×
ribbon

ابزارهای GenAI و سامانه های چندعامله برای تست نرم افزار

مدرس:Udemy

Karthik KK

در این دوره، ابزارهای GenAI و سامانه‌های چندعامله برای تست نرم‌افزار را به‌صورت کاربردی می‌آموزید.

جدید
زیرنویس
7دانشجو
7ساعت
سرفصل‌ها
متوسط سطح دوره
بروزرسانیمهر ۱۴۰۵
محتوای دوره
سرفصل‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

آشنایی با قدرت LLMها در فرایندهای تست نرم‌افزار

یادگیری تعامل با LLMها از طریق LangChain

ساخت ابزارهای عامل هوش مصنوعی و سامانه‌های چندعامله با LangChain و Ollama

استفاده عملی از عوامل هوش مصنوعی برای ساده‌سازی فرایندهای تست

این دوره شامل:

7 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

12 فصل59 جلسه7 ساعت ویدیو
مقدمه‌ای بر هوش مصنوعی مولد، عامل‌های هوش مصنوعی و سامانه‌های چند‌عاملی
  مقدمه
08:41
  مقدمه‌ای بر هوش مصنوعی مولد
09:17
  عامل‌های هوش مصنوعی چیست؟
08:39
  پروتکل زمینه مدل چیست و نمایش عملی از آن را ببینید
08:38
  سامانه‌های چند‌عاملی چیست؟
08:10
  نمایش عملی سامانه‌های چند‌عاملی
11:46
  چارچوب‌های مختلف برای ساخت عامل‌های هوش مصنوعی و سامانه‌های چند‌عاملی
06:42
اجرای مدل‌های زبانی بزرگ محلی با استفاده از Ollama
  مقدمه
04:01
  درک مدل‌های مختلف هوش مصنوعی
04:36
  اجرای مدل‌های زبانی بزرگ محلی با استفاده از Ollama
07:17
  استفاده از مدل‌های Ollama در رابط کاربری گرافیکی
03:40
  آشنایی با Ollama با چند فرمان رابط خط فرمان اضافی
02:19
  راه‌اندازی Ollama با API برای اجرای آن به عنوان سرور API
04:01
نصب و راه‌اندازی
  مقدمه‌ای بر نصب
09:29
  نصب دفترهای یادداشت جی‌یوپر
08:39
پایه‌گذاری: درک مبانی لانگ چین برای ساخت سامانه‌های آزمایشی نرم‌افزار هوش مصنوعی
  مقدمه‌ای بر لانگ چین
08:08
  گام لانگ چین برای Ollama در تعامل با مدل‌های زبان محلی
10:10
  تعامل با مدل‌های زبان محلی با استفاده از Ollama و لانگ چین
10:00
  جریان پیام با لانگ چین
06:37
  درک قالب‌بندی پرومپت‌ها برای پرومپت‌های قابل استفاده مجدد
13:48
  درک سازوکار زنجیره‌ای در لانگ چین
12:58
  درک زنجیره‌سازی با پارسرهای خروجی
07:13
پایه: خواندن و تجزیهٔ اسناد خارجی
  مقدمه
10:29
  بارگذاری فایل‌های پی‌دی‌اف سند الزامات برای دانش مدل‌های زبان بزرگ
06:13
  ذخیرهٔ مستندات الزامات در آرایه
06:43
  تقسیم اسناد به بخش‌های کوچک‌تر
13:06
پایه: ذخیره‌سازی و بازیابی اسناد از مخازن برداری با مدل‌های زبان بزرگ
  مقدمه
06:50
  ایجاد بردارگذاری اسناد برای ذخیره در مخازن برداری
05:58
  ذخیره داده‌ها در مخازن برداری
04:17
  بازیابی سند از مخازن برداری با استفاده از RetrievalQA
05:37
  بازیابی سند و بررسی این که آیا مدل‌های زبان بزرگ می‌توانند داده‌های دقیق تولید کنند
04:00
پایه: ساخت عامل‌های هوش مصنوعی و ابزارهای کاربردی
  مقدمه
11:19
  عامل هوش مصنوعی ویکی‌پدیا برای جستجوی آنلاین هر داده با مدل‌های زبان محلی
07:40
  ساخت عامل هوش مصنوعی ساده و ابزارهای سفارشی با دانش ریاضی
08:30
  استفاده از ابزارهای متعدد برای عوامل هوش مصنوعی با دانش ریاضی
05:09
ساخت عامل هوش مصنوعی برای استخراج وب با کیت ابزار پلی‌رایت
  مقدمه
03:46
  راه‌اندازی کیت ابزار پلی‌رایت با لانگ‌چین
05:03
  دریافت همه ابزارهای موجود در کیت ابزار پلی‌رایت
07:00
  کار با ابزارهای کیت ابزار پلی‌رایت برای ناوبری و استخراج عناصر رابط کاربری
05:54
  ساخت عامل هوش مصنوعی برای استخراج وب با ابزارهای پلی‌رایت
07:19
ساخت پارسر لاگ سفارشی همراه با عامل هوش مصنوعی با رویکرد بازآوری
  مقدمه
08:49
  ساخت ابزار تحلیل لاگ ساده برای عامل هوش مصنوعی ما
05:28
  افزودن ابزارهای سفارشی بیشتر همراه با ابزار تحلیل لاگ
03:41
  اجرای عامل هوش مصنوعی با ابزار پارسر لاگ سفارشی
07:15
  وارد کردن رویکرد بازآوری و تولید به پارسر لاگ برای ذخیرهٔ لاگ‌ها در مخازن برداری
05:07
  ایجاد ابزار با عامل هوش مصنوعی همراه با تولید با بازیابی برای تحلیل لاگ‌ها
07:27
ایجاد عامل هوش مصنوعی مولّد موارد آزمون
  مقدمه
02:45
  ابزار مولّد موارد آزمون برای عامل هوش مصنوعی
07:44
  اجرای عامل مولّد موارد آزمون با مدل‌های زبان بزرگ محلی
08:50
  استفاده از دو مدل زبان بزرگ برای عوامل و ابزارها به منظور اجرای هم‌زمان
05:44
  استفاده از مدل گوگل جمینی به جای مدل‌های زبان محلی با اولاما
12:30
  نوشتن ویژگی‌های گردآوری الزامات از ابزار خارجی در کد فعلی ما
06:08
  اجرای عامل مولّد موارد آزمون با نیازهای گردآوری‌شده از فایل پی‌دی‌اف
05:16

توضیحات دوره

این دوره به صورت عملی، ساخت عامل‌های قدرتمند هوش مصنوعی و ابزارهای چندعامله را برای جریان‌های کاری تضمین کیفیت نرم‌افزار به کمک LangChain و AutoGen آموزش می‌دهد. در این دوره با اصول کار با مدل‌های زبانی بزرگ در تست نرم‌افزار آشنا می‌شوید، نحوه تعامل با LLMها از طریق LangChain را یاد می‌گیرید و چگونگی استفاده از LLMهای محلی با Ollama برای ساخت ابزارهای عامل با LangChain را می‌آموزید. همچنین به ساخت عوامل هوش مصنوعی، سامانه‌های چندعامله و ابزارهای مربوط به تست نرم‌افزار خواهیم پرداخت و نشان خواهیم داد چگونه این عوامل می‌توانند فرایندهای تست نرم‌افزار را ساده و کارآمد کنند.

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
1دوره
7دانشجو
من کارثیک کی کی هستم. من در حوزه مشاوره، بلاگ‌نویسی و پژوهش درباره ابزارها و فناوری‌های گوناگون که علاقه‌ام را برمی‌انگیزند فعالیت می‌کنم. بیش از بیست سال است که در زمینه تست اتوماسیون نرم‌افزار فعالیت می‌کنم و علاقه‌ام به یادگیری چیزهای جدید که امکان اتوماسیون را فراهم می‌کند هرگز کاهش نیافته است. به دلیل شور و اشتیاقم به تست اتوماسیون، به طور کامل با ابزارها و زبان‌هایی مانند هوش مصنوعی و یادگیری ماشین آشنا شدم: ساخت ابزار برای Playwright MCP Server، LangChain، DeepEval، RAGAs، HuggingFace، و تنظیم دقیق LLMs. دسکتاپ و وب: Cypress، Selenium، Specflow، Puppeteer، Plawright، UFT، VS Code UI، Ranorex، Test Complete و Cucumber. موبایل: Appium، Robotium، Calabash، Espresso، Selendroid. زبان‌ها: C#، Java، Ruby، PowerShell، JavaScript، VBScript. ابزارهای ابری: Azure، Docker. سایر ابزارها: Mockito، Rest-assured، Bound-Box، FluentAutomation. علاقه‌مند به MVC، Entity Framework، LINQ، Fakes، توسعه توزیع‌شده، SAAS و سیستم‌ رویداد-محور.
poster

ابزارهای GenAI و سامانه های چندعامله برای تست نرم افزار

7دانشجو

دوره‌های مشابه