آموزش مبانی عامل‌های هوشمند و مهندسی پرامپت - آخرین آپدیت

دانلود Agent Foundations and Prompt Engineering

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: دوره «مبانی عامل‌های هوشمند و مهندسی پرامپت» برای یادگیرندگانی طراحی شده است که مشتاق تسلط بر حوزه نوظهور عامل‌های هوش مصنوعی (AI Agents) و مهندسی پیشرفته پرامپت هستند. شما خواهید آموخت که چگونه با استفاده از مدل‌های زبانی بزرگ (LLMs)، عامل‌های هوشمند طراحی، ساخته و مستقر کنید، پرامپت‌های باکیفیت برای وظایف مختلف بنویسید و جریان‌های کاری پیچیده را از طریق اجرای برنامه‌نویسی‌شده و زنجیره‌ای خودکارسازی کنید. در ابتدا، با مبانی عامل‌های هوش مصنوعی از جمله ساختار، رفتارها و کاربردهای دنیای واقعی آن‌ها آشنا می‌شوید. شما درک خواهید کرد که چگونه مدل‌های LLM هوشمندی عامل‌ها را ممکن می‌سازند و معماری‌های مختلف عامل‌ها، از سیستم‌های واکنشی تا عامل‌های پیچیده استفاده‌کننده از ابزار را با هم مقایسه می‌کنید. ماژول بعدی بر مهندسی پرامپت تمرکز دارد؛ جایی که یاد می‌گیرید با استفاده از الگوهای اثبات‌شده مانند یادگیری چند-نمونه‌ای (Few-shot)، استدلال زنجیره تفکر (Chain-of-thought) و پرامپت‌نویسی نقش‌محور، دستورات موثر بنویسید. شما در هنر ساختاردهی به پرامپت‌ها برای عملکرد بهینه مدل و توسعه استراتژی‌های ارزیابی سیستماتیک مهارت پیدا خواهید کرد. در ماژول سوم، به سمت اجرای برنامه‌نویسی‌شده و زنجیره‌ای پرامپت‌ها پیش می‌روید. شما جریان‌های کاری چند مرحله‌ای می‌سازید، کدهای پایتون را با APIهای مدل‌های زبانی ادغام می‌کنید، خطاها را به درستی مدیریت می‌کنید و سیستم‌های پرامپت آماده برای محیط عملیاتی را همراه با عیب‌یابی و نظارت مناسب ایجاد می‌کنید. ماژول نهایی به شما آموزش می‌دهد که وظایف تحقیق و خلاصه‌سازی را خودکارسازی کنید. شما خط لوله‌های (Pipelines) سرتاسری برای جمع‌آوری، پردازش و خلاصه‌سازی اطلاعات می‌سازید، هر دو روش خلاصه‌سازی استخراجی و انتزاعی را پیاده‌سازی می‌کنید و خروجی‌ها را با استفاده از معیارهای کیفی جامع ارزیابی می‌کنید. در پایان این دوره، شما با اعتماد به نفس قادر خواهید بود: • عامل‌های هوش مصنوعی را برای اتوماسیون دنیای واقعی و وظایف تصمیم‌گیری طراحی و پیاده‌سازی کنید • با استفاده از الگوهای پیشرفته و روش‌های ارزیابی سیستماتیک، پرامپت‌های موثر بنویسید • جریان‌های کاری زنجیره‌ای پرامپت را با مدیریت خطای قدرتمند و کنترل برنامه‌نویسی‌شده بسازید • سیستم‌های خودکار تحقیق و خلاصه‌سازی را با چارچوب‌های ارزیابی کیفیت توسعه دهید سلب مسئولیت: این یک منبع آموزشی مستقل است که توسط Board Infinity صرفاً برای اهداف اطلاع‌رسانی و آموزشی ایجاد شده است. این دوره با هیچ شرکت، سازمان یا نهاد صدور گواهینامه‌ای وابسته نیست، توسط آن‌ها تأیید نشده و یا به طور رسمی با آن‌ها مرتبط نیست مگر اینکه صراحتاً ذکر شده باشد. محتوای ارائه شده بر اساس دانش صنعت و بهترین تجربیات است اما شامل مطالب آموزشی رسمی برای کارفرما یا برنامه صدور گواهینامه خاصی نمی‌باشد.

سرفصل ها و درس ها

مقدمه‌ای بر عامل‌های هوش مصنوعی و سیستم‌های مبتنی بر پرامپت Introduction to AI Agents and Prompt-Driven Systems

  • مقدمه‌ای بر هوش مصنوعی عامل‌محور Introduction to Agentic AI

  • تکامل سیستم‌های هوش مصنوعی Evolution of AI Systems

  • ویژگی‌های اصلی سیستم‌های عامل‌محور Core Characteristics of Agentic Systems

  • موارد استفاده در دنیای واقعی Real-World Use Cases

  • مروری بر حلقه عامل (Agent Loop) Agent Loop Overview

  • بررسی عمیق هر مرحله از حلقه Deep Dive Into Each Loop Stage

  • اجزای اصلی: سیاست، حافظه، ابزارها، محیط Core Components: Policy, Memory, Tools, Environment

  • توضیح معماری‌های عامل Agent Architectures Explained

  • ساخت یک عامل حداقلی در پایتون Build a Minimal Agent in Python

مبانی مهندسی پرامپت Fundamentals of Prompt Engineering

  • چه چیزی یک پرامپت خوب می‌سازد؟ What Makes a Good Prompt?

  • ساختار پرامپت: نقش، وظیفه، محدودیت‌ها Prompt Structure: Role, Task, Constraints

  • پرامپت‌نویسی چند-نمونه‌ای: یادگیری از مثال‌ها Few-Shot Prompting: Learning from Examples

  • زنجیره تفکر: هدایت استدلال Chain-of-Thought: Guiding Reasoning

  • چرا ساختار در پرامپت‌ها اهمیت دارد Why Structure Matters in Prompts

  • پرامپت‌های مبتنی بر تابع برای استفاده از ابزار Function-Based Prompts for Tool Use

  • چه چیزی یک پرامپت را «خوب» یا «بد» می‌کند؟ What Makes a Prompt “Good” or “Bad”?

  • سازگاری، دقت و قابلیت اطمینان Consistency, Accuracy, and Reliability

  • الگوهای رایج شکست پرامپت Common Prompt Failure Patterns

  • عیب‌یابی سیستماتیک پرامپت Systematic Prompt Debugging

  • چرا کتابخانه‌های پرامپت اهمیت دارند Why Prompt Libraries Matter

  • سازماندهی و استفاده مجدد از پرامپت‌ها Organizing and Reusing Prompts

اجرای برنامه‌نویسی‌شده و زنجیره‌ای پرامپت Programmatic Prompt Execution and Chaining

  • زنجیره‌سازی پرامپت چیست؟ What Is Prompt Chaining?

  • چه زمانی و چرا از زنجیره‌های پرامپت استفاده کنیم When and Why to Use Prompt Chains

  • تمرین عملی: زنجیره‌سازی متوالی در پایتون (نمایش نوت‌بوک) Hands-On: Sequential Chaining in Python (Notebook Demo)

  • ساخت اولین زنجیره شما Building Your First Chain

  • چرا عامل‌ها به ابزار نیاز دارند Why Agents Need Tools

  • نمایش عملی عامل استفاده‌کننده از ابزار Tool-Using Agent Demo

  • چرا حافظه اهمیت دارد Why Memory Matters

  • افزودن حافظه در عمل Adding Memory in Practice

  • چرا سیستم‌های زنجیره‌ای شکست می‌خورند Why Chained Systems Fail

  • تجسم و عیب‌یابی زنجیره‌ها Visualizing and Debugging Chains

  • طراحی عامل زنجیره‌ای Designing the Chained Agent

  • ساخت و اجرای سرتاسری End-to-End Build & Run

بهینه‌سازی، عیب‌یابی و قابلیت مشاهده Optimization, Debugging, and Observability

  • مرور پروژه و معماری Project Overview & Architecture

  • درک لایه داده Understanding the Data Layer

  • لایه دسترسی به داده (Scraper) Data Access Layer (Scraper)

  • تحلیل مرور و مقایسه با خلاصه‌سازی Review Analysis & Comparison with the Summarize

  • اهمیت مدل‌های داده Data Models Are Important

  • عامل تحقیق (Research Agent) The Research Agent

  • اجرای سیستم Running the System

  • تست و ارزیابی Testing & Evaluation

نمایش نظرات

آموزش مبانی عامل‌های هوشمند و مهندسی پرامپت
جزییات دوره
21h 10m
41
(آخرین آپدیت)
737
- 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

Board Infinity Board Infinity

Board Infinity: توانمندسازی مشاغل با مسیرهای یادگیری