آموزش ساخت عامل‌های هوش مصنوعی و سیستم‌های عامل‌محور هوش مصنوعی با استفاده از Microsoft Autogen - آخرین آپدیت

دانلود Building AI Agents & Agentic AI System via Microsoft Autogen

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

دوره آموزشی: ساخت عامل‌های هوش مصنوعی و سیستم‌های Agentic AI با استفاده از AutoGen

به دوره آموزشی "ساخت عامل‌های هوش مصنوعی و سیستم‌های Agentic AI با استفاده از AutoGen" خوش آمدید، یک دوره عملی و پروژه محور که برای کمک به شما در تسلط بر آینده نرم‌افزارهای هوشمند طراحی شده است: Agentic AI. با قدرتمندتر شدن مدل‌های زبانی بزرگ (LLM)، تکامل بعدی، توانمندسازی آنها برای همکاری از طریق عامل‌های هوش مصنوعی است—و این دوره راهنمای کامل شما برای انجام این کار با استفاده از چارچوب AutoGen مایکروسافت است.

چه شما یک دانشمند داده، مهندس ML، محقق هوش مصنوعی یا سازنده محصول باشید، این دوره شما را گام به گام وارد دنیای سیستم‌های هوش مصنوعی چند عاملی می‌کند. شما یاد خواهید گرفت که چگونه عامل‌های هوش مصنوعی را طراحی، ساخت و استقرار دهید که می‌توانند به طور خودکار برنامه‌ریزی، استدلال و اجرای وظایف پیچیده را با برقراری ارتباط با یکدیگر و تعامل با ابزارهای خارجی انجام دهند.

آنچه یاد خواهید گرفت:

  • درک اصول Agentic AI و تفاوت آن با برنامه‌های سنتی GenAI.

  • بررسی معماری AutoGen و نحوه هماهنگی چندین عامل مجهز به LLM برای همکاری مؤثر.

  • ساخت و سفارشی‌سازی انواع مختلف عامل‌ها (به عنوان مثال، UserProxyAgent، AssistantAgent، GroupChatAgent).

  • پیاده‌سازی گردش کارهای چند عاملی که مشکلات دنیای واقعی را با تولید کد، تفکیک وظایف و تصمیم‌گیری پویا حل می‌کنند.

  • ادغام ابزارهایی مانند APIهای وب، پایگاه‌های داده و توابع پایتون در اکوسیستم عامل خود.

  • استفاده از AutoGen Studio برای توسعه بصری و نظارت بر تعاملات عامل.

  • بهینه‌سازی عامل‌ها برای هزینه، سرعت و عملکرد با استفاده از تنظیم پیکربندی و تخصصی‌سازی نقش.

  • استقرار سیستم‌های agentic برای موارد استفاده مانند دستیارهای کدنویسی، ربات‌های تحقیقاتی، برنامه‌های چت چند عاملی و اجراکنندگان وظایف خودکار.

این دوره بر اساس پروژه است—شما فقط تئوری را یاد نمی‌گیرید، بلکه برنامه‌های قدرتمند agentic AI را از ابتدا خواهید ساخت. شما درک خواهید کرد که چگونه تیم‌های هوش مصنوعی خودمختار را طراحی کنید که منعکس‌کننده گردش کارهای انسانی هستند، مسئولیت‌ها را تعیین کنید، به طور موثر ارتباط برقرار کنید و با وظایف پویا سازگار شوید.

ما همچنین AutoGen را با سایر چارچوب‌های ارکستراسیون مانند LangChain و CrewAI مقایسه خواهیم کرد و دیدگاهی جامع از اینکه از چه ابزارهایی استفاده کنید و چه زمانی به شما ارائه می‌دهیم.

چه کسانی باید در این دوره شرکت کنند؟

این دوره برای افراد زیر ایده‌آل است:

  • متخصصان ML و AI که می‌خواهند به توسعه agentic مبتنی بر LLM روی آورند.

  • توسعه‌دهندگانی که علاقه‌مند به ساخت برنامه‌های هوشمندی هستند که فراتر از چت‌بات‌ها می‌روند.

  • علاقه‌مندان به GenAI که مشتاقند محدودیت‌های قابلیت‌های LLM را با استفاده از همکاری عامل‌ها پیش ببرند.

  • بنیانگذاران استارتاپ‌ها و تیم‌های محصولی که روی برنامه‌های مبتنی بر هوش مصنوعی کار می‌کنند.

  • دانشجویان و محققانی که به دنبال ساخت پروژه‌های عملی با چارچوب‌های agentic پیشرفته هستند.

در پایان این دوره، شما اعتماد به نفس و مهارت‌های لازم برای ساخت، مقیاس‌بندی و استقرار اکوسیستم‌های عامل هوش مصنوعی را خواهید داشت که می‌توانند مانند تیم‌های انسانی—با پشتیبانی از آخرین پیشرفت‌ها در AutoGen و Agentic AI—استدلال، عمل و همکاری کنند.

پیش نیازها:

  • برنامه نویسی پایه پایتون: دانش آموزان باید نحو، توابع و برنامه نویسی شی گرا پایتون را درک کنند.
  • آشنایی با APIها: تجربه کار با REST APIها یا استفاده از کتابخانه‌های شخص ثالث به ادغام LLMها و ابزارها کمک می‌کند.
  • دانش مقدماتی AI/ML: درک اولیه از مدل‌های زبانی بزرگ و نحوه عملکرد آنها (به عنوان مثال، اعلان‌ها، توکن‌ها).
  • استفاده از خط فرمان: راحتی استفاده از ابزارهای ترمینال/خط فرمان برای نصب بسته‌ها و اجرای اسکریپت‌ها.
  • تنظیم محیط پایتون: توانایی تنظیم و مدیریت محیط‌های مجازی (به عنوان مثال، venv یا conda) و نصب وابستگی‌ها از طریق pip.

سرفصل ها و درس ها

Introduction

  • مقدمه Introduction

نصب Anaconda و ویرایشگر VS Code IDE Installation Of Anaconda And VS Code Editor IDE

  • نصب Anaconda و ویرایشگر VS Code Installation Of Anaconda And VS Code Editor

  • ایجاد محیط های مجازی با استفاده از Conda Creating Virtual Environments Using Conda

  • ایجاد محیط های مجازی با استفاده از UV Package Manager Creating Virtual Environments Using UV Package Manager

پیش نیازهای پایتون Python Prerequisites

  • شروع کار با VS Code Getting Started With VS Code

  • مبانی پایتون - نحو و معناشناسی Python Basics- Syntax And Semantics

  • متغیرها در پایتون Variables In Python

  • انواع داده های پایه در پایتون Basic Datatypes In Python

  • عملگرها در پایتون Operators In Python

  • عبارات شرطی (if, elif, else) Conditional Statements(if,elif,else)

  • حلقه ها در پایتون Loops In Python

  • لیست و درک لیست در پایتون List and List Comprehension In Python

  • مثال های عملی از لیست Practical Examples of List

  • مجموعه ها در پایتون Sets In Python

  • فرهنگ لغت ها در پایتون Dictionaries In Python

  • تاپل ها در پایتون Tuples In Python

  • شروع کار با توابع Getting Started With Functions

  • مثال های بیشتر کدنویسی با توابع More Coding Examples With Functions

  • تابع Lambda پایتون Python Lambda Function

  • توابع Map پایتون Maps functions Python

  • توابع Filter در پایتون Filter Functions In Python

  • Import ماژول ها و Package در پایتون Import Modules And Package In Python

  • مروری بر کتابخانه استاندارد Standard Library Overview

  • عملیات فایل در پایتون File Operation In Python

  • کار با مسیرهای فایل Working With File Paths

  • مدیریت استثنا Exception Handling

  • کلاس و اشیا در پایتون Class And Objects In Python

  • وراثت در OOPS Inheritance In OOPS

  • چندریختی در OOPS Polymorphism in OOPS

  • Encapsulation در OOPS Encapsulations In OOPS

  • Abstraction در OOPS Abstraction In OOPS

  • متدهای جادویی در پایتون Magic Methods In Python

  • Operator Overloading در پایتون Operator Overloading In Python

  • مدیریت استثنا سفارشی Custom Excpetion Handling

  • Iterator ها در پایتون Iterators In Python

  • Generators در پایتون Generators In Python

  • کپی کردن تابع، Closureها و Decoratorها Function Copy,closures and Decorators

  • پیاده سازی عملی Logging در پایتون Logging Practical Implementation In Python

  • Logging با چند Loggers Logging With Multiple Loggers

  • Logging با مثال های دنیای واقعی Logging With A Real World Examples

شروع کار با Pydantic Getting Started With Pydantic

  • مقدمه ای بر Pydantic Introduction To Pydantic

  • پیاده سازی عملی Pydantic Pydantic Practical Implementation

  • شروع کار با Pydantic GETTING STARTED WITH PYDANTIC

  • سناریوهای نقش آفرینی در صنعت IT IT Industry Roleplay Scenarios

منابع Autogen Autogen Resources

  • منابع Resources

شروع کار با Microsoft Autogen Getting Started With Microsoft Autogen

  • AI Agentic چیست؟ What is Agentic AI ?

  • مقدمه ای بر Autogen Autogen Introduction

  • Autogen v0.4 و AG2 split Autogen v0.4 & the AG2 split

  • راه اندازی Microsoft Autogen در VSCode Setting up Microsoft Autogen in VSCode

  • پیکربندی کلید Open AI Env Configuring Open AI Env Key

  • پیکربندی مدل های بیشتر برای اولین Agent Configuring More Model for First Agent

  • اولین Agent Autogen First Autogen Agent

  • معماری Autogen Autogen Architecture

  • Autogen در مقابل Langchain Autogen vs Langchain

  • Autogen در مقابل CrewAI Autogen vs CrewAI

  • Microsoft Autogen در مقابل Microsoft Semantic Kernel Microsoft Autogen vs Microsoft Semantic Kernel

  • Autogen در مقابل LlamaIndex Autogen vs LlamaIndex

  • شروع کار با Microsoft Autogen GETTING STARTED WITH MICROSOFT AUTOGEN

  • سناریوهای نقش آفرینی در صنعت IT IT Industry Roleplay Scenarios

ساختن و پیکربندی Agent Autogen ما Building & Configuring our Autogen Agent

  • عملکرد Async در پایتون Async Functionality in Python

  • عملکرد Async در پایتون - عملی Async Functionality In Python - Practical

  • مقدمه ای بر Agent Chat API Introduction To Agent Chat API

  • اولین Agent AgentChat AgentChat First Agent

  • پیکربندی LLM ها (OpenAI Gemini) Configuring LLMs ( OpenAI Gemini)

  • پیکربندی LLM روی Agent - LLMهای محلی Configuring LLM on Agent - Local LLMs

  • پیکربندی LLM روی Agent - OpenRouter (کلید API رایگان) Configuring LLM on Agent - OpenRouter ( Free API Key)

  • سفارشی سازی Agent و مهندسی Prompt Agent Customization & Prompt Engineering

  • ابزارها برای Agent های Autogen Tools for Autogen Agents

  • پیام ها در Autogen - پیام متنی Messages in Autogen - Text Message

  • پیام های MultiModal - تصویر و متن MultiModal Messages - Image and Text

  • اجرا و مشاهده Agent ها Running and Observing Agents

  • خروجی ساختار یافته از طریق Autogen Structure Output via Autogen

  • ساختن و پیکربندی Agent Autogen ما BUILDING & CONFIGURING OUR AUTOGEN AGENT

  • سناریوهای نقش آفرینی در صنعت IT IT Industry Roleplay Scenarios

تیم ها در Microsoft Autogen Teams in Microsoft Autogen

  • درک همکاری چند عاملی در AutoGen Understanding Multi-Agent Collaboration in AutoGen

  • همکاری عملی چند عاملی در AutoGen Practical Multi-Agent Collaboration in AutoGen

  • مشاهده تیم ها در Autogen Observing Teams in Autogen

  • عملیات تیم در Autogen Team Operation in Autogen

  • Termination در Microsoft Autogen Termination In Microsoft Autogen

  • External Termination و عملیات Stop روی تیم External Termination & Stop Operation on Team

  • عملیات تیم - Aborting a Team Team Operation - Aborting a Team

  • Single Agent Team در Autogen Single Agent Team in Autogen

  • مدیریت State ذخیره و بارگیری Agent ها Managing State Saving and Loading Agents

  • مدیریت State از تیم ها Managing State of Teams

  • بارگیری State Team از یک فایل Loading Team State from a file

  • تیم ها در Microsoft Autogen TEAMS IN MICROSOFT AUTOGEN

  • سناریوهای نقش آفرینی در صنعت IT IT Industry Roleplay Scenarios

تعامل پیشرفته با Autogen Advanced Interaction with Autogen

  • Human in the Loop: بازخورد در طول اجرا Human in the Loop : Feedback during a run

  • ارائه بازخورد در اجرای بعدی Providing Feedback in the Next Run

  • ارائه بازخورد در اجرای بعدی - Max Turns Providing Feedback in next Run-Max Turns

  • ارائه بازخورد در اجرای بعدی - شرط Termination Providing Feedback in next Run-Termination condition

  • بازخورد بعد از اجرا Handoff Termination Feedback After Run Handoff Termination

  • ابزارها در Autogen Tools in Autogen

  • انواع ابزارها در Autogen Types of Tools in Autogen

  • تعامل پیشرفته با Autogen ADVANCED INTERACTION WITH AUTOGEN

Autogen Studio Autogen Studio

  • بررسی اجمالی Overview

  • Autogen Studio - Overview و نصب Autogen Studio - Overview and Installation

  • Autogen Studio - UI و بررسی اجمالی اجزا Autogen Studio - UI and Component Overview

  • توضیح اجزای Autogen - یادداشت های دست نویس Autogen Components Explained - Handwritten Notes

  • Autogen Studio - Round Robin و گروه چت Selector Autogen Studio - Round Robin and Selector Group chat

  • Autogen Studio - Web & Deep Search Team Autogen Studio - Web & Deep Search Team

  • Autogen Studio - ادغام LLM محلی از طریق LM Studio Autogen Studio - Integrating Local LLM via LM Studio

  • Autogen Studio - سوالات متداول و تیم JSON Autogen Studio - FAQs & JSON team

  • Autogen Studio AUTOGEN STUDIO

  • سناریوهای نقش آفرینی در صنعت IT IT Industry Roleplay Scenarios

پروژه های Autogen Autogen Projects

  • پروژه 1 - مصاحبه کننده هوش مصنوعی با Microsoft Autogen Project 1 - AI Interviewer with Microsoft Autogen

  • ماژولار کردن اساسی پروژه - مصاحبه کننده هوش مصنوعی با Microsoft Autogen Basic Modularization of Project - AI Interviewer with Microsoft Autogen

  • ساختار پروژه برای AI Agentic - قسمت 1 - برنامه ریز تعطیلات Project Structure for Agentic AI - Part 1 - Vacation Planner

  • ساختار پروژه برای AI Agentic - قسمت 2 - برنامه ریز تعطیلات Project Structure for Agentic AI - Part 2 - Vacation Planner

  • پروژه های Autogen AUTOGEN PROJECTS

پروژه - 3 نوشتن حل کننده DSA با استفاده از Autogen Project - 3 Writing DSA Solver using Autogen

  • مقدمه پروژه Project Intro

  • بیانیه مسئله و طراحی Problem Statement & Design

  • نوشتن Agent مجری کد Writing Code Executor Agent

  • Agent حل کننده مسئله Problem Solver Agent

  • مدیریت انواع پیام Handling Message Types

  • "ساختاردهی" کد "Structurization" of Code

  • افزودن پشتیبانی Frontend به تیم Adding Frontend support to Team

  • بهبود Frontend Enhancing Frontend

  • پروژه - 3 نوشتن حل کننده DSA با استفاده از Autogen PROJECT - 3 WRITING DSA SOLVER USING AUTOGEN

مفاهیم پیشرفته در Autogen Advance Concepts in Autogen

  • مقدمه Selector GroupChat Selector GroupChat Introduction

  • SelectorGroupChat - تعریف Agent ها و Workflow SelectorGroupChat - Defining Agents and Workflow

  • پیاده سازی تیم Selector Group Chat Selector Group Chat - Team Implementation

  • Custom Selector Agent Custom Selector Agent

  • Serializing Component Serializing Component

  • Swarm در Autogen Swarm in Autogen

  • پیاده سازی Team Swarm - Mini Project Swarm Team Implementation - Mini Project

  • GraphFlow در Autogen GraphFlow in Autogen

  • Graphflow - Digraph Builder Graphflow - Digraph Builder

  • Graphflow - Parallel Flow Graphflow - Parallel Flow

  • Memory در Autogen Memory in Autogen

  • مفاهیم پیشرفته در Autogen ADVANCE CONCEPTS IN AUTOGEN

  • سناریوهای نقش آفرینی در صنعت IT IT Industry Roleplay Scenarios

پروژه 5 (پیشرفته) - Analyzer GPT Project 5 (Advanced) - Analyzer GPT

  • Analyser GPT - Intro & Project Structure Analyser GPT - Intro & Project Structure

  • Docker & Code Executor Agent Docker & Code Executor Agent

  • Data Analyzer Agent Data Analyzer Agent

  • تعریف تیم Defining Team

  • اجرای تیم Running Team

  • FrontEnd برای Analyser GPT FrontEnd for Analyser GPT

  • افزودن قابلیت Chat و Context در FE و Model Adding Chat & Context Functionality in FE & Model

  • پروژه 5 (پیشرفته) - ANALYZER GPT PROJECT 5 (ADVANCED) - ANALYZER GPT

دوره آموزشی فشرده Crash Course

  • قسمت 1 - نصب Part 1 - Installation

  • قسمت 2 - تعریف اولین Agent Part 2 - Defining the First Agent

  • قسمت 3 - معماری Autogen Part 3 - Autogen Architecture

  • قسمت 4 - Agent در Autogen Part 4 - Agent in Autogen

  • قسمت 5 - پیکربندی Model Part 5 - Configuring Model

  • قسمت 6 - ورودی Multimodal Part 6 - Multimodal Input

  • قسمت 7 - تیم ها در Autogen Part 7 - Teams in Autogen

  • قسمت 8 - شرط Termination Part 8 - Termination Condition

  • قسمت 9 - Human in the Loop Part 9 - Human in the Loop

  • قسمت 10 - ابزارها Part 10 - Tools

  • قسمت 11 - Autogen Studio Part 11 - Autogen Studio

  • قسمت 12 - پروژه Part 12 - Project

Model Context Protocol Model Context Protocol

  • MCP - Application و ایده MCP - Application & Idea

  • MCP به عنوان یک راه حل MCP as a Solution

  • بررسی اجمالی معماری MCP MCP Architecture Overview

  • قبل و بعد از MCP Before and After MCP

  • MCP عملی MCP Practical

نمایش نظرات

آموزش ساخت عامل‌های هوش مصنوعی و سیستم‌های عامل‌محور هوش مصنوعی با استفاده از Microsoft Autogen
جزییات دوره
39 hours
141
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
7,077
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Krish Naik Krish Naik

مهندس ارشد هوش مصنوعی

KRISHAI Technologies Private Limited KRISHAI Technologies Private Limited

مهندس هوش مصنوعی و یادگیری ماشین

Mayank Aggarwal Mayank Aggarwal

MLE ارشد