آموزش دوره جامع هوش مصنوعی مولد و Agentic AI با پایتون - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• نصب ابزارها (VSCode و پایتون) Installation of Tools (VSCode and Python)

• تنظیمات VS Code (افزونه‌ها و تم‌ها) VS Code Setup (Extensions and Themes)

• دریافت فایل‌های کد Get your code files here

آشنایی با دنیای کدنویسی با پایتون Introduction to Coding world with python

• آشنایی با مدرس - هیتش Meet your Instructor - Hitesh

• برنامه‌نویسی چیست؟ What is Programming..?

• تبدیل ایده به کد پایتون Convert that into Python Code

• معرفی کد پایتون در دنیای واقعی A Real World Python Code Intro

• چرا از پایتون استفاده کنیم؟ Why to use Python

• نوشتن اولین کد پایتون در MAC Writing first Python code on MAC

• نوشتن اولین کد پایتون در WINDOWS Writing first Python code on WINDOWS

• استفاده از محیط مجازی (Virtual Environment) Get everything in Virtual Environment

• سازماندهی حرفه‌ای کدهای پایتون Organize Python Code like a Pro

• استاندارد PEP8 و فلسفه پایتون (Zen of Python) PEP8 and Zen of python

انواع داده در پایتون Data Types in Python

• اشیاء قابل تغییر و تغییرناپذیر در پایتون Objects - Mutable and Immutable in Python

• بررسی عمیق اعداد، Booleanها و عملگرها Numbers, Booleans and Operators in Depth in Python

• رشته‌ها: ایندکس، برش (Slice) و کدگذاری String - Index, Slice and Encoding

• تاپل‌ها و تست عضویت Tuples and Membership Testing

• مبانی لیست‌ها در پایتون Basics of List in Python

• Overloading عملگرها و bytearray Operator overloading and bytearray in python

• مجموعه‌ها (Set و frozenset) در پایتون Set and frozenset in python

• دیکشنری در پایتون Dictionary in Python

• اشاره به انواع داده پیشرفته مانند Collections Touch on Advance Data types like Collections

دستورات شرطی در پایتون Conditionals in python

• پروژه داستان جوشاندن کتری Kettle Boiling Story Project

• ساخت سیستم سفارش میان‌وعده Building a Snack System

• ساخت ماشین حساب قیمت چای Building a Chai Price Calculator

• ساخت سیستم ترموستات هوشمند Building Smart Thermostat System

• سیستم تخفیف هزینه ارسال Delivery Fees Waiver System

• ساخت سیستم اطلاعات صندلی قطار Build a train seat information system

حلقه‌ها در پایتون Loops in python

• مقدمه‌ای بر حلقه‌ها Introduction to Loops

• دستگاه توکن‌دهی چای Tea Token Dispenser

• آماده‌سازی دسته‌ای چای Batch Chai Preparation

• حلقه روی لیست نام سفارشات Looping through list - Orders Name

• چرا از Enumerate استفاده کنیم؟ Why to use Enumerate

• ترکیب لیست‌ها با Zip Zip Can Combine Lists

• معرفی حلقه While در پایتون Introducing While Loop in Python

• دستورات Break، Continue و بازگشت حلقه Break, Continue and Loop Fallback

• عملگر Walrus در پایتون Walrus Operator is Interesting in Python

• استفاده از دیکشنری به جای Match Case Dictionary in place of Match Case

توابع در پایتون Functions in python

• توابع: کاهش تکرار و تقسیم وظایف پیچیده Functions - Reducing Duplication and Splitting Complex Tasks

• سه ویژگی کاربردی دیگر در توابع Functions - 3 More Features

• محدوده (Scope) و فضای نام در توابع Scope and Named Space in Functions

• محدوده‌های Non-local در مقابل Global Non local vs Global scopes

• مدیریت آرگومان‌ها در توابع پایتون Handling Arguments in Function in Python

• مدیریت خروجی‌های متعدد در پایتون Handle Multiple Return in Python

• توابع Lambda و توابع Pure در مقابل Impure Lambdas, Pure vs Impure functions

• مستندسازی توابع و توابع داخلی پایتون Documenting your Functions and Built-in Functions

• وارد کردن (Import)، ماژول‌ها و فایل Init Python Imports, Modules and Init File

کامپرهنشن‌ها در پایتون Comprehensions in python

• کامپرهنشن‌ها در پایتون چیستند؟ What are Comprehensions in Python?

• List Comprehensions در پایتون List Comprehensions in Python

• Set Comprehensions در پایتون Set Comprehensions in Python

• Dictionary Comprehensions در پایتون Dictionary Comprehensions in Python

• ژنراتور کامپرهنشن برای بهینه‌سازی حافظه Generator Comprehensions for Memory Optimization

ژنراتورها و دکوراتورها در پایتون Generators and Decorators in python

• ژنراتورها با متدهای Yield و Next Generators with Yield and Next Methods

• ژنراتورهای بی‌نهایت در پایتون Infinite Generators in Python

• ارسال مقدار به ژنراتورها Send Value to Generators

• استفاده از Yield From و بستن ژنراتورها Yield From and Close the Generators

• دکوراتورها در پایتون Decorators in Python

• ساخت یک Logger با دکوراتور Build a Logger with Decorator

• ساخت دکوراتور احراز هویت Build an Authorization Decorator

برنامه‌نویسی شی‌گرا (OOP) در پایتون Object oriented programming in python

• ساخت اولین کلاس و شیء در پایتون Building your 1st Class and Object in Python

• فضای نام کلاس و شیء Class and Object Namespace

• Attribute Shadowing در پایتون Attribute Shadowing in Python

• آرگومان Self در پایتون Self argument in python

• سازنده‌ها (Constructors) و Init در کلاس‌ها Constructors and Init in Python Classes

• وراثت (Inheritance) و ترکیب (Composition) Inheritance and Composition in Python Classes

• سه روش دسترسی به کلاس پایه 3 Ways to Access Base Class

• ترتیب حل متد (MRO) Method Resolution Order - MRO

• متدهای استاتیک در پایتون Static Methods in Python

• تفاوت Classmethod و Staticmethod Classmethod vs Staticmethod

• دکوراتور Property: Getter و Setter Property decorator - Getter and Setter

مدیریت فایل‌ها و استثناها در پایتون File and exception handling in python

• مدیریت خطا چیست؟ What is Error handling

• استفاده از try, except, else و finally Try except else and finally

• گرفتن استثناهای متعدد Catching multiple exceptions

• ایجاد خطاهای سفارشی (Raise) Raise your own errors

• ساخت Exceptionهای اختصاصی Creating custom exceptions

• مینی پروژه مدیریت استثناها Mini project with exception learning

• مدیریت فایل با try except و with File handling with try except and with

چند‌نخی، چند‌پردازشی و GIL در پایتون MultiThreading, Multiprocessing, GIL in python

• فایل‌های کد بخش Thread و Concurrency Code files for Thread and concurrency section

• هم‌روندی (Concurrency) و موازی‌سازی (Parallelism) چیست؟ What is Concurrency and Parallelism?

• قفل مفسر جهانی (GIL) چیست؟ What is Global Interpreter Lock - GIL

• بررسی عمیق Threadها و Lock Threads and lock in depth

• پردازش چندگانه با Queue و Value Multi Process with Queue and Value

برنامه‌نویسی ناهمگام (Asyncio) در پایتون Asyncio in python

• فایل‌های کد بخش Asyncio Code files for asyncio section

• مفاهیم Asyncio، Event loop، coroutines و await Asyncio, Event loop, coroutines and await in python

• ترکیب Threadها با Asyncio Mixing threads with asyncio in python

• ترکیب Asyncio و MultiProcess Asyncio and MultiProcess in python

• درک Threadهای Daemon در مقابل Non-Daemon Understanding Daemon vs Non-Daemon Threads

• دیباگ و پروفایلینگ: Race condition و Deadlock Debugging and Profiling - Race condition and Deadlock in python

هر آنچه باید درباره Pydantic بدانید All that you should know about pydantic

• چرا Pydantic مهم است؟ Why pydantic is important

• پایه‌های Pydantic The foundation of pydantic

• تبدیل‌های پیش‌فرض Pydantic Pydantic Default conversions

• ترکیب Pydantic و Typing Mixing pydantic and typing in python

• افزودن اعتبارسنجی با Field Adding validations with Field

• اعتبارسنج‌های Field و Model Field and model validators in python

• ویژگی‌های محاسباتی در Pydantic Computed property in pydantic

• اعتبارسنجی پیشرفته در Pydantic Advance Validation in pydantic

• مدل‌های تو در تو (Nested models) Nested models in pydantic

• مدل‌های خود-ارجاع (Self referencing) Self referencing models in pydantic

• الگوهای پیشرفته مدل‌های تو در تو Advance nested model patterns

• بهترین روش‌ها برای طراحی مدل Pydantic Best practice for pydantic model design

• سریال‌سازی با model_dump و model_dump_json Model dump and model dump json in serialization of pydantic

مبانی اصلی هوش مصنوعی مولد Core Foundations of Generative AI

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

• بررسی عمیق معماری GPT Deep Dive into the GPT Architecture

• LLMها در لایه‌های زیرین چگونه کار می‌کنند؟ How LLMS Work under the Hood?

• مبانی توکن‌گذاری در NLP Fundamentals of Tokenization in NLP

• پیاده‌سازی یک توکن‌ساز سفارشی در پایتون Implementing a Custom Tokenizer in Python

• تحول ترنسفورمر: مقاله گوگل درباره Attention The Transformer Breakthrough: Google’s Paper on Attention

• بررسی عمیق Vector Embeddings Deep Diving into Vector Embeddings

• نقش Positional Encodings در ترنسفورمرها Role of Positional Encodings in Transformers

• درک Multi Head Attention برای کانتکست غنی Understanding Multi-Head Attention for Rich Context

راه‌اندازی و ادغام API API Setup & Integration

• پیکربندی حساب OpenAI Configuring Your OpenAI Account

• فراخوانی APIهای OpenAI با پایتون Invoking OpenAI APIs with Python

• ساخت و راه‌اندازی حساب Google Gemini Creating and Setting Up Google Gemini Account

• استفاده از Gemini با APIهای سازگار با OpenAI Using Google Gemini with OpenAI-Compatible APIs

تکنیک‌های پیشرفته مهندسی پرامپت Advanced Prompt Engineering Techniques

• مبانی پرامپت: کدگذاری دستورات برای LLMها Prompt Fundamentals: Encoding Instructions for LLMs

• انواع پرامپت: Zero Shot، Few Shot، One Shot Prompting Types: Zero-Shot, Few-Shot, One-Shot

• پرامپت One Shot برای استنتاج قطعی One-Shot Prompting for Deterministic Inference

• پرامپت Few Shot برای تعمیم کانتکستی Few-Shot Prompting for Contextual Generalization

• خروجی‌های ساختاریافته با Few Shot Prompting Structured Outputs with Few-Shot Prompting

• زنجیره تفکر (CoT) برای استدلال Chain-of-Thought (CoT) for Reasoning

• Auto CoT: تولید خودکار پرامپت‌های استدلالی Auto-CoT: Automated Reasoning Prompt Generation

• پرامپت‌نویسی مبتنی بر پرسونا Persona-Based Prompting

سریال‌سازی پرامپت و فرمت‌های دستورالعمل Prompt Serialization & Instruction Formats

• مقدمه‌ای بر استایل‌های سریال‌سازی پرامپت Introduction to Prompt Serialization Styles

• تمپلیت پرامپت Alpaca برای تنظیم دستورالعمل Alpaca Prompt Template for Instruction Tuning

• اسکمای ChatML: فرمت ساختاریافته OpenAI ChatML Schema: OpenAI’s Structured Prompt Format

• فرمت INST: مشخصات دستورالعمل LLaMA 2 INST Format: LLaMA-2 Instruction Specification

استقرار محلی LLM و ادغام API Local LLM Deployment & API Integration

• مرور Ollama: موتور اجرای محلی LLM Ollama Overview: Local LLM Runtime Engine

• راه‌اندازی محیط داکری برای LLMها Dockerized Environment Setup for LLMs

• اجرای مدل‌های Ollama با Docker Runner Running Ollama Models with Docker Runner

• پیکربندی OpenWebUI با بک‌اِند Ollama Configuring OpenWebUI with Ollama Backend

• راه‌اندازی محیط FastAPI و پیش‌نیازها FastAPI Environment Setup & Dependencies

• ادغام Ollama با FastAPI و APIهای پایتون Integrating Ollama with FastAPI & Python APIs

اجرای LLMها از طریق Hugging Face Hub Running LLMs via Hugging Face Hub

• استقرار مدل‌های Hugging Face – مقدمه Hugging Face Model Deployment – Section Intro

• پیکربندی و ایمن‌سازی حساب Hugging Face Configuring and Securing Hugging Face Account

• دسترسی به مدل‌های Instruct Tuned (مانند Google Gemma) Accessing Instruct-Tuned Models (Google Gemma)

• نصب و استفاده از ابزارهای CLI هگینگ فیس Installing and Using Hugging Face CLI Tools

• دانلود و اجرای مدل‌ها از HF Hub Model Downloading & Execution from HF Hub

ساخت ایجنت‌های AI و جریان‌های کاری ایجنتی Building AI Agents and Agentic Workflows

• مبانی AI ایجنتی – مقدمه Agentic AI Fundamentals – Section Intro

• ایجنت‌های AI دقیقاً چه هستند؟ (مفاهیم اصلی) What Exactly Are AI Agents? (Core Concepts)

• کدنویسی اولین ایجنت AI Coding Your First AI Agent

• اجبار به خروجی ساختاریافته با Pydantic Enforcing Structured Outputs with Pydantic

• ساخت ایجنت کدنویسی CLI (شبیه Claude Code) از صفر Building a CLI Coding Agent (Claude Code) from Scratch

پروژه ساخت چت با PDF با استفاده از RAG Building Chat with PDF Project using RAG (Retrieval-Augmented Generations)

• مقدمه RAG و LangChain – نمای کلی Intro to RAG & LangChain – Section Overview

• تعریف مشکل اصلی در سیستم‌های RAG Defining the Core Problem in RAG Systems

• رویکرد راهکار مبتنی بر بازیابی ساده (Naive) Naive Retrieval-Based Solution Approach

• خط لوله RAG – توضیح جریان کاری ایندکس‌گذاری RAG Pipeline – Indexing Workflow Explained

• خط لوله RAG – بررسی عمیق مکانیزم بازیابی RAG Pipeline – Retrieval Mechanism in Depth

• راه‌اندازی Vector DB محلی با Docker Compose Local Vector DB Setup with Docker Compose

• نصب و راه‌اندازی LangChain LangChain Installation & Setup

• لودرهای سند LangChain برای PDF LangChain Document Loaders for PDF

• تکه‌بندی و تقسیم اسناد در LangChain LangChain Document Chunking & Splitting

• استفاده از Vector Store به عنوان بازیاب LangChain Vector Store as Retrievers

• اجرای بازیابی RAG با قدرت LangChain LangChain-Powered RAG Retrieval Execution

سیستم RAG مقیاس‌پذیر با صف‌های ناهمگام و ورکرها Scalable RAG with Async Queues & Distributed Workers

• تفاوت Sync و Async در معماری‌های RAG Sync vs Async in RAG Architectures

• مقدمه‌ای بر طراحی سیستم صف برای تنظیمات Async Introduction to Queues System Design for Async Setup

• راه‌اندازی صف‌های توزیع شده با Python RQ Python RQ Setup Distributed Queues

• راه‌اندازی Redis و Valkey با داکر Setting up Redis and Valkey with Docker

• مدیریت ورکرها با Python RQ Worker Orchestration with Python RQ

• راه‌اندازی نقاط انتهایی FastAPI برای صف چت FastAPI Endpoints setup for chat Queue

• قرار دادن پیام‌ها در صف به صورت ناهمگام با FastAPI Asynchronous Message Enqueueing with FastAPI

• Polling و دریافت پیام‌ها از صف‌های Async در FastAPI FastAPI Polling & Dequeuing Messages from Async Queues

• اجرا و مقیاس‌بندی گره‌های ورکر برای پردازش پس‌زمینه Running & Scaling Worker Nodes for Background Processing

ایجنت‌های چندوجهی (Multi Modal) Multi Modal Agents

• ایجنت چندوجهی (Multi Modal) چیست؟ What is Multi Modal Agent?

• ارسال چندرسانه‌ای (تصاویر) به LLM Sending Multimedia to LLM (Images)

ساخت جریان‌های کاری ایجنتی با LangGraph Building Agentic Workflows with LangGraph

• مقدمه: چرا LangGraph برای ایجنت‌های AI تحول‌آفرین است؟ Section Intro - Why LangGraph is a Game-Changer for AI Agents

• بررسی عمیق LangGraph – مفاهیم اصلی، گره‌ها و یال‌ها Deep Dive into LangGraph – Core Concepts, Nodes and Edges

• راه‌اندازی LangGraph – نصب و پیکربندی محیط Setting Up LangGraph – Installation and Environment Configuration

• تعریف State در LangGraph برای کانتکست ایجنت Defining State in LangGraph for AI Agent Context

• تعریف گره‌ها و توابع در LangGraph Defining Nodes and Functions in LangGraph

• اتصال گره‌ها با یال‌ها – طراحی گراف پیچیده AI Connecting Nodes with Edges – Designing Complex AI Graph

• تست و دیباگ جریان کاری AI در LangGraph Testing and Debugging Your LangGraph AI Workflow

• ادغام LLMها در LangGraph Integrating AI LLMs into LangGraph

• یال‌های شرطی و مسیریابی هوشمند Conditional Edges & Smart Routing

مدیریت وضعیت (Checkpointing) در LangGraph با MongoDB Checkpointing Workflows in LangGraph with MongoDB

• Checkpointing چیست؟ فعال‌سازی ماندگاری در جریان‌های ایجنتی What is Checkpointing? Enabling Persistence in AI Agent Workflows

• راه‌اندازی MongoDB با داکر برای ذخیره Checkpointها Setting Up MongoDB with Docker for LangGraph Checkpoint Storage

• پیاده‌سازی MongoDB Checkpointer در گراف‌های LangGraph Implementing MongoDB Checkpointer in LangGraph Workflow Graphs

لایه حافظه – ساخت حافظه کوتاه‌مدت، بلندمدت و معنایی در ایجنت‌ها The Memory Layer – Building Short, Long, and Semantic Memory in AI Agents

• مقدمه: لایه حافظه در ایجنت‌های AI Section Intro - The Memory Layer in AI Agents

• حافظه در AI و ایجنت‌ها چیست؟ What is Memory in AI and Agents

• انواع مختلف معماری حافظه در AI و ایجنت Different Types of Memory Architectures in AI and Agent

• حافظه کوتاه‌مدت – مدیریت پنجره‌های کانتکست Short-Term Memory – Handling Context Windows

• حافظه بلندمدت – دانش ماندگار Long-Term Memory – Persistent Knowledge

• حافظه واقع‌گرایانه (Factual) برای ایجنت‌ها Factual Memory for AI Agents

• حافظه اپیزودیک در جریان‌های کاری AI Episodic Memory in AI Workflows

• حافظه معنایی برای دانش عمومی Semantic Memory for General Knowledge

• راه‌اندازی Mem0 با پایتون برای لایه حافظه AI Mem0 Setup with Python for AI Memory Layer

• پیکربندی Mem0 با پایتون برای ایجنت‌ها Mem0 Configuration with Python for Agents

• راه‌اندازی پایگاه داده برداری با داکر برای حافظه Vector Database Setup with Docker for Memory

• استفاده از Vector DB برای حافظه ایجنت AI Using Vector Databases for AI Agent Memory

حافظه گرافی و گراف‌های دانش در ایجنت‌های AI Graph Memory and Knowledge Graphs In AI Agents

• مقدمه حافظه گرافی (Graph Memory) Section Intro to the Graph Memory

• گراف در سیستم‌های AI و داده چیست؟ What is a Graph in AI and Data Systems

• چرا حافظه گرافی در ایجنت‌های AI مورد نیاز است؟ Why Graph Memory is Needed in AI Agents

• معرفی پایگاه‌های داده گرافی Neo4j و Kuzu Introduction to Graph Databases Neo4j and Kuzu

• راه‌اندازی نمونه ابری Neo4j برای حافظه گرافی Setting Up Neo4j Cloud Instance for Graph Memory

• مبانی کوئری Cypher برای پایگاه‌های داده گرافی Basics of Cypher Query for Graph Databases

• افزودن پشتیبانی از پایگاه داده گرافی برای ایجنت حافظه Adding Graph Database Support for Memory Agent

• تست پیاده‌سازی حافظه گرافی در ایجنت‌ها Testing Graph Memory Implementation in Agents

هوش مصنوعی ایجنتی محاوره‌ای با ایجنت‌های صوتی Conversational Agentic AI with Voice Agents and Chained Patterns

• مقدمه AI ایجنتی محاوره‌ای Section Intro to Conversational Agentic AI

• درک AI محاوره‌ای برای ایجنت‌ها Understanding Conversational AI for Agents

• ایجنت‌های صوتی S2S و زنجیره‌ای The S2S and Chained Voice Agents

• ایجنت‌های صوتی Speech-to-Speech Speech To Speech Voice Agents

• درک الگوی زنجیره‌ای برای ایجنت‌های صوتی Understanding the Chained Pattern for Voice Agents

• راه‌اندازی STT برای ایجنت محاوره‌ای زنجیره‌ای Setting Up STT for Chained Conversational Agent

• راه‌اندازی OpenAI GPT Completions برای ایجنت زنجیره‌ای Setting Up OpenAI GPT Completions for Chained Agent

• راه‌اندازی TTS برای ایجنت‌های AI محاوره‌ای Setting Up TTS for Conversational AI Agents

• ساخت کلون Cursor IDE صوتی مبتنی بر AI Building a Voice Based AI Cursor IDE Clone

پروتکل کانتکست مدل (MCP) Model Context Protocol - MCP

• مقدمه پروتکل کانتکست مدل (MCP) Section Intro to Model Context Protocol

• درک اینکه Model Context Protocol چیست Understanding What Model Context Protocol (MCP) Is

• بررسی معماری MCP Exploring the Architecture of MCP

آموزش‌های تکمیلی Git Git - Additional Learning

• مقدمه‌ای بر سری آموزش‌های GIT Introduction to GIT series

• دستور git init و پوشه مخفی Git init and hidden folder

• کامیت‌ها و لاگ‌های گیت Git commits and logs

• عملکرد داخلی و تنظیمات گیت Git internal working and configs

• ادغام (Merge) و تداخلات (Conflicts) در گیت Git merge and git conflicts

• دستور Git Diff و Stashing Git Diff and stashing

• Rebase در گیت آنقدرها ترسناک نیست Git rebase is not that scary

• جزئیات Push کردن کد به گیت‌هاب Insight of pushing code to github

• نحوه ارسال Pull Request و مشارکت در متن‌باز How to make Pull Request and Open Source contribution

تسلط بر Docker برای توسعه‌دهندگان – از مبانی تا CLI و Dockerfile Mastering Docker for Developers – From Basics to CLI and Dockerfile

• مقدمه‌ای بر داکر و ظهور کانتینری‌سازی در DevOps Introduction to Docker and the Rise of Containerization in DevOps

• مشکلات واقعی که داکر در توسعه مدرن حل می‌کند Real-World Problem That Docker Solves in Modern Development

• درک تفاوت بین Docker و ماشین‌های مجازی (VM) Understanding the Difference Between Docker and Virtual Machines

• نحوه نصب داکر برای توسعه محلی How to Install Docker on Your System for Local Development

• کانتینرهای داکر در مقابل ایمیج‌های داکر: تفاوت چیست؟ Docker Containers vs Docker Images: What's the Difference?

• معرفی Docker CLI و دستورات پرکاربرد Introduction to Docker CLI and Commonly Used Commands

• اجرای کانتینرهای داکر با CLI و مثال‌های عملی Running Docker Containers Using the CLI with Practical Examples

• کار با ایمیج‌های داکر از طریق خط فرمان Working with Docker Images Through Command-Line Interface (CLI)

• بررسی دستورات مدیریت و دیباگ کانتینرهای داکر Exploring Docker Container Commands for Management and Debugging

• ساخت و استفاده از Dockerfile برای کانتینری‌سازی اپلیکیشن‌های Node.js Creating and Using a Dockerfile to Containerize Node.js Apps

• بهترین روش‌ها برای بهینه‌سازی سرعت و عملکرد ایمیج‌ها Best Practices to Optimize Docker Images for Speed and Performance

• درک و پیاده‌سازی Port Mapping در کانتینرها Understanding and Implementing Port Mapping in Docker Containers

• اتصال خودکار پورت‌ها در داکر: اکسپوز دینامیک پورت‌ها Auto Port Mapping in Docker: Dynamic Exposure of Container Ports

• پبلش کردن ایمیج‌ها در Docker Hub یا رجیستری‌های خصوصی Publishing Docker Images to Docker Hub or Private Registries

• ساخت ایمیج‌های Multi-stage بهینه برای محیط Production Building Optimized Multi-Stage Docker Images for Production Use

• بهترین روش‌های امنیتی برای اجرای ایمن کانتینرها Security Best Practices for Running Docker Containers Safely

• درک شبکه Bridge داکر برای ارتباط بین کانتینرها Understanding Docker Bridge Networking for Container Communication

• ساخت Bridgeهای سفارشی برای ایزولاسیون شبکه Creating and Using Custom Docker Bridges for Network Isolation

• سایر حالت‌های شبکه در داکر Docker Other Modes of Networking

• اتصال Volumeهای سیستم میزبان به کانتینرها برای اشتراک داده Attaching Host Machine Volumes to Docker Containers for Data Sharing

• ساخت و مدیریت Named Volumeهای سفارشی برای ماندگاری داده Creating and Managing Custom Named Volumes in Docker for Persistence

• معرفی Docker Compose Introduction to Docker Compose

• شبکه‌بندی در Docker Compose Networking in Docker Compose

• مدیریت Volume در Docker Compose Volume in Docker Compose

• بیلد‌های سفارشی داکر Custom Docker builds

• معرفی ارکستراسیون داکر و اهمیت آن در Production Introduction to Docker Orchestration and Why It’s Crucial for Production

• ساخت و پیکربندی حساب AWS برای استقرار ECS Creating and Configuring a New AWS Account for ECS Deployment

• راه‌اندازی Amazon ECR برای Push کردن ایمیج‌ها Setting Up Amazon Elastic Container Registry (ECR) to Push Docker Images

• راه‌اندازی و پیکربندی کلاسترهای ECS Launching and Configuring ECS Clusters to Run Docker Containers

• تعریف Taskها و Task Definitions در ECS Defining ECS Tasks and Creating Task Definitions for Container Execution

• استقرار سرویس‌های ECS با Load Balancer برای در دسترس بودن بالا Deploying ECS Services with Load Balancer for High Availability

• پاک‌سازی منابع ECS و ECR برای جلوگیری از هزینه‌های اضافی Cleaning Up AWS ECS and ECR Resources to Avoid Unnecessary Billing

• دیباگ و رفع خطاهای Health Check در استقرار ECS Debugging and Fixing ECS Health Check Failures During Container Deployment

Agent SDK Agent SDK

• مقدمه Introduction

• ایجنت Hello World Hello World Agent

• ابزارهای میزبانی شده در Agent SDK Hosted Tools in Agent SDK

• ابزارهای تابعی در Agent SDK Function Tools in Agent SDK

• ایجنت به عنوان یک ابزار Agent As a Tool

بخش پایانی Farewell

• بخش پایانی farewell