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 17 الی 20
دوشنبه 15 اردیبهشت 1404 11,000,000 تومان مهندس محسن درم بخت آنلاین -

آموزش مهندس هوش مصنوعی

از مفاهیم پایه تا ساخت سیستم های هوشمند

هدف دوره : آموزش مهندسان و توسعه دهندگان برای تسلط بر طراحی، پیاده سازی و بهینه سازی سیستم های هوشمند مبتنی بر مدل های زبانی بزرگ (LLMها) با ترکیب مفاهیم پایه، ابزارهای پیشرفته و پروژه های واقعی، به منظور تبدیل چالش های دنیای امروز به راه حل های نوآورانه فردا.

در این دوره هدف شناخت و استفاده از روش های معروف و کاربردی در تولید و توسعه نرم افزارها خواهد بود. شما با یادگیری نحوه استفاده از انواع روش ها و ابزارها در تولید و توسعه نرم افزار می توانید محصولات توسعه یافته برپایه هوش مصنوعی داشته باشید.

پیش نیاز دوره : تجربه برنامه نویسی با زبان های برنامه نویسی و علاقه به یادگیری مطالب جدید

مدت زمان دوره : 54 ساعت


تولید شده با هوش مصنوعی - فایل صوتی معرفی دوره


۱.  مقدمه ای بر هوش مصنوعی: تاریخچه، مفاهیم کلیدی و تحولات

  • تاریخچه هوش مصنوعی
  • تولد هوش مصنوعی و مرور نقاط عطف (شبکه های عصبی، یادگیری عمیق، AlphaGo) 
  • رویکردهای سنتی: سیستم های مبتنی بر قواعد (Rule-Based)، یادگیری ماشین کلاسیک (SVM، درخت تصمیم)
  • مفاهیم کلیدی 
  • تفاوت بین هوش مصنوعی(AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL) 
  • معرفی مدل های زبانی (Language Models) و تحول از Seq2Seq به ترنسفورمرها (Transformers)
  • انقلاب مدل های پایه (Foundation Models) و LLMها 
  • تعریف مدل های پایه : قابلیت انتقال دانش (Transfer Learning) در مقیاس بزرگ
  • تفاوت LLMها (مثل GPT-4) با مدل های قدیمی تر (BERT، RNN) 
  • معماری مبتنی بر توجه (Attention) در مقابل LSTM/GRU
  • آموزش بدون نظارت (Self-Supervised) روی داده های متنوع
  • توانایی انجام وظایف چندگانه (Multitask) بدون تنظیم اختصاصی

۲. مدل های زبانی بزرگ (LLMها) مقایسه، هزینه ها و پیاده سازی

  • معرفی مدل های اصلی 
  • مقایسه فنی و کاربردی 
  • جدول مقایسه: اندازه مدل (پارامترها)، داده های آموزشی، محدودیت های توکن، هزینه استنتاج
  • عملکرد در وظایف خاص (کدنویسی، استدلال ریاضی، خلاصه سازی)
  • هزینه ها و چالش های عملیاتی 
  • هزینه آموزش (Training Cost) در مقابل هزینه استنتاج (Inference Cost)
  • بهینه سازی برای کاهش هزینه ها  Quantization، Pruning، استفاده از APIها (مثل OpenAI) در مقابل میزبانی خود (Self-Hosted)
  • پیاده سازی عملی 
  • استقرار مدل های متن باز (مثل LLaMA) با ابزارهایی مانند Hugging Face Transformers و vLLM
  • مدیریت حافظه و سخت افزار (GPU vs. TPU) 

۳. فناوری های پیشرفته در توسعه سیستم های مبتنی بر LLM

  • ذخیره سازی و بازیابی دانش : وکتور دیتابیس ها و RAG 
  • مفاهیم جاسازی (Embedding) و شباهت برداری (Vector Similarity)
  • پیاده سازی RAG (Retrieval-Augmented Generation)
  • تنظیم دقیق (Fine-Tuning) و آموزش تطبیقی 
  • تفاوت Fine-Tuning (آموزش کل مدل) با LoRA (Low-Rank Adaptation) 
  • استفاده از داده های دامنه خاص (مثل پزشکی، حقوقی)
  • کنترل و بهینه سازی خروجی ها 
  • تکنیک های MCP (Model Context Protocol) و RLHF (Reinforcement learning from human feedback) 
  • کاهش توهمات (Hallucinations) با سیستم های ترکیبی (مدل + پایگاه دانش)
  • ایجاد سیستم های چندعاملی (AI Agents) 
  • معماری عامل ها (Autonomous Agents): برنامه ریزی زنجیرهای (Chain-of-Thought)، ابزارهای خارجی (Tools API)
  • نمونه  AutoGPT، BabyAGI

4.پیاده سازی پروژه های عملی با چارچوب های متن باز

  • چارچوب های توسعه هوش مصنوعی 
  • اتصال مدل ها به منابع داده، ابزارها و سرویس های خارجی: LangChain/LlamaIndex
  • تولید تصویر/ویدئو با مدل های Stable Diffusion و Diffusers Hugging Face
  • پروژه نمونه : ساخت چت بات هوشمند 

5. آینده مهندسی نرم افزار: مهارت های ضروری و تحولات

  • تغییر نقش مهندسان در عصرAI
  • انتقال از کدنویسی صرف به طراحی سیستم های هوشمند (AI System Design)
  • اهمیت درک مفاهیم MLOps و LLMOps
  • ادغام با حوزه های میان رشته ای 
  • آشنایی با مدیریت محصول (Product Management) : اولویت بندی نیازها، تعامل با ذینفعان
  • مهارت های ابری (AWS/GCP/Azure) مدیریت زیرساخت های مقیاس پذیر
  • توسعه مهارت های نرم 
  • تفکر انتقادی برای ارزیابی خروجی های AI
  • یادگیری مستمر با توجه به سرعت تحولات فناوری

6. ابزارهای کدنویسی مبتنی بر هوش مصنوعی

  • مقایسه ابزارها 
  • یکپارچه سازی GitHub Copilot با  VS Code
  • ویرایشگر مبتنی بر گفتگو GPT-4    
  • ابزارهای جایگزین  Tabnine،Amazon CodeWhisperer
  • کاربردهای پیشرفته 
  • دیباگ خودکار، تولید تست های واحد (Unit Tests)، بازنویسی کد
  • محدودیت ها : وابستگی به کیفیت داده های آموزشی، ریسک امنیتی

7.  ابزارهای افزایش بهره وری مهندسان نرم افزار

  • اتوماسیون توسعه نرم افزار 
  • تولید خودکار کد با Bolt، Retool یا Copilot
  • تولید API و داکیومنت با ابزارهایی مانند FastAPI + Swagger
  • بهینه سازی فرآیندها 
  • مدیریت وابستگی ها با Dependabot،Renovate
  • ابزارهای تحلیل کد SonarQube،Semgrep
  • ادغام با DevOps 
  • Pipe Line های CI/CD با GitHub Actions،GitLab CI