×
ribbon

آموزش جامع هوش مصنوعی 2026: Agentic AI، پرامپت نویسی، هوش مولد و RL

مدرس:Udemy

آکادمی گرولیHadelin de Ponteves

ساخت سیستم‌های AI با Agentic AI، هوش مصنوعی مولد، مهندسی پرامپت، AWS و Python

جدید
زیرنویس
4.2 (43)
23 دیدگاه
920دانشجو
17ساعت
سرفصل‌ها
مقدماتی تا پیشرفته سطح دوره
بروزرسانیشهریور ۱۴۰۵
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

آشنایی با مفاهیم و مبانی نظری هوش مصنوعی (Artificial Intelligence)

ساخت 12 سیستم هوش مصنوعی برای کاربردها و مسائل مختلف دنیای واقعی

یادگیری مهندسی پرامپت (Prompt Engineering) و تکنیک‌های طراحی پرامپت‌های مؤثر

آشنایی با هوش مصنوعی مولد (Generative AI) و تولید تصویر (Image Generation)

این دوره شامل:

17 ساعت ویدئو

20 جلسه متنی

5 سؤال سنجش و یادگیری

27 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

24 فصل141 جلسه17 ساعت ویدیو
خوش آمدید به دوره!
  کدها، داده‌ها و فایل‌های PDF را اینجا دریافت کنید!
00:23
  چگونه اولین چت‌بات هوش مصنوعی خود را با AWS PartyRock (بدون نیاز به کدنویسی) بسازیم؟
05:54
بخش 1 - مهندسی پرامپت
  خوش آمدید به بخش اول - مهندسی پرامپت
00:21
  مهندسی پرامپت و قالب‌های پرامپت
03:18
  تکنیک‌های مهندسی پرامپت
04:25
  مهندسی پرامپت (کار عملی): بخش اول - چهار عنصر یک پرامپت (خوب)
04:59
  مهندسی پرامپت (کار عملی): بخش دوم - قالب‌های پرامپت
03:30
  پارامترهای استنتاج
05:20
  پارامترهای تولید خروجی (کار عملی)
07:45
بخش 2 - هوش مصنوعی مولد
  خوش آمدید به بخش دوم - هوش مصنوعی مولد
00:36
  مبانی هوش مصنوعی مولد
03:35
  هوش مصنوعی مولد برای تولید تصویر
04:12
  مروری بر مدل‌های پایه
03:14
  چرخه عمر Foundation Modelها
03:45
  انتخاب داده
03:14
  انتخاب Foundation Model
03:33
  Training در مقابل Inference
04:47
  پنجره زمینه
01:46
  توکن‌ها و جاسازی‌ها
05:12
  ترنسفورمرها
03:37
  آموزش Foundation Modelها
02:08
  Fine-Tuning مدل‌های پایه
04:02
  Fine-Tuning مدل پایه — آموزش عملی، نسخه کوتاه
07:59
  Fine-Tuning مدل پایه — آموزش عملی، نسخه بلند
00:18
  ارزیابی Foundation Modelها
03:33
  Retrieval-Augmented Generation یا RAG
01:43
  RAG — آموزش عملی، نسخه کوتاه
06:42
  RAG — آموزش عملی، نسخه بلند
00:19
بخش 3 - هوش مصنوعی عاملی
  خوش آمدید به بخش سوم - هوش مصنوعی عامل‌محور
00:12
  عامل‌های هوش مصنوعی (AI Agents)
01:38
  ساخت یک عامل هوش مصنوعی مبتنی بر ابر برای کمک به کسب‌وکار، کاملاً از صفر!
00:56
بخش 4 - مبانی یادگیری تقویتی
  خوش آمدید به بخش چهارم - مبانی یادگیری تقویتی
00:53
درک Q-Learning
  مبانی یادگیری عمیق: توضیح شبکه‌های عصبی و توابع فعال‌سازی
04:04
  یادگیری تقویتی چگونه کار می‌کند — راهنمای مقدماتی روش‌های آموزش هوش مصنوعی
11:26
  معادله Bellman در یادگیری تقویتی: مقدمه‌ گام به گام
18:25
  از State Values تا برنامه‌های بهینه (Optimal Plans): معادله بلمن در تصمیم‌گیری هوش مصنوعی
02:12
  فرآیندهای تصمیم‌گیری مارکوف در یادگیری تقویتی: راهنمای کامل
16:27
  آموزش یادگیری تقویتی: سیاست بهینه در مقابل برنامه‌های ثابت در تصمیم‌گیری هوش مصنوعی
12:55
  Living Penalty در یادگیری تقویتی: بهینه‌سازی تصمیم‌گیری عامل هوش مصنوعی
09:47
  Q-Learning در یادگیری تقویتی: از V-Valueها تا Q-Valueها
14:46
  تفاوت زمانی (Temporal Difference) در Q-Learning: راهنمای کامل برای یادگیری تقویتی
19:27
  آزمون 1
05:00
پیاده‌سازی Q-Learning
  پیاده‌سازی Q-Learning برای بهینه‌سازی فرآیند
00:56
بخش 5 - Deep Q-Learning
  به بخش پنجم خوش آمدید - Deep Q-Learning
00:47
درک Deep Q-Learning
  مبانی یادگیری عمیق: شبکه‌های عصبی و توابع فعال‌سازی
02:17
  Deep Q-Learning در مقابل Q-Learning سنتی: تفاوت‌های کلیدی
15:15
  Deep Q-Learning چگونه کار می‌کند: شبکه‌های عصبی و یادگیری تقویتی
06:06
  بازپخش تجربه (Experience Replay) در Deep Q-Learning: چگونه کار می‌کند و چرا اهمیت دارد
15:45
  Q-Learning: راهنمای الگوریتم‌های انتخاب Action با Epsilon-Greedy و Softmax
16:23
پیاده‌سازی Deep Q-Learning
  کدها را اینجا دریافت کنید
00:12
  گام 1 - راه‌اندازی محیط Deep Q-Learning: از جیمیل تا آموزش Lunar Lander
06:59
  گام 2 - راه‌اندازی Google Colab: آموزش Deep Q-Learning برای Lunar Lander
06:24
  گام 3 - معماری PyTorch DQN: ساخت مغز هوش مصنوعی برای Lunar Lander اوپن‌ای‌آی
06:24
  گام 4 - Deep Q-Learning با PyTorch: پیاده‌سازی Forward Method در شبکه‌های عصبی
08:23
  گام 5 - پیکربندی پارامترهای محیط LunarLander-v2 برای آموزش DQN
05:45
  گام 6 - هایپرپارامترهای DQN: راهنمای تنظیم نرخ یادگیری (Learning Rate) و بافر بازپخش (Replay Buffer)
03:55
  گام 7 - پیاده‌سازی حافظه بازپخش تجربه (Experience Replay Memory) در DQN با پایتون
02:44
  گام 8 - متد Push در DQN: افزودن تجربیات (Experienceها) به بافر حافظه بازپخش (Replay Memory Buffer)
03:07
  گام 9 - کدنویسی نمونه‌برداری حافظه (Memory Sampling) در DQN: آموزش بازپخش تجربه (Experience Replay) در PyTorch
08:17
  گام 10 - آموزش DQN: مقداردهی اولیه Q-Networkها، بهینه‌ساز (Optimizer) و بافر حافظه بازپخش
07:39
  گام 11 - متد Step در DQN: ذخیره Experienceها و یادگیری از آن‌ها در پایتون
07:35
  گام 12 - انتخاب Action در DQN: از پردازش حالت (State) تا پیاده‌سازی سیاست (Policy)
08:59
  گام 13 - آموزش Deep Q-Network : پیاده‌سازی روش یادگیری (Learn Method) در یادگیری تقویتی
08:55
  گام 14 - پیاده‌سازی Deep Q-Network: متد به‌روزرسانی نرم (Soft Update) برای آموزش پایدار
06:47
  گام 15 - ساخت اولین عامل هوش مصنوعی: آموزش Deep Q-Network یا DQN
02:09
  گام 16 – استراتژی Epsilon-Greedy: مقداردهی اولیه‌ی هایپرپارامترهای آموزش هوش مصنوعی
05:38
  گام 17 - حلقه آموزش Deep Q-Learning: راهنمای کامل Lunar Lander
09:39
  گام 18 – مصورسازی آموزش DQN: پیاده‌سازی ردیابی پویای امتیاز
20:26
  گام 19 - مصورسازی Deep Q-Learning: فرود موفق Lunar Lander توسط هوش مصنوعی
05:19
  ChatGPT در مقابل DQN سفارشی: مقایسه پیاده‌سازی‌های یادگیری عمیق تقویتی
05:44

پیش‌نیاز‌ها

- آشنایی با ریاضیات در سطح دبیرستان
- آشنایی مقدماتی با برنامه‌نویسی پایتون

توضیحات دوره

هوش مصنوعی را به‌صورت عملی یاد بگیرید و با ترکیب Agentic AI، هوش مصنوعی مولد، مهندسی پرامپت، مدل‌های زبانی بزرگ و یادگیری تقویتی، سیستم‌های هوشمند واقعی بسازید.

این دوره شما را با مجموعه‌ای از مهم‌ترین و جدیدترین مفاهیم هوش مصنوعی (Artificial Intelligence) آشنا می‌کند؛ از مهندسی پرامپت (Prompt Engineering) و هوش مصنوعی مولد (Generative AI) گرفته تا هوش مصنوعی عاملی (Agentic AI)، مدل‌های زبانی بزرگ (LLMs) و الگوریتم‌های پیشرفته یادگیری تقویتی (Reinforcement Learning).

آموزش‌ها ترکیبی از توضیح مفاهیم و پیاده‌سازی عملی هستند و در طول دوره، با استفاده از PyTorch ،Python و AWS پروژه‌های مختلف هوش مصنوعی را از ابتدا ایجاد می‌کنید.

مباحث اصلی دوره

دوره در ۱۰ بخش اصلی ارائه می‌شود:

۱. مهندسی پرامپت (Prompt Engineering): ساختار پرامپت، تکنیک‌های طراحی پرامپت، Prompt Templates و پارامترهای استنتاج
۲. هوش مصنوعی مولد (Generative AI): مدل‌های پایه (Foundation Models)، Embeddings ،Tokens ،Transformers ،Fine-Tuning و ارزیابی مدل‌ها
۳. RAG: ساخت برنامه‌های مبتنی بر تولید تقویت‌شده با بازیابی (Retrieval-Augmented Generation)
۴. هوش مصنوعی عاملی (Agentic AI): آشنایی با AI Agentها و ساخت عامل هوشمند ابری برای کاربردهای کسب‌وکار
۵. یادگیری تقویتی: Q-Learning و Deep Q-Learning
۶. Deep Convolutional Q-Learning: آموزش هوش مصنوعی برای انجام بازی‌هایی مانند Pac-Man
۷. A3C: الگوریتم Asynchronous Advantage Actor-Critic و پیاده‌سازی عملی آن
۸. PPO و SAC: آموزش مدل‌های Proximal Policy Optimization و Soft Actor-Critic برای خودروهای خودران
۹. مدل‌های زبانی بزرگ (LLMs): نحوه تولید متن، Context Window، پارامترهای مدل و Fine-Tuning
۱۰. هوش مصنوعی مسئولانه (Responsible AI): Guardrails، ریسک‌های حقوقی، تفسیرپذیری مدل‌ها و ابزارهای AWS

ساخت ۱۲ پروژه هوش مصنوعی

یکی از نقاط قوت دوره، تمرکز زیاد بر پیاده‌سازی عملی است. در طول آموزش، ۱۲ سیستم هوش مصنوعی مختلف می‌سازید، از جمله:

  • ساخت ChatBot با شخصیت و سبک گفتاری مشخص
  • تولیدکننده فیلمنامه با استفاده از Prompt Engineering
  • ساخت LLM سفارشی با Databricks ،Amazon Bedrock و Hugging Face
  • ساخت برنامه Generative AI مبتنی بر RAG
  • ساخت AI Agent برای کمک به فعالیت‌های کسب‌وکار
  • بهینه‌سازی فرایندها با Q-Learning
  • آموزش مدل Deep Q-Learning برای فرود روی ماه
  • آموزش AI برای بازی Pac-Man
  • آموزش مدل A3C در محیط Kung Fu
  • ساخت مدل‌های PPO و SAC برای شبیه‌سازی خودروی خودران
  • Fine-Tuning مدل Llama با Hugging Face برای ساخت یک چت‌بات آموزشی در حوزه اصطلاحات پزشکی

برخی از این پروژه‌ها در AWS و برخی دیگر با Python و PyTorch پیاده‌سازی می‌شوند.

مدل‌های تکمیلی

پس از تکمیل دوره، سه پروژه و مدل اضافه نیز در اختیار شما قرار می‌گیرد:

  • DDPG (Deep Deterministic Policy Gradient)
  • Full World Model
  • Evolution Strategies و Genetic Algorithms

این مدل‌ها در پروژه‌هایی مرتبط با خودروهای خودران و Humanoid مورد استفاده قرار می‌گیرند و برای هرکدام ویدیوی آموزشی، فایل PDF و کد Python ارائه می‌شود.

همچنین یک دوره تکمیلی سه‌ساعته درباره LLM ،Generative AIها و Cloud Computing نیز به‌عنوان محتوای اضافه در اختیار دانشجویان قرار می‌گیرد.

رویکرد آموزشی دوره

در این دوره، کدنویسی از یک صفحه خالی آغاز می‌شود و مراحل پیاده‌سازی به‌صورت گام‌به‌گام انجام می‌شوند تا علاوه بر نحوه نوشتن کد، دلیل استفاده از هر بخش را نیز درک کنید.

برای اجرای پروژه‌ها عمدتاً از Google Colab استفاده می‌شود؛ بنابراین نیازی به نصب و پیکربندی پیچیده کتابخانه‌ها ندارید. همچنین برای پروژه‌ها، قالب‌های آماده کد Python در فرمت‌های py. و ipynb. در اختیار شما قرار می‌گیرد.

تمرکز آموزش‌ها صرفاً بر تئوری و فرمول‌های پیچیده نیست؛ بلکه هدف این است که ابتدا درک شهودی مناسبی از مفاهیم AI پیدا کنید و سپس آن‌ها را در پروژه‌ها و مسائل واقعی به کار ببرید.

دیدگاه کاربران

4.2

بر اساس امتیاز 43 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
آکادمی گرولیآموزش مهارت‌های شغلی
121دوره
73,810دانشجو
8,416نظر 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.

4دوره
12,579دانشجو
245نظر و امتیاز

هادلین یک کارآفرین آنلاین است که بیش از ۳۰ دوره آموزشی برتر در حوزه‌های فناوری نوین مانند هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، بلاک‌چین و رمزارزها به جهان ارائه کرده است. او با اشتیاق به دنبال انتقال این دانش به مردم جهان و کمک به هرچه بیشتر افراد است. تاکنون بیش از ۲ میلیون نفر در دوره‌های آموزشی او ثبت‌نام کرده‌اند.

poster

آموزش جامع هوش مصنوعی 2026: Agentic AI، پرامپت نویسی، هوش مولد و RL

920دانشجو
4.2(43)

دوره‌های مشابه

دیگر دوره‌های آکادمی گرولی

دیگر دوره‌های Hadelin de Ponteves