آموزش آشپزی با هوش مصنوعی: از مبانی تا سیستم‌های عامل (Agentic) - آخرین آپدیت

دانلود Cooking Up AI: From Basics to Agentic Systems

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری هوش مصنوعی، عامل‌ها (Agents)، RAG و معماری‌های AI با استفاده از مشابهت‌های ساده آشپزی و غذا که برای همه قابل درک باشد. درک مفاهیم بنیادی هوش مصنوعی با استفاده از مثال‌های ساده محیط آشپزخانه. تشریح تفاوت بین هوش مصنوعی، نرم‌افزار، اتوماسیون، هوش مصنوعی محدود (Narrow AI)، هوش مصنوعی عمومی (General AI)، آموزش (Training) و استنتاج (Inference). درک نحوه همکاری داده‌ها، مدل‌ها، سخت‌افزار (Compute) و پرامپت‌ها برای تولید خروجی‌های AI. یادگیری نحوه عملکرد مدل‌های زبانی بزرگ (LLMs)، شامل توکن‌ها، پنجره‌های متنی (Context Windows)، پرامپت‌نویسی و توهمات (Hallucinations). به‌کارگیری تکنیک‌های مهندسی پرامپت مانند Zero-shot، Few-shot، پرامپت‌های سیستمی، پرامپت‌های ساختاریافته و استدلال گام‌به‌گام. درک اینکه چگونه ابزارهای AI، APIها، پلاگین‌ها و فراخوانی توابع (Function Calling) به سیستم‌های هوش مصنوعی اجازه می‌دهند فراتر از تولید متن ساده، اقدام به عمل کنند. یادگیری تولید تقویت‌شده با بازیابی (RAG)، شامل Embeddings، پایگاه‌های داده برداری، تکه‌بندی (Chunking)، بازیابی و ارزیابی RAG. درک عامل‌های هوش مصنوعی (AI Agents)، حلقه‌های عاملی، حافظه، استدلال، استفاده از ابزار و گردش‌کارهای تک‌عاملی. کاوش در سیستم‌های چندعاملی، ارکستراسیون، تجزیه وظایف، پروتکل‌های ارتباطی و بازیابی پس از خطا. یادگیری طراحی معماری‌های کاربردی AI، ارزیابی سیستم‌ها، به‌کارگیری اصول حاکمیتی و ساخت یک سیستم کامل از یک اپلیکیشن پرامپت تا یک عامل مستقر شده. پیش‌نیازها: هیچ تجربه قبلی در زمینه هوش مصنوعی مورد نیاز نیست. بدون نیاز به پیش‌زمینه برنامه‌نویسی برای درک مفاهیم اصلی. کنجکاوی اولیه درباره ChatGPT، عامل‌ها و اتوماسیون مفید است. آشنایی با کار با کامپیوتر و وب‌گردی الزامی است. مبتدی‌ها به شدت خوش‌آمد هستند زیرا هر مفهوم با مثال‌های ساده غذا و آشپزی توضیح داده شده است. بدون نیاز به دانش پیشرفته ریاضی، یادگیری ماشین یا علوم داده. دانشجویان نیازی به تجربه قبلی با LLMها، RAG، عامل‌های AI، MCP یا معماری‌های AI ندارند. استفاده از دفترچه یادداشت یا ابزارهای دیجیتال برای ثبت مفاهیم کلیدی توصیه می‌شود. اختیاری: آشنایی اولیه با ChatGPT یا سایر ابزارهای AI کمک می‌کند اما اجباری نیست. اختیاری: برای کسانی که می‌خواهند پروژه‌های عملی بسازند، دانش پایه پایتون مفید است، اما دوره ابتدا بر مفاهیم تمرکز دارد.

این دوره شامل استفاده از هوش مصنوعی است.

آشپزی با هوش مصنوعی: از مبانی تا سیستم‌های عامل دوره‌ای مناسب برای مبتدیان است تا مفاهیم هوش مصنوعی، مدل‌های زبانی بزرگ، عامل‌های AI، RAG، MCP و معماری‌های AI را از طریق مشابهت‌های ساده آشپزی درک کنند. به جای غرق کردن کاربر در اصطلاحات پیچیده فنی، این دوره مفاهیم مدرن AI را به گونه‌ای توضیح می‌دهد که آشنا، کاربردی و به‌راحتی قابل به یاد سپردن باشد.

اگر تا به حال فکر کرده‌اید که ChatGPT، هوش مصنوعی مولد، کمک‌خلبان‌های AI، عامل‌های خودمختار یا سیستم‌های AI سازمانی واقعاً چگونه کار می‌کنند، این دوره یک پایه محکم به شما می‌دهد. شما یاد می‌گیرید که هوش مصنوعی مانند یک آشپزخانه است که در آن داده‌ها تبدیل به مواد اولیه، مدل‌ها تبدیل به دستور پخت، سخت‌افزار (Compute) تبدیل به تجهیزات آشپزخانه و سیستم‌های AI تبدیل به رستوران‌های کاملی می‌شوند که قادر به ارائه نتایج هوشمند هستند.

دوره با مبانی چیستی هوش مصنوعی، تفاوت آن با نرم‌افزار معمولی و اتوماسیون، و اهمیت مفاهیمی مانند آموزش، استنتاج، AI محدود و AI عمومی آغاز می‌شود. سپس بررسی خواهید کرد که چگونه کیفیت داده‌ها، پیش‌پردازش، سوگیری (Bias) و برچسب‌گذاری بر عملکرد سیستم‌های AI تأثیر می‌گذارند، درست همان‌طور که مواد تازه یا فاسد بر کیفیت غذا اثر می‌گذارند.

در ادامه، نحوه عملکرد مدل‌های یادگیری ماشین شامل یادگیری نظارت شده، یادگیری بدون نظارت، شبکه‌های عصبی، پیش‌آموزش و تنظیم دقیق (Fine-tuning) را خواهید آموخت. این مباحث با مشابهت‌های دستور پخت توضیح داده شده‌اند تا درک کنید مدل‌های AI چگونه الگوها را می‌آموزند و نتیجه تولید می‌کنند.

بخش بزرگی از دوره بر مدل‌های زبانی بزرگ (LLMs) تمرکز دارد، شامل توکن‌ها، پنجره‌های متنی، توهمات و مهندسی پرامپت. شما یاد می‌گیرید چگونه با استفاده از Zero-shot، Few-shot، پرامپت‌های سیستمی، پرامپت‌های ساختاریافته و الگوهای پرامپت، دستورات بهتری به سیستم‌های AI بدهید.

سپس دوره به سراغ مباحث پیشرفته‌تر و کاربردی مانند ابزارها و APIها، فراخوانی توابع، تولید تقویت‌شده با بازیابی (RAG)، Embeddings، پایگاه‌های داده برداری، تکه‌بندی (Chunking) و ارزیابی RAG می‌رود. درک خواهید کرد که سیستم‌های AI چگونه اطلاعات را جستجو کرده، دانش مرتبط را بازیابی می‌کنند و پاسخ‌های دقیق‌تری ارائه می‌دهند.

همچنین دنیای هیجان‌انگیز عامل‌های AI و سیستم‌های عامل (Agentic) را کاوش خواهید کرد. با استفاده از مثال سرآشپزهای خودمختار و تیم‌های کامل آشپزخانه، درباره حلقه‌های عاملی، حافظه، استدلال، استفاده از ابزار، سیستم‌های چندعاملی، ارکستراسیون، تجزیه وظایف و مدیریت خطا خواهید آموخت.

این دوره همچنین پروتکل کانتکست مدل (MCP)، معماری سیستم‌های AI، مدیریت وضعیت (State)، ارزیابی AI، تیم قرمز (Red Teaming)، ایمنی AI، حاکمیت، حفاظ‌ها (Guardrails)، حریم خصوصی داده‌ها و AI مسئولانه را معرفی می‌کند. در پایان دوره، درک خواهید کرد که سیستم‌های مدرن AI چگونه در دنیای واقعی طراحی، ارزیابی، مدیریت و مستقر می‌شوند.

چه دانشجو باشید، چه متخصص کسب‌وکار، کارآفرین، توسعه‌دهنده، مدرس، مدیر یا یک مبتدی کامل، این دوره به شما کمک می‌کند تا یک مدل ذهنی قوی از AI، Generative AI، RAG، AI Agents و Agentic Systems بدون نیاز به ریاضیات پیشرفته، کدنویسی یا تجربه یادگیری ماشین بسازید.


سرفصل ها و درس ها

ماژول ۱: هوش مصنوعی چیست؟ (آشپزخانه) Module 1: What Is AI? (The Kitchen)

  • هوش مصنوعی در مقابل نرم‌افزار و اتوماسیون (آشپزخانه در مقابل دستور پخت و لوازم) AI vs Software vs Automation (Kitchen vs Recipe vs Appliance)

  • هوش مصنوعی محدود در مقابل عمومی (مایکروویو در مقابل سرآشپز خبره) Narrow AI vs General AI (Microwave vs Master Chef)

  • آموزش در مقابل استنتاج (یادگیری دستور پخت در مقابل پخت غذا) Training vs Inference (Learning Recipes vs Cooking Meals)

  • مدل‌ها، داده‌ها و سخت‌افزار (مواد اولیه، دستور پخت، ابزارهای آشپزخانه) Models, Data, Compute (Ingredients, Recipes, Kitchen Tools)

ماژول ۲: داده‌ها همان مواد اولیه هستند Module 2: Data Is Ingredients

  • انواع داده‌ها (متن، تصویر، صوت = سبزیجات، ادویه، پروتئین‌ها) Types of Data (Text, Image, Audio = Vegetables, Spices, Proteins)

  • کیفیت داده‌ها (مواد تازه در مقابل مواد فاسد) Data Quality (Fresh vs Spoiled Ingredients)

  • برچسب‌گذاری و پیش‌پردازش (شستشو، برش و آماده‌سازی) Labeling and Preprocessing (Washing, Cutting, Prepping)

  • سوگیری در داده‌ها (مواد اولیه بد ← غذای بد) Bias in Data (Bad Ingredients → Bad Meals)

ماژول ۳: مدل‌ها همان دستور پخت هستند Module 3: Models Are Recipes

  • مدل چیست؟ (انتزاع دستور پخت) What Is a Model? (Recipe Abstraction)

  • یادگیری نظارت شده در مقابل بدون نظارت (آشپزی هدایت شده در مقابل آزمایشی) Supervised vs Unsupervised Learning (Guided vs Experimental Cooking)

  • شبکه‌های عصبی (مراحل لایه‌بندی شده آشپزی) Neural Networks (Layered Cooking Steps)

  • تنظیم دقیق در مقابل پیش‌آموزش (شخصی‌سازی یک دستور پخت) Fine-Tuning vs Pretraining (Customizing a Recipe)

ماژول ۴: مدل‌های زبانی بزرگ (سرآشپز خبره) Module 4: LLMs (The Master Chef)

  • مدل زبانی بزرگ (LLM) چیست؟ What Is a Large Language Model?

  • توکن‌ها (واحدهای مواد اولیه) Tokens (Ingredient Units)

  • پنجره کانتکست (اندازه تابه) Context Window (Size of the Pan)

  • توهمات (بداهه‌پردازی اشتباه سرآشپز) Hallucinations (Chef Improvising Incorrectly)

  • مبانی پرامپت‌نویسی (دادن دستور به سرآشپز) Prompting Basics (Giving Instructions to a Chef)

ماژول ۵: مهندسی پرامپت (سفارش غذا) Module 5: Prompt Engineering (Ordering Food)

  • Zero Shot در مقابل Few Shot (سفارشات ساده در مقابل سفارشات نمونه‌محور) Zero-Shot vs Few-Shot (Simple vs Example-Based Orders)

  • پرامپت‌های سیستمی در مقابل کاربر (قوانین رستوران در مقابل درخواست مشتری) System vs User Prompts (Restaurant Rules vs Customer Request)

  • پرامپت‌های ساختاریافته (دستور پخت دقیق در مقابل دستورات مبهم) Structured Prompts (Recipes vs Vague Instructions)

  • الگوهای پرامپت (زنجیره تفکر = آشپزی گام‌به‌گام) Prompt Patterns (Chain-of-Thought = Step-by-Step Cooking)

ماژول ۶: ابزارها و APIها (لوازم آشپزخانه) Module 6: Tools and APIs (Kitchen Appliances)

  • APIها (سفارش از آشپزخانه‌های خارجی) APIs (Ordering From External Kitchens)

  • فراخوانی توابع (استفاده از لوازم خاص) Function Calling (Using Specific Appliances)

  • پلاگین‌ها و ابزارها (مخلوط‌کن، فر، ابزارهای کمک‌آشپز) Plugins and Tools (Blenders, Ovens, Sous-Chef Tools)

  • منطق انتخاب ابزار Tool Selection Logic

ماژول ۷: RAG (دستور پخت + بازیابی از انباری) Module 7: RAG (Recipe + Pantry Retrieval)

  • RAG چیست؟ (جستجوی دستور پخت قبل از آشپزی) What Is RAG? (Looking Up Recipes Before Cooking)

  • Embeddings (نقشه‌برداری شباهت مواد اولیه) Embeddings (Ingredient Similarity Mapping)

  • پایگاه‌های داده برداری (انباری سازمان‌یافته) Vector Databases (Organized Pantry)

  • استراتژی‌های بازیابی (پیدا کردن مواد اولیه درست) Retrieval Strategies (Finding the Right Ingredients)

  • تکه‌بندی یا Chunking (برش مواد به قطعات قابل استفاده) Chunking (Cutting Ingredients Into Usable Pieces)

  • ارزیابی سیستم‌های RAG Evaluation of RAG Systems

ماژول ۸: عامل‌های هوش مصنوعی (سرآشپزهای خودمختار) Module 8: AI Agents (Autonomous Chefs)

  • عامل (Agent) چیست؟ (سرآشپزی که مستقل عمل می‌کند) What Is an Agent? (Chef That Acts Independently)

  • حلقه عاملی (برنامه‌ریزی ← پخت ← تست ← اصلاح) Agent Loop (Plan → Cook → Taste → Adjust)

  • حافظه (تجربه سرآشپز) Memory (Chef’s Experience)

  • ترکیب ابزارها و استدلال Tools + Reasoning

  • گردش‌کارهای تک‌عاملی Single-Agent Workflows

ماژول ۹: سیستم‌های هوش مصنوعی عامل (کامل‌ترین تیم آشپزخانه) Module 9: Agentic AI Systems (Full Kitchen Staff)

  • سیستم‌های چندعاملی (سرآشپز ارشد، کمک‌آشپز، پیش‌خدمت) Multi-Agent Systems (Head Chef, Sous Chef, Waiter)

  • ارکستراسیون (هماهنگی آشپزخانه) Orchestration (Kitchen Coordination)

  • تجزیه وظایف (تقسیم دستور پخت بین کارکنان) Task Decomposition (Splitting Recipes Across Staff)

  • پروتکل‌های ارتباطی بین عامل‌ها Communication Protocols Between Agents

  • مدیریت خطا (بازیابی غذای سوخته) Failure Handling (Burnt Dish Recovery)

ماژول ۱۰: MCP (پروتکل ارتباطی آشپزخانه) Module 10: MCP (Kitchen Communication Protocol)

  • MCP چیست؟ (روش استاندارد ارتباط سرآشپز با ابزارها) What Is MCP? (Standard Way Chefs Communicate With Tools)

  • اشتراک‌گذاری کانتکست (تخته آماده‌سازی مشترک) Context Sharing (Shared Prep Board)

  • تعامل‌پذیری ابزارها Tool Interoperability

  • چرا MCP برای سیستم‌های مقیاس‌پذیر مهم است Why MCP Matters for Scalable Systems

  • مقایسه MCP در مقابل APIها و پلاگین‌ها MCP vs APIs vs Plugins

ماژول ۱۱: معماری‌ها (طراحی آشپزخانه) Module 11: Architectures (Kitchen Design)

  • آشپزخانه‌های یکپارچه در مقابل ماژولار Monolith vs Modular Kitchens

  • معماری‌های خط لوله (آشپزی خط تولید) Pipeline Architectures (Assembly Line Cooking)

  • سیستم‌های رویداد-محور (سفارش‌ها باعث شروع پخت می‌شوند) Event-Driven Systems (Orders Trigger Cooking)

  • معماری‌های عاملی (گردش‌کارهای پویا در آشپزخانه) Agentic Architectures (Dynamic Kitchen Workflows)

  • آشپزخانه‌های سرورلس در مقابل اختصاصی Serverless vs Dedicated Kitchens

ماژول ۱۲: حافظه و وضعیت (کتاب دستور پخت + یادداشت‌ها) Module 12: Memory and State (Recipe Book + Notes)

  • حافظه کوتاه‌مدت در مقابل بلندمدت Short-Term vs Long-Term Memory

  • حافظه برداری در مقابل حافظه ساختاریافته Vector Memory vs Structured Memory

  • مدیریت وضعیت (State) در عامل‌ها State Management in Agents

  • شخصی‌سازی (ترجیحات smak شخصی) Personalization (Custom Taste Preferences)

ماژول ۱۳: ارزیابی (تست مزه) Module 13: Evaluation (Taste Testing)

  • دقت در مقابل کاربردی بودن (ظاهر خوب در مقابل طعم خوب) Accuracy vs Usefulness (Looks Good vs Tastes Good)

  • بنچ‌مارک‌ها (تست‌های استاندارد مزه) Benchmarks (Standard Taste Tests)

  • ارزیابی انسانی (بازخورد مشتری) Human Evaluation (Customer Feedback)

  • ارزیابی‌های خودکار (سنسورهای مزه) Automated Evaluations (Taste Sensors)

  • تیم قرمز یا Red Teaming (سعی عمدی در خراب کردن غذا) Red Teaming (Breaking the Dish Intentionally)

ماژول ۱۴: ایمنی و حاکمیت AI (بهداشت مواد غذایی) Module 14: AI Safety and Governance (Food Safety)

  • توهمات و ریسک‌ها Hallucinations and Risks

  • حفاظ‌ها یا Guardrails (قوانین آشپزخانه) Guardrails (Kitchen Rules)

  • حریم خصوصی داده‌ها (منشأ مواد اولیه) Data Privacy (Ingredient Sourcing)

  • تطبیق و انطباق (بازرسی‌های بهداشتی) Compliance (Health Inspections)

  • رویکردهای هوش مصنوعی مسئولانه Responsible AI Practices

ماژول ۱۵: کاربردهای دنیای واقعی (رستوران‌ها) Module 15: Real-World Use Cases (Restaurants)

  • چت‌بات‌ها (پیش‌خدمت‌ها) Chatbots (Waiters)

  • دستیارهای کدنویسی (تولیدکنندگان دستور پخت) Coding Assistants (Recipe Generators)

  • کمک‌خلبان‌های سازمانی (دستیارهای آشپزخانه) Enterprise Copilots (Kitchen Assistants)

  • گردش‌کارهای خودمختار (آشپزخانه‌های کاملاً خودکار) Autonomous Workflows (Fully Automated Kitchens)

  • هوش مصنوعی تخصصی صنعت Industry-Specific AI

ماژول ۱۶: ساخت اولین سیستم AI شما (پخت یک وعده غذا) Module 16: Building Your First AI System (Cook a Meal)

  • ساخت یک اپلیکیشن پرامپت ساده Simple Prompt App

  • افزودن RAG (سیستم دستور پخت اختصاصی) Adding RAG (Custom Recipe System)

  • افزودن ابزارها (یکپارچه‌سازی API) Adding Tools (API Integration)

  • تبدیل برنامه به یک عامل (Agent) Converting Into an Agent

  • مستقر کردن «آشپزخانه AI» شما Deploying Your “AI Kitchen”

ماژول ۱۷: آینده هوش مصنوعی (نسل بعدی هنر آشپزی) Module 17: Future of AI (Next-Gen Cuisine)

  • AGI در مقابل هوش مصنوعی تخصصی AGI vs Specialized AI

  • عامل‌های خود-بهبودبخش Self-Improving Agents

  • سیستم‌های چندوجهی (آشپزی با متن، تصویر و صوت) Multimodal Systems (Text, Image, Audio Cooking)

  • ترکیب AI و رباتیک (آشپزخانه‌های فیزیکی) AI + Robotics (Physical Kitchens)

  • استانداردهای نوظهور (تکامل MCP) Emerging Standards (MCP Evolution)

نمایش نظرات

آموزش آشپزی با هوش مصنوعی: از مبانی تا سیستم‌های عامل (Agentic)
جزییات دوره
7.5 hours
80
(آخرین آپدیت)
532
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

School of AI School of AI

Arjun Vaid Arjun Vaid

مهندس نرم‌افزار و مدرس طراحی کاربردی محصول