×
ribbon

دوره مهندسی هوش مصنوعی: استقرار LLM و AI Agent در محیط واقعی (Production)

مدرس:Udemy

آکادمی گرولیEd DonnerLignecy Academy

استقرار هوش مصنوعی روی AWS، GCP، Azure و Vercel با MLOps، Bedrock، SageMaker، RAG، ایجنت ها و MCP؛... بیشتر
بدون امتیاز
0دانشجو
19ساعت
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
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

استقرار و انتشار اپلیکیشن‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) در محیط عملیاتی (Production) روی Vercel، AWS، Azure و Google Cloud Platform با استفاده از Clerk

یکپارچه‌سازی با Amazon Bedrock و SageMaker و توسعه راهکارهای هوش مصنوعی با GPT-5، Claude 4، مدل‌های متن‌باز (Open Source)، AWS Nova و Hugging Face

طراحی و ارائه راهکارهای هوش مصنوعی در سطح سازمانی (Enterprise) که مقیاس‌پذیر، امن، قابل پایش، قابل توضیح، قابل مشاهده و مجهز به مکانیزم‌های کنترلی (Guardrails) باشند

طراحی معماری‌های ابری با استفاده از AWS Lambda، Amazon S3، CloudFront، SQS، Route 53، App Runner و API Gateway

این دوره شامل:

19 ساعت ویدئو

1 جلسه متنی

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

4 فصل0 جلسه19 ساعت ویدیو
هفته اول
  روز اول – استقرار فوری هوش مصنوعی: راه‌اندازی اولین اپلیکیشن Production خود روی Vercel در چند دقیقه
13:49
  روز اول – از صفر تا زنده: استقرار اولین اپلیکیشن SaaS مجهز به هوش مصنوعی خود روی Vercel
06:29
  روز اول – از مفاهیم هوش مصنوعی تا استقرار ابری: کاوش در چشم‌انداز DevOps و آماده‌سازی برای استقرار در فضای ابری
10:03
  روز اول – مرور دوره: ساخت سیستم‌های هوش مصنوعی آماده‌ی تولید (Production AI) در طول 4 هفته
08:20
  روز اول – استقرار اولین اپلیکیشن هوش مصنوعی زنده: ادغام OpenAI با Vercel و راه‌اندازی اپلیکیشن شما
12:28
  روز اول – مدیریت هزینه‌های API و آماده‌سازی محیط: راه‌اندازی سیستم‌های هوش مصنوعی آماده‌ی تولید (Production AI) با کنت
11:57
  روز اول – انتظارات و پشتیبانی: معرفی دوره و پشتیبانی جامعه برای AI آماده تولید
06:02
  روز دوم – ساخت اپلیکیشن‌های AI فول‌استک: معماری فرانت‌اند و بک‌اند برای LLMها
07:36
  روز دوم – ساخت اپلیکیشن‌های AI فول‌استک با: React، FastAPI و Next.js
12:39
  روز دوم – ساخت اولین اپلیکیشن SaaS فول‌استک هوش مصنوعی شما با: Next.js و FastAPI
10:21
  روز دوم – ساخت اولین بک‌اند FastAPI برای استقرار LLM در محیط Production
09:13
  روز دوم – استقرار اپلیکیشن‌های AI فول‌استک با فرانت‌اند Next.js و بک‌اند FastAPI
10:42
  روز دوم – افزودن استریمینگ بلادرنگ و رابط کاربری حرفه‌ای به اپلیکیشن LLM
10:17
  روز سوم – افزودن احراز هویت کاربران به اپلیکیشن هوش مصنوعی آماده‌ی تولید
11:15
  روز سوم – افزودن احراز هویت کاربران به اپلیکیشن‌های هوش مصنوعی Production با Clerk
09:20
  روز سوم – افزودن سیستم اشتراک و پرداخت به اپلیکیشن SaaS هوش مصنوعی Production
07:10
  روز سوم – افزودن احراز هویت و سیستم پرداخت به اپلیکیشن‌های هوش مصنوعی Production
10:51
  روز چهارم – ساخت اولین اپلیکیشن تجاری هوش مصنوعی: از نمونه اولیه تا کسب‌وکار
06:07
  روز چهارم – ساخت اپلیکیشن‌های هوش مصنوعی حوزه سلامت با FastAPIو پرامپت‌های ساخت‌یافته
07:39
  روز چهارم – استقرار کامل اپلیکیشن هوش مصنوعی حوزه سلامت در Production روی Vercel
05:59
  روز چهارم – ساخت یک اپلیکیشن SaaS هوش مصنوعی حوزه سلامت آماده‌ی تولید با LLMهای استریمینگ
05:29
  روز پنجم – راه‌اندازی AWS و IAM برای هوش مصنوعی Production: اولین استقرار شما در ابر (Cloud Deployment)
10:57
  روز پنجم – تنظیم پایش هزینه‌های AWS برای استقرارهای هوش مصنوعی در Production
08:25
  روز پنجم – ایجاد کاربران IAM ایمن برای استقرارهای هوش مصنوعی در Production روی AWS
10:28
  روز پنجم – کانتینرسازی اپلیکیشن‌های هوش مصنوعی با Docker برای استقرار در فضای ابری
10:08
  روز پنجم – مهاجرت اپلیکیشن هوش مصنوعی از Vercel به AWS برای مقیاس‌پذیری در Production
08:55
  روز پنجم – کانتینرسازی اپلیکیشن هوش مصنوعی شما: ساخت Docker Image برای استقرار در Production
09:00
  روز پنجم – استقرار اپلیکیشن‌های هوش مصنوعی کانتینری‌شده روی AWS با استفاده از ECR و App Runner
11:51
  روز پنجم – استقرار زنده اپلیکیشن هوش مصنوعی شما روی AWS App Runner با قابلیت Auto-Scaling
05:29
  روز پنجم – از Vercel به AWS: استقرار اپلیکیشن‌های LLM آماده‌ی تولید در مقیاس بزرگ
05:38
  لینک‌های خارجی
00:16
هفته دوم
  روز اول – مبانی AWS برای هوش مصنوعی Production: از کنسول تا زیرساخت
12:32
  روز اول – معماری‌های استقرار ابری برای اپلیکیشن‌های هوش مصنوعی آماده‌ی تولید
07:49
  روز اول – کامپوننت‌های ابری AWS برای هوش مصنوعی آماده تولید: S3، Lambda و Bedrock
06:38
  روز اول – ساخت Digital Twin هوش مصنوعی شما: تنظیم محیط Production با Next.js App Router
10:40
  روز اول – ساخت اولین اپلیکیشن فول‌استک AI شما با FastAPI و React
11:07
  روز اول – ساخت Digital Twin شما: راه‌اندازی معماری AWS Lambda + Bedrock
10:48
  روز اول – ساخت حافظه مکالمه‌ای برای اپلیکیشن‌های چت هوش مصنوعی آماده‌ی تولید
04:58
  روز دوم – ساخت Agentهای هوش مصنوعی آماده تولید با AWS Lambda و S3
12:25
  روز دوم – مهاجرت اپلیکیشن‌های چت AI از حافظه محلی به AWS S3 و Lambda
10:54
  روز دوم – استقرار اولین API LLM آماده تولید روی AWS Lambda
09:43
  روز دوم – پیکربندی AWS Lambda و S3 برای ذخیره‌سازی حافظه LLM در محیط Production
08:04
  روز دوم – راه‌اندازی S3 Buckets و API Gateway برای اپلیکیشن‌های هوش مصنوعی آماده تولید
13:08
  روز دوم – استقرار فرانت‌اند AI از طریق CloudFront برای توزیع جهانی
09:33
  روز دوم – تست Agent زنده AI و پیکربندی CORS برای محیط Production
06:02
  روز سوم – راه‌اندازی Amazon Bedrock برای استقرار LLM در محیط Production روی AWS
10:00
  روز سوم – مهاجرت از OpenAI به AWS Bedrock برای استقرار LLM با هزینه بهینه
09:26
  روز سوم – استقرار LLMهای Bedrock روی AWS Lambda و تست APIهای Production
05:21
  روز سوم – پایش هوش مصنوعی در Production با CloudWatch و متریک‌های Bedrock
08:09
  روز چهارم – زیرساخت به‌صورت کد برای AI: استقرار اپلیکیشن‌های LLM با Terraform
12:34
  روز چهارم – زیرساخت به‌صورت کد: خودکارسازی استقرارهای AI با Terraform
12:39
  روز چهارم – خودکارسازی استقرارهای AI با Terraform و اسکریپت‌های Shell
09:42
  روز چهارم – خودکارسازی استقرار اپلیکیشن‌های فول‌استک AI با Terraform و AWS
08:34
  روز چهارم – استقرار AI در چند محیط: تنظیمات Dev، Test و Production
11:13
  روز چهارم – تست استقرارهای AI در Production و مدیریت پاک‌سازی خودکار با Terraform
09:24
  روز پنجم – خودکارسازی استقرار زیرساخت AI با GitHub Actions CI/CD
09:15
  روز پنجم – راه‌اندازی Git و GitHub Actions برای استقرار AI در محیط Production
10:24
  روز پنجم – تنظیم GitHub Actions برای استقرار خودکار مدل‌های AI
09:50
  روز پنجم – تنظیم GitHub Actions برای استقرار خودکار زیرساخت AI
08:40
  روز پنجم – تنظیم GitHub Actions برای استقرار خودکار Agentهای AI
09:20
  روز پنجم – اجرای زنده خط لوله CI/CD: از Git Push تا Agent هوش مصنوعی آماده‌ی تولید
11:57
  روز پنجم – خط لوله‌های CI/CD خودکار برای اپلیکیشن‌های AI آماده تولید با Git Deploy
08:00
  روز پنجم – مدیریت منابع و کنترل هزینه‌ها برای سیستم‌های هوش مصنوعی آماده تولید
12:35
هفته سوم
  روز اول – استقرار چندابری هوش مصنوعی: راه‌اندازی Agent امنیت سایبری روی Azure و GCP
11:38
  روز اول – ساخت Agentهای امنیتی هوش مصنوعی با سرورهای MCP و یکپارچه‌سازی Semgrep
10:13
  روز اول – کانتینرسازی Agentهای هوش مصنوعی با Docker برای استقرار ابری
11:30
  روز اول – راه‌اندازی زیرساخت Azure برای استقرار کانتینری هوش مصنوعی در Production
10:18
  روز اول – استقرار اپلیکیشن‌های هوش مصنوعی روی Azure با Terraform و رویکرد زیرساخت به‌صورت کد
10:15
  روز اول – استقرار Agentهای هوش مصنوعی با سرورهای MCP روی Azure Container Apps
09:50
  روز دوم – راه‌اندازی زیرساخت GCP برای استقرار Agentهای هوش مصنوعی در Production
10:19
  روز دوم – راه‌اندازی Google Cloud CLI برای استقرار کانتینری هوش مصنوعی در Production
03:04
  روز دوم – استقرار Agentهای هوش مصنوعی روی GCP Cloud Run با زیرساخت Terraform
07:24
  روز دوم – استقرار Agentهای هوش مصنوعی در GCP و Azure با استفاده از سرویس‌های کانتینر
10:54
  روز سوم – ساخت ALEX: سیستم هوش مصنوعی مالی چندعاملی روی زیرساخت AWS
13:44
  روز سوم – پیکربندی دسترسی‌های AWS و SageMaker برای Agentهای هوش مصنوعی آماده تولید
09:47
  روز سوم – SageMaker در مقابل Bedrock: استقرار مدل‌های سفارشی هوش مصنوعی در محیط Production
08:28
  روز سوم – استقرار مدل‌های Embedding در SageMaker برای سیستم‌های RAG آماده تولید
09:55
  روز سوم – بررسی کامل پلتفرم SageMaker AI برای جریان‌های کاری ML آماده تولید
02:41
  روز چهارم – ساخت پایپلاین‌های داده برداری با SageMaker و S3 برای حافظه هوش مصنوعی
08:01
  روز چهارم – ساخت ذخیره‌سازی برداری به‌صرفه با S3 و فرآیند ورود داده با Lambda
06:46
  روز چهارم – راه‌اندازی پایپلاین‌های امن ورود داده هوش مصنوعی با Terraform و AWS
07:43
  روز چهارم – تست کامل پایپلاین ورود داده برداری AWS Lambda از ابتدا تا انتها
06:01
  روز پنجم – ساخت Agentهای پژوهشی هوش مصنوعی با سرورهای MCP و پایپلاین‌های داده
05:24
  روز پنجم – ساخت Agentهای پژوهشی هوش مصنوعی با Bedrock و OpenAI SDK روی AWS
08:17
  روز پنجم – استقرار Agentهای پژوهشی هوش مصنوعی با Docker، ECR و App Runner
09:45
  روز پنجم – تست جریان‌های کاری کامل Agentهای هوش مصنوعی از پژوهش تا ذخیره‌سازی برداری
08:22
  روز پنجم – خودکارسازی جریان‌های کاری Agentهای هوش مصنوعی با زمان‌بندی AWS EventBridge
09:26
  روز پنجم – جمع‌بندی هفته سوم: گزینه‌های تمرین‌ها و گام‌های بعدی برای AI آماده تولید
08:39
هفته چهارم
  روز 1 - معماری‌های چندعامل در مقابل تک‌عامل برای سیستم‌های هوش مصنوعی تولیدی
06:57
  روز 1 - ساخت هوش مصنوعی مالی چندعامل: معماری پایگاه داده و راه‌اندازی AWS
09:28
  روز 1 - معماری پایگاه داده برای هوش مصنوعی تولیدی: Aurora Serverless برای کاربردهای مدل‌های زبانی بزرگ
02:45
  روز 1 - راه‌اندازی پایگاه داده Aurora Serverless برای سیستم‌های هوش مصنوعی چندعامل
10:06
  روز 1 - راه‌اندازی زیرساخت پایگاه داده Aurora برای کاربردهای هوش مصنوعی تولیدی
06:17
  روز 1 - راه‌اندازی معماری پایگاه داده تولیدی برای سیستم‌های هوش مصنوعی عامل‌محور
05:39
  روز 2 - ساخت سیستم‌های هوش مصنوعی مالی چندعامل با مهندسی زمینه
08:30
  روز 2 - راه‌اندازی مدل‌های AWS Bedrock و APIهای سازمانی برای عوامل هوش مصنوعی
07:14
  روز 2 - کاوش معماری چندعامل: ابزارها و خروجی‌های ساخت‌یافته
05:05
  روز 2 - ساخت سیستم‌های مالی چندعامل: بررسی کد و معماری
11:52
  روز 2 - آزمایش سیستم‌های چندعامل به صورت محلی پیش از استقرار در Lambda
13:10
  روز 2 - بسته‌بندی و استقرار سیستم‌های هوش مصنوعی چندعامل در AWS Lambda
11:58
  روز 2 - آزمایش انتها به انتها سیستم‌های چندعامل در AWS Lambda
04:07
  روز 3 - ساخت فرانت‌اند برای سیستم هوش مصنوعی عامل‌محور تولیدی شما
08:21
  روز 3 - اجرای کاربردهای هوش مصنوعی فول‌استک به صورت محلی پیش از استقرار تولیدی
07:02
  روز 3 - زمانی که تولید کد توسط هوش مصنوعی در کاربردهای تولیدی موفق عمل می‌کند در مقابل زمانی که شکست می‌خورد
10:04
  روز 3 - استقرار APIهای تولیدشده توسط هوش مصنوعی در محیط تولیدی با استفاده از AWS Lambda و Terraform
07:21
  روز 3 - آزمایش زنده سیستم هوش مصنوعی مالی چندعامل خود در محیط تولیدی
08:41
  روز 4 - هوش مصنوعی در سطح سازمانی: نظارت، امنیت و قابلیت مشاهده‌پذیری در مقیاس بزرگ
09:18
  روز 4 - هوش مصنوعی در سطح سازمانی: مقیاس‌پذیری، امنیت و نظارت برای محیط تولیدی
12:06
  روز 4 - نظارت بر عوامل هوش مصنوعی در محیط تولیدی با استفاده از CloudWatch و داشبورد‌ها
12:07
  روز 4 - نظارت بر سیستم‌های هوش مصنوعی و ساخت گاردریل‌ها برای عوامل تولیدی
12:58
  روز 4 - قابلیت مشاهده‌پذیری پیشرفته مدل‌های زبانی بزرگ با Langfuse و گاردریل‌های تولیدی
10:02
  روز 4 - الگوی LLM به عنوان قاضی با قابلیت مشاهده‌پذیری Langfuse در محیط تولیدی
11:23
  روز 4 - نظارت زمان‌واقعی بر عوامل و ریسک‌های امنیتی هوش مصنوعی تولیدی
09:36
  روز 4 - ایمن‌سازی عوامل هوش مصنوعی در برابر تزریق پرامپت در سیستم‌های تولیدی
08:51
  روز 4 - تکلیف نهایی: عرضه عامل هوش مصنوعی مالی خود به بازار
06:50
  روز 5 - گاردریل‌های هوش مصنوعی سازمانی و بسته‌بندی سیستم عامل تولیدی شما
06:55
  روز 5 - پلتفرم‌های عامل در مقابل استقرار سفارشی: چه زمانی از راه‌حل‌های مدیریت‌شده استفاده کنیم
10:17
  روز 5 - ساخت عوامل هوش مصنوعی تولیدی با Amazon Bedrock AgentCore
11:16
  روز 5 - راه‌اندازی AWS Bedrock Agent Core برای استقرارهای هوش مصنوعی تولیدی
07:22
  روز 5 - ساخت و استقرار اولین عامل هوش مصنوعی خود در AWS در چند دقیقه
10:21
  روز 5 - ساخت عوامل هوش مصنوعی تولیدی با سیستم‌های استدلال مبتنی بر حلقه
12:04
  روز 5 - افزودن ابزارهای اجرای کد و قابلیت مشاهده‌پذیری به عوامل AWS Bedrock
08:59
  روز 5 - جمع‌بندی دوره: از صفر تا متخصص هوش مصنوعی تولیدی در 4 هفته
08:53

پیش‌نیاز‌ها

اگرچه آشنایی با برنامه‌نویسی پایتون و تجربه کار با مدل‌های زبانی بزرگ (LLM) می‌تواند مفید باشد، اما این دوره برای طیف گسترده‌ای از مخاطبان، صرف‌نظر از پیش‌زمینه تحصیلی یا شغلی، طراحی شده است. برای همین مجموعه‌ای از آزمایشگاه‌های آموزشی و خودآموز را در اختیار شما قرار داده‌ام که مهارت‌های پایه فنی و برنامه‌نویسی موردنیاز را پوشش می‌دهند. اگر تازه وارد دنیای برنامه‌نویسی شده‌اید، تنها چیزی که نیاز دارید صبر و پشتکار کافی است!

 

برای بهره‌برداری کامل از دوره، بهتر است بودجه‌ای اندک (در حد چند دلار) برای استفاده از APIها و سرویس‌های ابری در نظر بگیرید. البته در طول دوره هزینه‌ها به‌صورت مستمر کنترل و مدیریت می‌شوند و استفاده از این سرویس‌ها کاملاً به انتخاب خود شما بستگی دارد.

توضیحات دوره

استقرار هوش مصنوعی روی AWS، GCP، Azure و Vercel با MLOps، Bedrock، SageMaker، RAG، ایجنت‌ها و MCP؛ مقیاس‌پذیر، امن و قابل پایش.

 

این دوره‌ای است که دانشجویان من بیش از هر دوره دیگری درخواست تولید آن را داشته‌اند.

یکی از دانشجویانم درباره آن گفت:

«این همان حلقه گمشده آموزش هوش مصنوعی است.»

 


این دوره برای کارآفرینان، مهندسان سازمانی (Enterprise Engineers) و هر کسی که می‌خواهد راهکارهای هوش مصنوعی را در دنیای واقعی و در مقیاس عملیاتی پیاده‌سازی کند طراحی شده است.

این دوره فقط درباره RAG نیست؛ هرچند به‌صورت عملی با RAG کار خواهیم کرد.

فقط درباره Agentها نیست؛ اما Agentهای متعددی خواهیم ساخت.

فقط درباره MCP نیست؛ اما با MCP نیز به‌صورت گسترده کار خواهیم کرد.

موضوع اصلی این دوره چیز دیگری است:

استقرار و راه‌اندازی RAG، Agent، MCP و سایر فناوری‌های مدرن هوش مصنوعی در محیط عملیاتی (Production).

به‌صورت زنده.

در سطح سازمانی.

با معماری مقیاس‌پذیر، پایدار، امن، قابل پایش و قابل توضیح.

در این دوره یاد می‌گیرید چگونه اپلیکیشن‌ها و سیستم‌های هوش مصنوعی مبتنی بر مدل‌های زبانی بزرگ (LLM) و Agentها را روی Vercel، AWS، Google Cloud و Azure مستقر کنید؛ با تمرکز ویژه بر AWS.

هفته اول: راه‌اندازی یک محصول SaaS واقعی

در هفته اول یک محصول SaaS مبتنی بر Next.js را روی Vercel و AWS منتشر می‌کنید.

در این مسیر با AWS App Runner و Clerk برای مدیریت کاربران، احراز هویت و اشتراک‌ها کار خواهید کرد.

پروژه عملی: اپلیکیشن سلامت (Healthcare SaaS)

 هفته دوم: مهندسی پلتفرم هوش مصنوعی روی AWS

در نقش یک AI Platform Engineer ظاهر خواهید شد و زیرساخت‌های Serverless را با استفاده از سرویس‌های زیر پیاده‌سازی می‌کنید:

- AWS Lambda
- Amazon Bedrock
- API Gateway
- Amazon S3
- CloudFront
- Route 53

همچنین یاد می‌گیرید:

- زیرساخت را با Terraform به‌صورت Infrastructure as Code تعریف کنید.
- پایپ‌لاین‌های CI/CD را با GitHub Actions راه‌اندازی کنید.
- استقرار خودکار و انتشار نسخه‌ها را بدون دخالت دستی انجام دهید.
- پروژه عملی: Digital Twin Mk II

 هفته سوم: هوش مصنوعی مولد در محیط عملیاتی

در این هفته مهارت‌های موردنیاز بازار برای استقرار GenAI را یاد می‌گیرید:

- استقرار Agent تحلیلگر امنیت سایبری با MCP روی Azure و GCP
- راه‌اندازی SageMaker Inference
- ساخت Pipeline ورود داده و ذخیره‌سازی بردارها در S3
- توسعه Agent پژوهشگر با مدل‌های متن‌باز OpenAI OSS روی Bedrock و MCP
- پروژه عملی: Cybersecurity Analyst

 هفته چهارم: سیستم‌های چندعاملی در محیط عملیاتی

در هفته پایانی وارد دنیای Agentic AI می‌شوید و یک سیستم چندعاملی واقعی طراحی و مستقر می‌کنید.

فناوری‌های مورد استفاده:

- Aurora Serverless
- AWS Lambda
- Amazon SQS
- CloudFront با احراز هویت JWT
- LangFuse برای Observability
- AWS Bedrock AgentCore
- پروژه نهایی (Capstone): SaaS Financial Planner

 در پایان این دوره قادر خواهید بود:

- معماری مناسب برای هر پروژه هوش مصنوعی را انتخاب کنید.
- امنیت سیستم را به‌درستی پیاده‌سازی کنید.
- هزینه‌های زیرساخت و مدل‌های هوش مصنوعی را مدیریت و پایش کنید.
- فرآیند استقرار و انتشار مداوم را راه‌اندازی کنید.
- راهکارهای هوش مصنوعی مقیاس‌پذیر و قابل اعتماد را در محیط عملیاتی اجرا کنید.
 
این دوره مناسب چه کسانی است؟

- اگر می‌خواهید اپلیکیشن‌های هوش مصنوعی مولد (GenAI)، مدل‌های زبانی بزرگ (LLM) و Agentهای هوشمند را از مرحله نمونه اولیه به یک محصول واقعی و قابل استفاده در محیط عملیاتی برسانید، این دوره برای شما طراحی شده است.

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
آکادمی گرولیآموزش مهارت‌های شغلی
105دوره
53,939دانشجو
2,372نظر 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.

Ed Donnerهم‌بنیان‌گذار استارتاپ‌های هوش مصنوعی و رهبر حوزه فناوری | مدرس GenAI و مدل‌های زبانی بزرگ (LLM)
4دوره
3,406دانشجو
43نظر 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.

1دوره
0دانشجو

با امتیاز مربی ۴.۶، حدود ۱ میلیون دیدگاه و ۱۲۱ دوره آموزشی به ۱۲ زبان مختلف، ما به مهندسان، رهبران و تیم‌ها کمک می‌کنیم تا بر مهارت‌هایی که انقلاب هوش مصنوعی امروزی را پیش می‌برند مسلط شوند و سپس نتایج واقعی را عرضه کنند.

ما از همان جایی شروع می‌کنیم که دنیای واقعی شروع می‌شود: با مدل‌های زبانی بزرگ (LLM) و محصولاتی که قدرت خود را از آن‌ها می‌گیرند. شما ابتدا پایه‌های هوش مصنوعی و هوش مصنوعی مولد (Gen AI) را یاد می‌گیرید و سپس سیستم‌هایی در سطح تولید (Production-grade) شامل چت‌بات‌ها، کوپایلت‌ها، اتوماسیون‌ها و عامل‌های هوش مصنوعی (AI Agents) را پیاده‌سازی می‌کنید. ما به عمق مهندسی LLM نفوذ می‌کنیم: بازیابی اطلاعات (RAG)، ارزیابی، مشاهده‌پذیری (Observability)، ایمنی و الگوهایی که تیم‌ها برای اجرای سیستم‌های عاملی (Agentic) در مقیاس بالا استفاده می‌کنند.

پشته تکنولوژی (Stack) ما کاربردی و به‌روز است. شما با Python، LangChain و LangGraph به سرعت پروتوتایپ می‌سازید؛ مدل‌های OpenAI، Gemini و Claude (از جمله Claude Code) را بررسی می‌کنید؛ با Hugging Face و Ollama مدل‌ها را تنظیم (Fine-tune) و سرویس‌دهی می‌کنید؛ و در نهایت پروژه را روی AWS (از Bedrock گرفته تا سرویس‌های رویداد-محور) به مرحله تولید می‌برید. به اتوماسیون نیاز دارید؟ ما همه چیز را با n8n، رابط‌های کاربری تمیز و CI/CD به هم متصل می‌کنیم. در طول این مسیر، بر مهندسی پرامپت (Prompt Engineering) که در زیر بار ترافیکی بالا دوام بیاورد، مسلط خواهید شد.

این مسیر به کجا ختم می‌شود؟
نقش‌های شغلی که محصول خلق می‌کنند:

AI Engineer و LLM Engineer: برای کسانی که عاشق ساختن هستند.

Platform و MLOps: برای کسانی که به دنبال پایداری و قابلیت اطمینان در مقیاس بالا هستند.

مسیرهای محصول و رهبری: برای افرادی که هوش مصنوعی عاملی (Agentic AI) را از اسلایدهای نمایشی به نتایج کسب‌وکار تبدیل می‌کنند.

خط فکری ما یکی است: سریع یاد بگیرید، سریع‌تر بسازید، همه چیز را اندازه‌گیری کنید و تکرار کنید.

دیگر دوره‌های آکادمی گرولی