاسری با عامل‌های GPT-4 و وظایف ناهمگام
10:28
  روز چهارم - ساخت یک عامل تحقیق عمیق - جستجوهای موازی با AsyncIO
03:55
  روز پنجم - ساخت یک سیستم تحقیقاتی هوش مصنوعی ماژولار با پیاده‌سازی رابط کاربری Gradio
12:26
  روز 5 - اپلیکیشن تحقیقات عمیق Gradio برای تجسم و نظارت بر عامل‌های هوش مصنوعی خودمختار
03:36
  روز 5 - استقرار عوامل تحقیقاتی هوشمند با فضاهای Gradio و HuggingFace
03:59
هفته سوم
  روز اول - چارچوب هوش مصنوعی گروهی ایجاد تیم‌های عامل هوش مصنوعی مشارکتی
06:02
  روز اول - آموزش چارچوب هوش مصنوعی خدمه، عوامل، وظایف و حالت‌های پردازش
07:44
  روز اول - چارچوب انعطاف‌پذیر Crew AI & LightLLM برای ادغام چندین LLM
04:46
  روز اول - آموزش هوش مصنوعی خدمه راه‌اندازی یک پروژه مناظره با GPT-4o mini
09:20
  روز اول - نحوه ایجاد یک سیستم مناظره هوش مصنوعی با استفاده از هوش مصنوعی گروهی و چندین مدرک کارشناسی ارشد مدیریت
12:20
  روز اول - ساخت سیستم‌های مناظره هوش مصنوعی با CrewAI مقایسه LLM های مختلف
02:07
  روز دوم - ابزارهای پروژه‌های هوش مصنوعی گروه سازنده، زمینه و ادغام جستجوی گوگل
06:03
  روز دوم - ساخت سیستم‌های تحقیقات مالی چندعاملی با Crew.ai
10:46
  روز دوم - تقویت عامل‌های هوش مصنوعی با جستجوی وب، حل مشکل قطع دانش
05:44
  روز سوم - ساخت یک سیستم چندعاملی انتخاب سهام با هوش مصنوعی برای سرمایه‌گذاری‌ها
07:10
  روز 3 - پیاده‌سازی خروجی‌های Pydantic در آموزش انتخاب سهام توسط Crew AI Agent
08:39
  روز سوم - توسعه ابزار سفارشی برای هوش مصنوعی خدمه، طرحواره JSON و اعلان‌های فشاری
08:49
  روز چهارم - ذخیره‌سازی برداری حافظه هوش مصنوعی خدمه و پیاده‌سازی SQL برای عامل‌های هوش مصنوعی
12:14
  روز چهارم - هوش مصنوعی گروهی برای وظایف کدنویسی، عواملی که کد پایتون را تولید و اجرا می‌کنند
08:06
  روز چهارم - ایجاد یک عامل هوش مصنوعی با برنامه‌نویسی پایتون - پیاده‌سازی عملی با Crew AI
06:04
  روز 5 - ساخت تیم‌های هوش مصنوعی، پیکربندی هوش مصنوعی تیمی برای توسعه مشارکتی
10:21
  روز 5 - توسعه‌ی مشارکتی عامل هوش مصنوعی برای یک چارچوب معاملات سهام
08:09
  روز پنجم - ساخت یک برنامه معاملاتی با استفاده از GPT-4o و Claude
08:30
  روز 5 - از ماژول‌های تکی تا سیستم‌های کامل، تکنیک‌های پیشرفته هوش مصنوعی خدمه
08:49
هفته چهارم
  روز اول - معماری مبتنی بر گراف LangGraph برای عامل‌های قوی هوش مصنوعی توضیح داده شد.
10:12
  روز اول - مقایسه اجزای فریم‌ورک، استودیو و پلتفرم در LangGraph
05:43
  روز اول - اجزای اصلی نظریه لانگ گراف برای ساخت سیستم‌های عامل پیشرفته.
09:52
  روز دوم - بررسی عمیق LangGraph در مدیریت وضعیت در گردش کارهای عامل مبتنی بر گراف
05:47
  روز دوم - تسلط بر LangGraph نحوه تعریف اشیاء حالت و استفاده از Reducers
07:13
  روز دوم - مبانی LangGraph ایجاد گره‌ها، لبه‌ها و گردش‌های کاری گام به گام
06:23
  روز دوم - آموزش LangGraph ساخت یک چت‌بات OpenAI با ساختارهای گراف
03:59
  روز سوم - آموزش پیشرفته LangGraph، مراحل فوق‌العاده و توضیح نقاط بازرسی
05:47
  روز سوم - راه‌اندازی Langsmith و ایجاد ابزارهای سفارشی برای LangGraph Applications
06:31
  روز سوم - فراخوانی ابزار LangGraph کار با لبه‌های شرطی و گره‌های ابزار
11:31
  روز سوم - بررسی LangGraph چگونه حافظه را بین مکالمات حفظ کنیم
08:56
  روز سوم - ساخت حافظه پایدار هوش مصنوعی با SQLite LangGraph State Management
05:58
  روز چهارم - ادغام نمایشنامه‌نویس با LangGraph ایجاد مرورگر وب با هوش مصنوعی Agents
08:41
  روز چهارم - ایجاد دستیاران وب هوش مصنوعی Playwright، LangChain و Gradio Implementation
08:03
  روز چهارم - عوامل ارزیاب LLM در حال ایجاد حلقه‌های بازخورد با خروجی‌های ساختاریافته
09:16
  روز چهارم - ایجاد حلقه‌های بازخورد LLM، پیاده‌سازی کارگر-ارزیاب در LangGraph
10:28
  روز چهارم - ساخت یک دستیار هوش مصنوعی با استفاده از LangGraph، Gradio و Browser Automation
08:49
  روز پنجم - هوش مصنوعی Agentic جستجوی وب، سیستم فایل و پایتون REPL را به دستیار خود اضافه کنید
05:34
  روز پنجم - ادغام ابزار LangChain ساخت یک دستیار قدرتمند هوش مصنوعی از Scratch
09:59
  روز پنجم - ایجاد گردش کارهای هوش مصنوعی، سازندگان گراف و تکنیک‌های ارتباط گره
08:33
  روز 5 - ایجاد جلسات کاربری ایزوله در برنامه‌های Gradio با استفاده از State Management
06:00
  روز پنجم - درون حلقه‌های بازخورد هوش مصنوعی: بررسی نحوه ارزیابی و اصلاح خطاها توسط هوش مصنوعی
12:15
  روز پنجم - دستیار هوش مصنوعی حافظه را ارتقا می‌دهد، سوالات را شفاف‌سازی می‌کند و ابزارهای سفارشی ارائه می‌دهد
03:46
هفته پنجم
  روز اول - توضیح چارچوب عامل هوش مصنوعی Microsoft Autogen 0.5.1 برای مبتدیان
07:36
  روز اول - مقایسه ویژگی‌ها و اجزای AutoGen در مقابل سایر چارچوب‌های Agentic
05:48
  روز اول - آموزش چت با عامل AutoGen ایجاد ابزارها و یکپارچه‌سازی پایگاه داده
09:44
  روز اول - توضیح مدل‌ها، پیام‌ها و عامل‌های ضروری هوش مصنوعی
00:14
  روز دوم - چت پیشرفته عامل خودکار، ویژگی‌های چندوجهی و خروجی‌های ساختاریافته
09:27
  روز دوم - پیاده‌سازی عامل‌های اولیه و ارزیاب در AutoGen با Langchain
13:36
  روز دوم - آموزش Headless Web Scraping ادغام MCP Server Fetch در AutoGen
08:12
  روز سوم - هسته AutoGen، ستون فقرات ارتباطات عامل توزیع‌شده
05:01
  روز سوم - ارتباط عامل در Autogen Core Message Handlers & Dispatching
08:43
  روز 3 - ثبت عامل AutoGenCore و مدیریت پیام‌ها مثال‌های کاربردی
09:04
  روز سوم - نمایندگان مستقل AutoGenCore، سنگ کاغذ قیچی با GPT-4o و Llama
07:28
  روز چهارم - معماری و اجزای زمان اجرای توزیع‌شده‌ی هسته‌ی اتوژن توضیح داده شد
03:00
  روز چهارم - پیاده‌سازی عامل‌های هوش مصنوعی توزیع‌شده با AutoGen Core و gRPC Runtime
10:28
  روز چهارم - ساخت سیستم‌های عامل توزیع‌شده، ارتباطات بین فرآیندی خودکار
04:22
  روز 5 - ایجاد عامل‌های خودمختار که عامل‌های دیگر را در AutoGen می‌نویسند و مستقر می‌کنند
04:22
  روز 5 - پیاده‌سازی پیام‌رسانی بین عامل‌ها با هسته و قالب‌های Autogen
10:46
  روز 5 - ایجاد عامل‌های هوش مصنوعی خودمختار که با استفاده از پایتون ناهمگام (Async) همکاری می‌کنند
11:44
هفته ششم ـ mcp
  روز اول - معرفی MCP، USB-C هوش مصنوعی Agentic
06:34
  روز اول - آشنایی با میزبان‌ها، کلاینت‌ها و سرورهای MCP
09:18
  روز اول - استفاده از سرورهای MCP با OpenAI Agents SDK
08:06
  روز اول - بررسی سرورهای MCP مبتنی بر گره و دسترسی به ابزار
05:01
  روز اول - ساخت عاملی که از چندین سرور MCP استفاده می‌کند
11:14
  روز اول - بازارهای MCP و ملاحظات امنیتی
02:51
  روز دوم - مقدمه‌ای بر هفته ششم روز دوم ساخت سرور MCP خودتان
04:43
  روز دوم - اتصال منطق تجاری به سرور MCP شما
06:29
  روز دوم - ایجاد کد کلاینت برای استفاده از سرور MCP شما
12:05
  روز دوم - خلاصه قابلیت‌های سرور MCP سفارشی شما
00:20
  روز سوم - بررسی انواع سرورهای MCP و حافظه عامل
08:19
  روز سوم - فراخوانی وب توسط سرور MCP API جستجوی Brave
08:30
  روز سوم - ادغام API چندضلعی برای داده‌های بازار سهام
05:26
  روز سوم - ابزارهای پیشرفته بازار با استفاده از طرح چندضلعی پولی
05:52
  روز چهارم - قدم بعدی راه‌اندازی تالار معاملات نمایندگان ما
07:45
  روز چهارم - مشاهده رابط کاربری برای فعالیت معاملاتی
10:44
  روز چهارم - نحوه عملکرد و تصمیم‌گیری نمایندگان معاملاتی
07:07
  روز چهارم - مدیریت سبد سهام با چهار عامل خودمختار
10:20
  روز پنجم - کدام چارچوب عامل را باید انتخاب کنید
09:10
  روز پنجم - تنظیمات کلیدی و راه‌اندازی سیستم معاملاتی
05:51
  روز پنجم - توصیه‌هایی برای انتخاب چارچوب‌های عامل‌دار
08:27
  روز پنجم - 10 درس ضروری برای ساختن راهکارهای عامل
08:15
  روز پنجم - جمع‌بندی دوره و خداحافظی نهایی - به ساختن ادامه بده!
07:14

توضیحات دوره

AI Engineer Agentic Track: The Complete Agent & MCP Course، دوره آموزش AI Engineer Agentic Track: دوره کامل ایجنت و MCP توسط آکادمی Udemy منتشر شده است.سال 2025 نقطه عطفی برای ورود ایجنت ها به بازار کار است و این لحظه، فصل تازه‌ای در هوش مصنوعی رقم می‌زند.

اکنون بیش از هر زمان دیگری لازم است در Agentic AI متخصص باشید و هدف این دوره دقیقاً همین است: کسب مهارت و تخصص لازم برای طراحی، ساخت و استقرار ایجنت های هوشمند مستقل و باز کردن فرصت های شغلی و تجاری جدید. این برنامه فشرده شش هفته‌ای برای تسلط بر Agentic AI طراحی شده است. ابتدا با ایجاد دانش پایه و اتصال LLMها با الگوهای طراحی اثبات شده شروع می‌کنید و هر هفته با فریم‌ورک‌های جدید مانند OpenAI Agents SDK، CrewAI، LangGraph و Autogen مهارت خود را ارتقا می‌دهید. هفته پایانی به فرصت‌های چشمگیر MCP اختصاص دارد.

این دوره کاملاً عملی است و یادگیری را با انجام پروژه‌های واقعی ممکن می‌کند. در طول دوره 8 پروژه واقعی می‌سازید که هرکدام قدرت و پتانسیل Agentic AI را برای تحول کسب‌وکارها به نمایش می‌گذارند؛ برخی شگفت‌انگیز، برخی جذاب و برخی حتی سورئال هستند. در پایان این مسیر شش هفته‌ای، بر Agentic AI و تمام فریم‌ورک‌های اصلی آن مسلط می‌شوید، نقاط قوت و چالش‌های این فناوری را می‌شناسید و با اعتماد به نفس ایجنت های مستقل را برای حل مسائل واقعی تجاری به کار می‌گیرید؛ ضمن اینکه تجربه‌ای لذت‌بخش با فناوری پیشرو و تحول‌آفرین Agentic AI خواهید داشت.

این دوره برای چه کسانی مناسب است؟

این دوره برای همه علاقه‌مندان به پتانسیل ایجنت‌ها و کسانی که مشتاق یادگیری مهارت ساخت Agentic AI قدرتمند هستند مناسب است. اگرچه برای افراد دارای تجربه برنامه‌نویسی ایده‌آل‌تر است، اما ساختار دوره به گونه‌ای است که همه با هر پیش‌زمینه‌ای می‌توانند از آن بهره‌مند شوند.

دیدگاه کاربران

هنوز امتیاز و دیدگاهی برای این دوره ثبت نشده است

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
سید مصطفی سیدی طاهری
21دوره
1,883دانشجو
115نظر و امتیاز

من  مصطفی  طاهری هستم، مؤسس هم‌رشد.

لیسانس مهندسی پزشکی دارم – نگاه سیستماتیک را از همان جا یاد گرفتم. بعدش MBA از دانشگاه فردوسی مشهد گرفتم تا دید مالی و استراتژیکم کامل شود. اما همه‌ی اینها توی کلاس و کتاب نماند:

۱۰ سال توی بازار طلا و مدیریت مالی جان کندم،

۱۵ سال هم مدیریت مالیِ بیش از ۲۰ فروشگاه زنجیره‌ای را به عهده داشتم.

چیزی که من را از مدرس‌های صرفاً آکادمیک جدا می‌کند این است که هیچ مدلی را تدریس نمی‌کنم مگر اینکه خودم توی بازار واقعی تست کرده باشم.

 

Ed Donnerهم‌بنیان‌گذار استارتاپ‌های هوش مصنوعی و رهبر حوزه فناوری | مدرس GenAI و مدل‌های زبانی بزرگ (LLM)
6دوره
3,741دانشجو
64نظر 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

آموزش GenAI
آموزش LLM
آموزش مهندسی پرامپت
آموزش ایجنت هوش مصنوعی
آموزش مفاهیم هوش مصنوعی
آموزش هوش مصنوعی

دیگر دوره‌های سید مصطفی سیدی طاهری

دیگر دوره‌های Ed Donner