لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش RAG، اپلیکیشنهای هوش مصنوعی و ایجنتهای AI برای امنیت سایبری و شبکه
- آخرین آپدیت
دانلود RAG, AI Apps, and AI Agents for Cybersecurity and Networking
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره چهار ساعته به شما آموزش میدهد که چگونه از قدرت مدلهای زبانی بزرگ (LLMs) برای عملیات تهاجمی و تدافعی امنیت سایبری و همچنین پیادهسازیهای شبکه استفاده کنید. مهارتهای عملی را کسب کنید که چشمانداز امروز امنیت سایبری و شبکه را تغییر میدهند. مفاهیم بنیادی RAG را بیاموزید و به تدریج به سمت پیادهسازیهای پیشرفته مبتنی بر ایجنت (Agent-based) با استفاده از فریمورکهای استاندارد صنعت مانند LangChain، AutoGen و LangGraph حرکت کنید.
این دوره فراتر از مفاهیم تئوری است و تجربه عملی با مثالهای کدنویسی گامبهگام هوش مصنوعی در دنیای واقعی را ارائه میدهد. چه اپراتور تیم قرمز (Red Team) باشید که به دنبال توسعه حملات پیچیدهتر است، چه تحلیلگر تیم آبی (Blue Team) که به دنبال تقویت دفاعیات است، چه پژوهشگر امنیتی که مرزهای AI در امنیت سایبری را میکاود و چه متخصص شبکه که به دانش هوش مصنوعی نیاز دارد، این دوره مبانی و مهارتهای کلیدی لازم برای پیشرو بودن در محیطهای امروزی را فراهم میکند.
این دوره توسط Pearson ایجاد شده است و ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی میکنیم.
سرفصل ها و درس ها
مقدمه
Introduction
ایجنتهای AI و RAG ایجنتیک برای امنیت سایبری: مقدمه
AI agents and agentic RAG for cybersecurity: Introduction
1. آشنایی با RAG در امنیت سایبری
1. Introduction to RAG in Cybersecurity
امبدینگها و مدلهای امبدینگ
Embeddings and embedding models
مفاهیم RAG، RAG Fusion و RAPTOR
RAG, RAG fusion, and RAPTOR
معرفی A2A و AGNTCY
Introducing A2A and AGNTCY
بررسی Open WebUI و سایر پلاگینهای Ollama
Exploring Open WebUI and other Ollama plugins
اجرای مدلهای Open Weight با Ollama
Running open-weight models with Ollama
معرفی پروتکل کانتکست مدل (MCP)
Introducing the Model Context Protocol (MCP)
مقایسه RAG در برابر Fine-tuning
RAG vs. fine-tuning
تکنیکهای ایندکسگذاری
Indexing techniques
مقدمهای بر تولید تقویتشده بازیابی (RAG)
Introduction to retrieval-augmented generation (RAG)
بررسی مخازن گیتهاب و منابع تکمیلی
Exploring the GitHub repositories and additional resources
اهداف یادگیری
Learning objectives
پایگاههای داده برداری (Vector Databases)
Vector databases
مقدمهای بر RAG ایجنتیک
Introduction to agentic RAG
هدف پیرسون این است که به افراد کمک کند تا زندگی خود را از طریق یادگیری درک کنند، با این باور که هر فرصت یادگیری فرصتی برای پیشرفت شخصی است. کارکنان پیرسون متعهد به ایجاد تجربیات یادگیری پر جنب و جوش و غنی هستند که برای تأثیرگذاری در زندگی واقعی طراحی شده اند. آنها در نزدیک به 200 کشور با محتوای دیجیتال، ارزیابی ها، صلاحیت ها و داده ها به مشتریان خدمات ارائه می دهند.
نمایش نظرات