×
ribbon

مسترکلاس مهندسی هوش مصنوعی و مدل‌های زبانی بزرگ (LLM)

مدرس:Udemy

Ganesh Ravikumar

پروژه‌های واقعی مبتنی بر مدل‌های زبانی را با معماری RAG و ایجنت‌های هوش مصنوعی بسازید و مستقر کنید.

جدید
زیرنویس
57دانشجو
4ساعت
سرفصل‌ها
پیشرفته سطح دوره
بروزرسانیمرداد ۱۴۰۵
محتوای دوره
سرفصل‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

پیاده‌سازی پروژه‌های واقعی قابل استقرار در هر بخش

آموختن مهندسی عملی پیرامون LangChain و معماری‌های RAG

ساخت و استقرار ایجنت‌های هوش مصنوعی

یادگیری فاین‌تیونینگ مدل‌ها و کار با پایگاه‌های داده برداری

این دوره شامل:

4 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

12 فصل73 جلسه4 ساعت ویدیو
چشم‌انداز مهندسی هوش مصنوعی در سال ۲۰۲۶
  چشم‌انداز مهندسی هوش مصنوعی در سال ۲۰۲۶
06:14
  نحوهٔ عملکرد مدل‌های زبان بزرگ (بدون ریاضیات سنگین)
05:58
  اکوسیستم مدل‌های زبان بزرگ — مرزهای تجاری در برابر متن‌باز
04:34
  راه‌اندازی محیط توسعه
04:29
  مدیریت هزینه و اقتصاد توکن‌ها
04:41
مهندسی پرامپت به‌عنوان یک رشتهٔ تخصصی
  ساختار درونی یک پرامپت
05:37
  تکنیک‌های پیشرفتهٔ پرامپت‌نویسی
06:19
  خروجی ساختاریافته — دریافت همیشگی JSON
03:51
  تزریق پرامپت و مسائل امنیتی
03:39
  آزمون و ارزیابی پرامپت‌ها
02:45
  نسخه‌بندی و مدیریت پرامپت‌ها
03:45
کار با رابط‌های برنامه‌نویسی مدل‌های زبان بزرگ
  بررسی عمیق رابط برنامه‌نویسی OpenAI
06:37
  رابط برنامه‌نویسی آنتروپیک کلود (Anthropic Claude)
04:51
  رابط برنامه‌نویسی گوگل جمینی
05:11
  ساخت رابط یکپارچه برای مدل‌های زبان بزرگ
05:18
  فراخوانی‌های غیرهم‌زمان و هم‌زمان چندگانهٔ API
03:15
  ذخیرهٔ پاسخ و کاهش هزینه‌ها
03:18
  ثبت لاگ، رصدپذیری و رفع اشکال
03:28
پایگاه‌های دادهٔ برداری و توصیف‌های نهفته (امبدینگ)
  امبدینگ‌ها چه هستند؟
05:25
  بررسی عمیق جستجوی تشابه
03:58
  منظرهٔ پایگاه‌های دادهٔ برداری
03:27
  کار عملی با چروما‌دی‌بی (ChromaDB)
02:24
  پاین‌کون برای محیط تولید
02:30
  راهبردهای تقسیم‌بندی محتوا (چانکینگ)
04:22
بازیابی افزوده‌شده برای تولید (RAG)
  چرا RAG؛ مسئله‌ای که حل می‌کند
03:25
  RAG ساده — جریان کاری پایه
03:26
  تکنیک‌های پیشرفتهٔ بازیابی
03:44
  ارزیابی RAG — اندازه‌گیری موارد باارزش
02:37
  RAG با جستجوی هیبریدی
03:25
  RAG اصلاحی و خود-RAG
02:34
  GraphRAG — بازیابی تقویت‌شده با نمودار دانش
03:28
  معماری RAG برای تولید در محیط عملیاتی
00:50
لانگ‌چِین و ارکستراسیون مدل‌های زبان بزرگ
  معماری و فلسفهٔ LangChain
03:52
  زنجیره‌ها و اجزای اجرایی لانگ‌چِین
03:32
  سامانه‌های حافظه برای مدل‌های زبانی
03:00
  بارگیرنده‌های اسناد و تقسیم‌کننده‌های متن
02:33
  بازیاب‌های لانگ‌چِین (LangChain) برای بازیابی اطلاعات
02:35
  تجزیه‌گرهای خروجی و داده‌های ساخت‌یافته
02:34
  معرفی لانگ‌گراف (LangGraph)
04:03
عامل‌های هوش مصنوعی و سامانه‌های عامل‌محور
  عامل‌های هوش مصنوعی چیستند؟
04:11
  استفاده از ابزارها و فراخوانی توابع
03:19
  عامل‌های لانگ‌چِین
02:08
  لانگ‌گراف برای جریان‌های کاری عامل‌محور
02:06
  سامانه‌های چندعاملی با کروای‌ای (CrewAI)
02:56
  سامانه‌های چندعاملی با آتوژن (AutoGen)
01:59
  پروتکل زمینه مدل (MCP — Model Context Protocol)
02:20
  قابلیت‌اعتماد عامل‌ها و الگوهای تولیدی
02:49
فاین‌تیون مدل‌های زبان بزرگ (LoRA و QLoRA)
  چه زمانی فاین‌تیون کنیم (و چه زمانی فاین‌تیون نکنیم)
02:57
  آماده‌سازی داده‌ها برای فاین‌تیون
02:16
  فاین‌تیون در OpenAI
02:02
  LoRA و QLoRA: روش‌ها و کاربردها
02:35
  ارزیابی و تکرار نتایج
02:28
مدل‌های زبان متن‌باز و استقرار محلی
  چشم‌انداز مدل‌های متن‌باز (OSS) برای زبان
02:57
  استفاده محلی از اولاما (Ollama)
02:49
  vLLM برای محیط‌های تولیدی
02:45
  کوانتیزه‌سازی مدل‌ها و کاهش دقت ممیز شناور
02:35
  جریان انتها به انتهای متن‌باز (OSS) در عمل
03:00
LLMOps: تولید، پایش و هزینه‌ها
  LLMOps چیست؟
03:30
  نسخه‌بندی پرامپت‌ها
02:20
  بهینه‌سازی هزینه‌ها
02:30
  قواعد حفاظتی و ایمنی (Guardrails)
02:12
  راهبردهای استقرار
02:01
  آزمایش سامانه‌های مبتنی بر مدل زبان بزرگ
02:00
  ابزارهای LLMOps
01:29

توضیحات دوره

مسترکلاس مهندسی هوش مصنوعی و مدل‌های زبانی بزرگ که ابزارها و فریم‌ورک‌های روز ۲۰۲۶ را پوشش می‌دهد. در این دوره مباحثی مانند LangChain، RAG (بازیابی با کمک حافظه)، ایجنت‌های هوش مصنوعی، فاین‌تیونینگ، پایگاه‌های داده برداری، LLMOps و سرویس‌هایی مانند OpenAI و HuggingFace آموزش داده می‌شوند.

هر بخش شامل یک پروژه قابل استقرار واقعی است؛ دوره فراتر از رابط‌های سادهٔ ChatGPT رفته و روی مهندسی واقعی متمرکز است. مباحث دیگری مانند ارزیابی مدل، بهینه‌سازی هزینه و مسئولیت‌پذیری در هوش مصنوعی نیز پوشش داده می‌شوند. مخاطب دوره کسانی هستند که می‌خواهند مهارت‌های عملی و مهندسی مورد درخواست شرکت‌ها در حوزه RAG، Agents، فاین‌تیونینگ و عملیات مدل‌های زبانی را بیاموزند.

دیدگاه کاربران

5

بر اساس امتیاز 2 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
2دوره
94دانشجو
10نظر و امتیاز
من گانش راوی کومار هستم، تحلیلگر ارشد کسب‌وکار با بیش از بیست سال تجربه در زمینه‌های اتوماسیون انبار، دیجیتالی‌سازی زنجیره تامین و سیستم‌های ERP. پروژه‌های بزرگ مقیاس را در شرکت‌های معتبر همچون Asian Paints، Addverb، Craftman، Reliance، Coca-Cola، UPS Logistics، Saint-Gobain و دیگران با موفقیت رهبری کرده و تحول دیجیتال و اتوماسیون را هدایت کرده‌ام. هدف من به اشتراک‌گذاری دانش عملی و واقع‌گرایانه است تا کار professionals و دانشجویان در فناوری‌های مدرن انبار و زنجیره تامین پیشرفت کنند.
poster

مسترکلاس مهندسی هوش مصنوعی و مدل‌های زبانی بزرگ (LLM)

57دانشجو

دوره‌های مشابه