ساخت سیستم‌های هوش مصنوعی عامل‌محور (Agentic AI) برای مبتدیان - آموزش عملی [ویدئویی] - آخرین آپدیت

دانلود Building Autonomous Agentic AI Systems for Beginners HandsOn [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: هوش مصنوعی عامل‌محور (Agentic AI) نشان‌دهنده تغییری از مدل‌های ایستا به سیستم‌های خودمختاری است که می‌توانند استدلال کنند، برنامه‌ریزی کنند و به طور مستقل عمل کنند. این دوره با معرفی مبانی Agentic AI آغاز می‌شود و توضیح می‌دهد که عامل‌ها (Agents) چه هستند، چه تفاوتی با هوش مصنوعی سنتی دارند و چرا سازمان‌ها در حال پذیرش رویکردهای عامل‌محور هستند. شما مفاهیم کلیدی مانند خودمختاری، استدلال، برنامه‌ریزی، ابزارها و محدودیت‌های دنیای واقعی را از طریق یک ساختار شفاف و منسجم درک خواهید کرد. سپس سفر آموزشی به سراغ بلوک‌های فنی می‌رود که قدرت‌بخش سیستم‌های عامل‌محور هستند. شما مدل‌های زبانی بزرگ (LLMs)، سیستم‌های حافظه، Embeddingها، پایگاه داده‌های برداری و تولید تقویت‌شده با بازیابی (RAG) را بررسی خواهید کرد. این دوره جریان‌های کاری عامل، مهندسی پرامپت، ارکستراسیون وظایف و ادغام ابزارها را پوشش می‌دهد که با نمایش‌های عملی مانند ساخت عامل‌های ساده، عامل‌های مجهز به RAG و سیستم‌های مبتنی بر MCP تقویت شده است. در مراحل نهایی، تمرکز بر توسعه پیشرفته و استقرار است. شما راهکارهای واقعی را با استفاده از Smolagents، CrewAI، MCP و n8n خواهید ساخت، از جمله سیستم‌های چند-عاملی، عامل‌های مانیتورینگ ابری و معماری‌های بین-ابری. دوره با الگوهای طراحی عامل‌محور، بازتاب (Reflection)، بهینه‌سازی، نرده‌های حفاظتی ایمنی و روش‌های استقرار به پایان می‌رسد و شما را برای طراحی سیستم‌های Agentic AI مقیاس‌پذیر و آماده تولید مجهز می‌کند. آنچه در این دوره می‌آموزید: - درک مفاهیم اصلی پشت سیستم‌های خودمختار Agentic AI - ساخت عامل‌های هوش مصنوعی کاربردی با استفاده از فریم‌ورک‌ها و ابزارهای مدرن - طراحی سیستم‌های چند-عاملی با قابلیت همکاری و خودمختاری - ادغام حافظه RAG، Embeddingها و جریان‌های کاری جستجوی برداری - استقرار عامل‌ها با استفاده از روش‌های بهینه‌سازی و نرده‌های حفاظتی ایمنی - ایجاد راهکارهای عامل‌محور ابری و بین-ابری در دنیای واقعی این دوره برای توسعه‌دهندگان، دانشمندان داده، مهندسان یادگیری ماشین (ML)، مهندسان بک‌اند و معماران سیستم طراحی شده است که می‌خواهند فراتر از استفاده‌های ساده از LLM رفته و سیستم‌های هوش مصنوعی خودمختار بسازند. همچنین برای علاقه‌مندان به AI و سازندگان محصول که در جستجوی اتوماسیون هوشمند و جریان‌های کاری چند-عاملی هستند، بسیار مناسب است. دانشجویان باید با زبان پایتون آشنا باشند و درک اولیه‌ای از نحوه عملکرد مدل‌های زبانی بزرگ داشته باشند.

سرفصل ها و درس ها

مقدمه دوره Course Introduction

  • مقدمه Introduction

آشنایی با هوش مصنوعی عامل‌محور (Agentic AI) Introduction to Agentic AI

  • مقدمه بخش Section Introduction

  • هوش مصنوعی عامل‌محور (Agentic AI) چیست؟ What Is Agentic AI?

  • تفاوت Agentic AI با هوش مصنوعی سنتی و عامل‌های AI How Agentic AI Is Different from Traditional AI and AI Agents

  • چرا سازمان‌ها به سمت Agentic AI حرکت می‌کنند؟ Why Organizations Are Moving Toward Agentic AI

  • بلوک‌های سازنده یک سیستم Agentic AI Building Blocks of an Agentic AI System

  • تأثیرات صنعتی و محدودیت‌های Agentic AI Industry Impact and Limitations of Agentic AI

  • خلاصه Summary

مبانی هوش مصنوعی عامل‌محور Foundation of Agentic AI

  • مقدمه بخش Section Introduction

  • مدل‌های زبانی بزرگ (LLMs) Large Language Models (LLMs)

  • درک عامل‌های هوش مصنوعی Understanding AI Agents

  • دمو: ساخت عامل هوشمند آب‌وهوا از صفر Demonstration: Weather AI Agent from Scratch

  • تولید تقویت‌شده با بازیابی (RAG) Retrieval-Augmented Generation (RAG)

  • Embeddingها و نمایش‌های برداری Embeddings and Vector Representations

  • سیستم‌های حافظه در Agentic AI Memory Systems in Agentic AI

  • مهندسی پرامپت و ارکستراسیون وظایف Prompt Engineering and Task Orchestration

  • جریان کاری هوش مصنوعی عامل‌محور Agentic AI Workflow

  • دمو: لانچر نمونه‌های AWS Demonstration: AWS Instance Launcher

  • خلاصه Summary

توسعه سیستم‌های Agentic AI Developing Agentic AI Systems

  • مقدمه بخش Section Introduction

  • فریم‌ورک‌ها و پلتفرم‌های توسعه Frameworks and Development Platforms

  • دمو: آشنایی با Smolagents Demonstration: Introduction to Smolagents

  • دمو: عامل هوشمند آب‌وهوا با استفاده از Smolagents Demonstration: Weather Agentic AI Using Smolagents

  • دمو: کار با SQL در Agentic AI با استفاده از Smolagents Demonstration: SQL with Agentic AI Using Smolagents

  • دمو: ساخت عامل‌های Low-Code و No-Code با n8n Demonstration: Creating Low-Code and No-Code Agents with n8n

  • خلاصه Summary

شروع کار با MCP Getting Started with MCP

  • مقدمه بخش Section Introduction

  • درک پروتکل کانتکست مدل (MCP) Understanding Model Context Protocol (MCP)

  • MCP چگونه کار می‌کند؟ How Does MCP Work?

  • دمو: ساخت یک سرور MCP Demonstration: Build an MCP Server

  • دمو: ساخت یک عامل بر روی سرور MCP Demonstration: Building an Agent on Top of MCP Server

  • دمو: استفاده از Docker MCP در Agentic AI Demonstration: Docker MCP with Agentic AI

  • خلاصه Summary

مقدمه‌ای بر سیستم‌های چند-عاملی Introduction to Multi-Agent Systems

  • مقدمه بخش Section Introduction

  • سیستم چند-عاملی (MAS) Multi-Agent System (MAS)

  • معماری سیستم‌های چند-عاملی Multi-Agent System Architecture

  • فریم‌ورک‌های سیستم‌های چند-عاملی Frameworks for Multi-Agent Systems

  • دمو: نصب CrewAI Demonstration: CrewAI Installation

  • دمو: ساخت یک سیستم چند-عاملی ساده با CrewAI Demonstration: Building a Simple Multi-Agent System Using CrewAI

  • دمو: ساخت یک سیستم چند-عاملی پیشرفته با CrewAI Demonstration: Building an Advanced Multi-Agent System Using CrewAI

  • دمو: ساخت سیستم چند-عاملی با استفاده از n8n Demonstration: Building Multi-Agent System Using n8n

  • دمو: ساخت سیستم چند-عاملی مانیتورینگ AWS Demonstration: Building AWS Monitoring Multi-Agent System

  • دمو: سیستم چند-عاملی بین-ابری با Google Cloud و AWS Demonstration: Cross-Cloud Multi-Agent System with Google Cloud and AWS

  • خلاصه Summary

عامل‌های تقویت شده با RAG RAG-Enhanced Agents

  • مقدمه بخش Section Introduction

  • ادغام RAG در عامل‌ها Integrating RAG into Agents

  • دمو: عامل پرسش و پاسخ مبتنی بر RAG Demonstration: RAG-Based Q&A Agent

  • دمو: استفاده از Agentic RAG در CrewAI Demonstration: Agentic RAG Using CrewAI

  • دمو: Agentic RAG برای هوشمندی دوره آموزشی Demonstration: Agentic RAG for Course Intelligence

  • دمو: عامل بررسی امکان‌سنجی پروژه با Agentic RAG Demonstration: Project Feasibility Agent Using Agentic RAG

  • خلاصه Summary

بازتاب، بهینه‌سازی و استقرار Reflection, Optimization and Deployment

  • مقدمه بخش Section Introduction

  • بازتاب (Reflection) و خود-بهبودی Reflection and Self-Improvement

  • استقرار عامل‌ها Deploying Agents

  • نرده‌های حفاظتی و ایمنی Guardrails and Safety

  • خلاصه Summary

الگوهای طراحی عامل‌محور Agentic Design Patterns

  • مقدمه بخش Section Introduction

  • آشنایی با الگوهای طراحی عامل‌محور Introduction to Agentic Design Patterns

  • چگونه الگوی طراحی مناسب را انتخاب کنیم؟ How to Choose the Right Agentic Design Pattern

  • الگوهای طراحی تک-عاملی Single-Agent Design Patterns

  • الگوهای طراحی چند-عاملی - بخش اول Multi-Agent Design Patterns – Part 1

  • الگوهای طراحی چند-عاملی - بخش دوم Multi-Agent Design Patterns – Part 2

  • خلاصه Summary

جمع‌بندی دوره Course Conclusion

  • جمع‌بندی نهایی Conclusion

نمایش نظرات

ساخت سیستم‌های هوش مصنوعی عامل‌محور (Agentic AI) برای مبتدیان - آموزش عملی [ویدئویی]
جزییات دوره
6h 3m
64
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Yogesh Raheja, Thinknyx Technologies Yogesh Raheja, Thinknyx Technologies

Thinknyx® Technologies یک برند شناخته شده است که خدمات مشاوره و پیاده سازی فناوری اطلاعات را ارائه می دهد، آموزش های جامع فناوری اطلاعات و مهارت های نرم ارائه می دهد و راه حل های استعدادیابی (استخدام) را برای سازمان های مختلف در سراسر جهان ارائه می دهد. با بیش از یک دهه تجربه اصلی در صنعت، آنها با موفقیت به مشتریان خود در برنامه ریزی استراتژیک و اجرای بی عیب و نقص راه حل های پیرامون ابتکارات فناوری اطلاعات و غیر IT کمک کرده اند. یوگش راهجا بنیانگذار و یک معمار ارشد راه حل در Thinknyx Technologies و مدرس دوره های ویدیویی است. یوگش مشاور قابل اعتماد سازمان‌های متعددی بوده است و با تخصص خود آنها را در سفر DevOps، زیرساخت‌های کد، کانتینری‌سازی، محاسبات ابری، راه‌حل‌های اتوماسیون و هوش مصنوعی/ML/هوش مصنوعی مولد راهنمایی می‌کند. او همچنین چندین کتاب منتشر شده در سطح جهانی (مانند "DevOps موثر با AWS"، "Automation with SaltStack"، "Automation with Puppet 5" و "Automation with Ansible") منتشر شده توسط Packt، Wiley و OrangeAVA را تالیف کرده است.