دوره آموزش مهندس هوش مصنوعی | تولید نرم افزارهای هوشمند
| عنوان دوره | طول دوره | زمان برگزاری | تاریخ شروع دوره | شهریه | استاد | نوع برگزاری | وضعیت ثبت نام | ثبت نام | فیلم جلسه اول | |
|---|---|---|---|---|---|---|---|---|---|---|
| دوره آموزش مهندس هوش مصنوعی | تولید نرم افزارهای هوشمند | 18 جلسه 54 ساعت |
دوشنبه
از
ساعت 18:00
الی 21:00
|
دوشنبه 09 شهریور 1405 | 16,500,000 تومان | مهندس محسن درم بخت | آنلاین | دانلود |
دور سوم برگزاری — ثبتنام باز است
آموزش مهندس هوش مصنوعی
از مفاهیم پایه تا ساخت سیستمهای هوشمند
یک مسیر کاملاً عملی و پروژهمحور برای مهندسان و توسعهدهندگانی که میخواهند از «استفاده از ChatGPT» عبور کنند و به «طراحی، پیادهسازی و استقرار سیستمهای واقعی مبتنی بر LLM» برسند — از معماری ترنسفورمر و اجرای مدل روی سرور خودتان، تا RAG، Agent، MCP و رساندن محصول به Production.
هدف دوره
چرا این دوره با بقیه فرق دارد؟
هدف این دوره، آموزش مهندسان و توسعهدهندگان برای تسلط بر طراحی، پیادهسازی و بهینهسازی سیستمهای هوشمند مبتنی بر مدلهای زبانی بزرگ (LLM) است؛ با ترکیب مفاهیم پایه، ابزارهای پیشرفته و پروژههای واقعی، بهمنظور تبدیل چالشهای امروز به راهحلهای نوآورانه فردا.
✓ این دوره مناسب چه کسی است؟
- ✓توسعهدهندگان و برنامهنویسانی که میخواهند وارد حوزه مهندسی AI شوند
- ✓مهندسان نرمافزار که قصد دارند قابلیتهای LLM را به محصول فعلیشان اضافه کنند
- ✓معماران نرمافزار و تیملیدها برای طراحی معماری سیستمهای هوشمند سازمانی
- ✓متخصصان DevOps/MLOps علاقهمند به استقرار و پایش سرویسهای مبتنی بر LLM
- ✓بنیانگذاران و صاحبان محصول که میخواهند MVP هوشمند بسازند
◇ پیشنیازها
- ◇تجربه برنامهنویسی با حداقل یکی از زبانهای رایج (ترجیحاً Python یا JavaScript)
- ◇آشنایی مقدماتی با مفاهیم API و پایگاه داده
- ◇آشنایی اولیه با محیط خط فرمان (Terminal / CMD)
- ◇علاقه به یادگیری مطالب جدید و تمرین بین جلسات
- ◇دانش قبلی Machine Learning لازم نیست — مفاهیم پایه در فصل اول ساخته میشود
سرفصل دوره
هفت فصل، از صفر تا Production
روی هر فصل کلیک کنید تا جزئیات مباحث و ابزارهای آن باز شود. ترتیب فصلها بهگونهای طراحی شده که هر فصل، پیشنیاز ذهنی فصل بعد را میسازد.
نقشه جلسات
دقیقاً در هر جلسه چه اتفاقی میافتد؟
این نقشه بر اساس محتوای واقعی تدریسشده در دورههای پیشین تنظیم شده است — یعنی چیزی که واقعاً روی وایتبورد ساخته شد، نه فهرست آرزوها.
۰۱
شروع مسیر: LLM چیست و چه چالشهایی دارد؟
نقشه کلی دوره، معرفی مدلهای متنباز و بسته، چالشهای داده و سختافزار، معیارهای ارزیابی (Latency، TTFT، TPOT، Throughput، FLOPS)، تفاوت CPU/GPU/TPU و سه حالت Train / Fine-Tune / Inference.
۰۲
معماری ترنسفورمر و اقتصاد توکن
Self-Attention، Multi-Head، Embedding، Positional Encoding، Encoder/Decoder؛ مشخصات فنی مدل (Parameters، Context، KV Cache، MoE)، محاسبه VRAM و قیمتگذاری واقعی توکن.
۰۳
انواع LLM و اولین اجرای عملی مدل
دستهبندی مدلها (General، Domain-Specific، Code، Reasoning، Multimodal، Agentic)، کار با API، راهاندازی Ollama و LM Studio، تست با Postman و cURL، معرفی vLLM و سرور GPU اجارهای.
۰۴
مهندسی پرامپت، حافظه و شروع Vibe Coding
ساختار Role/Goal/Context/Constraints، سه نقش System/User/Assistant، Temperature و Max Token، Context Window، انواع Memory و اولین تجربه کدنویسی با Copilot و Claude Code.
۰۵
Fine-Tuning و انتخاب فریمورک
Full Fine-Tuning، SFT، IFT، PEFT، LoRA، QLoRA، RLHF و RLAIF؛ محاسبه منابع موردنیاز و معرفی فریمورکها: LangChain، Agno، AutoGen، CrewAI، n8n و Dify.
۰۶
ورود به دنیای اتوماسیون: n8n و زیرساخت
نصب n8n با npm و Docker، ساخت اولین Workflow، مفاهیم DevOps و MLOps، آشنایی با Docker، Kubernetes و Terraform.
۰۷
n8n پیشرفته و استقرار با Docker
نودهای Webhook، AI Agent، LLM و Code؛ الگوهای MVP بدون Backend و AI Pipeline، مدیریت خطا، اتصال به MS SQL و Postgres، Docker Compose و شبکه داخلی کانتینرها.
۰۸
معماری سرویسهای AI و ورود به RAG
طراحی زیرساخت واقعی: Inference LLM، Embedding LLM، TTS/STT؛ محاسبه VRAM و تعداد کاربر همزمان، ساخت محیط پایتون و اولین تعریف دقیق RAG.
۰۹
RAG کامل: از Vector DB تا Re-Rank
ساخت خط لوله RAG، انتخاب Vector DB، تعیین Top-K، مرحله Re-Rank با Cohere و BGE، ابزارهای RAGFlow و Dify، و اولین معرفی Agent و MCP.
۱۰
LangChain از پایه تا پروژه
Model Integration، Prompt Management، Chaining، Memory، RAG و Tool Use؛ راهاندازی محیط با Python و uv، ساخت REST API با FastAPI و انتشار پشت Nginx.
۱۱
Agent، MCP و اقتصاد Vibe Coding
نحوه انتخاب ابزار توسط مدل، ساخت MCP Server، مدیریت مصرف توکن و Rate Limit، مدلهای لوکال برای کدنویسی، و طراحی یک Agent واقعی با چند Tool.
۱۲
Agentic AI و شروع CrewAI
ساختار چهارگانه Agent (Name، Role، Goal، Backstory)، نصب و راهاندازی CrewAI، ساخت Custom Tool، اتصال Agent به دیتابیس واقعی و افزودن STT/TTS.
۱۳
پروژه سازمانی: مدیریت تیکت با AI
طراحی سیستم پاسخ خودکار تیکت بر پایه ITIL، Guardrail و داشبورد پایش کیفیت، امتیازدهی پاسخها، معماری Frontend/Backend/DB و مسیر انتشار محصول.
۱۴
RAG عملی روی اسناد واقعی
OCR و استخراج از PDF و Word، Chunking، Embedding با مدل ابری و لوکال، درج در Chroma/Postgres، Re-Rank با Cross-Encoder و مقایسه ابزارهای Vibe Coding و پلنهای آنها.
۱۵
RAG در سطح تولید: نگهداری و بهروزرسانی
مدیریت Metadata و Hash ID، حذف و درج نسخه جدید اسناد، مقایسه Chroma/Qdrant/Milvus/Postgres، آموزش CrewAI، معرفی LangGraph و LangSmith و گردشکار حرفهای Vibe Coding.
۱۶
RAG فارسی، امنیت و استقرار
چالشهای متن فارسی و RTL، Chunk Overlap، Prompt Injection مستقیم و غیرمستقیم، SQL Injection از مسیر Agent، NeMo Guardrails و Llama Guard، Agentic RAG و دیپلوی با Docker و Nginx.
۱۷
Production: پایش، هزینه و کارایی
Observability با LangSmith، Tracing، تحلیل Cost و Latency، کش دقیق و کش معنایی (GPTCache و Redis)، Guardrails روی ورودی/خروجی، MLOps و نقش Forward Deployed Engineer.
* سرفصل هر جلسه بر اساس سطح گروه و ترندهای روز، در هر دوره بهروزرسانی میشود.
خروجی یادگیری
پس از این دوره چه کاری از شما برمیآید؟
اینها مهارتهای قابلسنجش و قابلارائه در رزومه هستند؛ نه سرفصلهای نظری.
✓
معماری یک سیستم هوشمند را از صفر طراحی میکنیدتصمیم میگیرید کجا LLM لازم است، کجا RAG، کجا Agent و کجا یک اسکریپت ساده کافی است.
✓
مدل متنباز را روی سرور خودتان بالا میآوریدبا Ollama، LM Studio یا vLLM سرویس میدهید و VRAM و کاربر همزمان را دقیق محاسبه میکنید.
✓
سیستم RAG کامل و قابل نگهداری میسازیداز OCR و Chunking تا Vector DB، Re-Rank، مدیریت Metadata و بهروزرسانی اسناد بدون بازسازی کل پایگاه.
✓
Agent و MCP Server طراحی و پیاده میکنیدابزارها را تعریف میکنید، به دیتابیس و API وصل میشوید و رفتار Agent را کنترل میکنید.
✓
پرامپت حرفهای و پایدار مینویسیدبا ساختار Role/Goal/Context/Constraints، خروجی ساختاریافته و مقاوم در برابر Prompt Injection.
✓
گردشکار سازمانی را با n8n خودکار میکنیداتصال به ایمیل، تلگرام، دیتابیس و LLM؛ ساخت MVP هوشمند بدون نوشتن یک خط Backend.
✓
هزینه و کارایی سیستم را مدیریت میکنیدمحاسبه هزینه توکن، Quantization، کش معنایی، کاهش Latency و انتخاب درست بین Cloud و On-Premise.
✓
محصول را به Production میرسانید و پایش میکنیدDocker، Nginx، Git، Observability با LangSmith و Guardrails روی ورودی و خروجی مدل.
✓
با AI سریعتر و تمیزتر کد میزنیدروششناسی درست Vibe Coding: نوشتن Spec، تقسیم پروژه، کنترل خروجی و مدیریت مصرف توکن.
✓
دستیار صوتی و سیستم چندرسانهای میسازیدزنجیره کامل Voice → STT → LLM → TTS با Whisper و Vosk، بهصورت ابری یا کاملاً لوکال.
استک فنی
ابزارهایی که در طول دوره با آنها کار میکنید
همه این ابزارها در جلسات بهصورت عملی نصب، پیکربندی و استفاده میشوند.
مدلها و اجرای مدل
GPTClaude
GeminiLLaMA
QwenDeepSeek
MistralGemma
OllamavLLM
LM StudioHuggingFace
RAG و پایگاه داده وکتوری
ChromaDBQdrant
MilvusFAISS
Pineconepgvector
Cohere Re-RankBGE Re-Ranker
RAGFlowLlamaIndex
فریمورکهای AI و Agent
LangChainLangGraph
LangSmithCrewAI
AutoGenAgno
MCPDify
n8n
صوت و چندرسانهای
WhisperVosk
ElevenLabsDeepgram
DeepSeek-OCR
زیرساخت، استقرار و پایش
DockerDocker Compose
KubernetesNginx
LinuxGit
FastAPIPython + uv
RedisGPTCache
PostgreSQLMS SQL Server
کدنویسی با AI و امنیت
Claude CodeGitHub Copilot
CursorCodex
NeMo GuardrailsLlama Guard
Guardrails AI
پروژههای دوره
چیزی که در پایان دوره در دست دارید
پروژهها بهصورت تدریجی و در طول جلسات ساخته میشوند؛ نه یک تمرین پایانی عجولانه.
سوالات متداول
قبل از ثبتنام بدانید
دسترسی سریع
تماس با فراتر از دانش
آدرس: تهران - کارگر شمالی - بالاتر از چهار راه فاطمی (ایستگاه مترو کارگر) - کوچه دیدگاه - پلاک 26 - طبقه 3 شرکت فراتر از دانش
تلفن : 02188989781 - 02188989782
واتس اپ : 09396839678
فکس : 02188989780
- ایمیل: info@fad.ir
