آموزش بوت‌کمپ گواهینامه ۷ روزه هوش مصنوعی: اپلیکیشن‌های AI، سیستم RAG و ایجنت‌های هوشمند - آخرین آپدیت

دانلود Certified 7-Day AI Bootcamp: AI Apps, RAG, and AI Agents

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: هوش مصنوعی را از طریق ساخت پروژه‌های عملی با پایتون، مدل‌های زبانی بزرگ (LLMs)، استریم‌لیت (Streamlit)، مهندسی پرامپت، RAG و گردش‌های کاری چند-ایجنت یاد بگیرید. ساخت اپلیکیشن‌های کاربردی هوش مصنوعی با استفاده از Python، Streamlit و مدل‌های زبانی بزرگ. درک مفاهیم مدرن AI از جمله هوش مصنوعی مولد (Generative AI)، توکن‌ها، پرامپت‌ها، پنجره‌های کانتکست و توهمات (Hallucinations). نوشتن پرامپت‌های موثر با استفاده از نقش‌ها، دستورالعمل‌ها، محدودیت‌ها، مثال‌ها و فرمت‌های خروجی ساختاریافته. ایجاد یک محیط آزمایشگاه مهندسی پرامپت (Prompt Engineering Playground) برای تست، مقایسه و ذخیره پرامپت‌های قابل استفاده مجدد. ساخت تحلیل‌گر رزومه AI که رزومه‌ها را بررسی، امتیازدهی و پیشنهاداتی برای بهبود ارائه می‌دهد. استخراج متن از فایل‌های PDF و اسناد برای استفاده در اپلیکیشن‌های هوش مصنوعی. ساخت دستیار چت PDF با استفاده از تولید تقویت‌شده بازیابی یا RAG. درک مفاهیم Embeddings، جستجوی معنایی (Semantic Search)، تکه‌تکه کردن اسناد (Chunking) و پایگاه‌های داده برداری. استفاده از ChromaDB به عنوان پایگاه داده برداری محلی برای جستجو و بازیابی اسناد. ساخت یک ایجنت پژوهشی خودگردان AI که قادر به برنامه‌ریزی، جستجو، تحلیل، نوشتن، بازبینی و ذخیره گزارشات باشد. ایجاد یک جریان کاری چند-ایجنت شامل ایجنت‌های برنامه‌ریز، پژوهشگر، نویسنده، ویراستار و کنترل کیفیت (QA). بسته‌بندی اپلیکیشن AI با Docker و آماده‌سازی آن برای پورتفولیو یا استقرار (Deployment). به‌کارگیری اصول هوش مصنوعی مسئولانه شامل حریم خصوصی، دقت، گاردریل‌ها و نظارت انسانی. ایجاد پروژه‌های AI آماده برای پورتفولیو، مناسب برای گیت‌هاب، رزومه‌ها، مصاحبه‌ها و دموها. پیشنیازها: هیچ پیش‌زمینه پیشرفته‌ای در هوش مصنوعی، یادگیری ماشین یا علوم داده مورد نیاز نیست. دانش پایه پایتون مفید است، اما دوره برای مبتدیان طراحی شده و کدها گام‌به‌گام توضیح داده می‌شوند. آشنایی اولیه با خط فرمان (Terminal) برای اجرای برنامه‌های پایتون و نصب پکیج‌ها مفید است. دانشجویان باید به کامپیوتری با دسترسی به اینترنت دسترسی داشته باشند. داشتن کلید API OpenAI اختیاری است؛ دانشجویان می‌توانند از Ollama برای اجرای مدل‌های محلی استفاده کنند. آشنایی اولیه با APIها، وب‌اپلیکیشن‌ها یا توسعه نرم‌افزار مفید است اما الزامی نیست. نیازی به ریاضیات پیشرفته نیست. هیچ تجربه قبلی در زمینه RAG، ایجنت‌های AI، پایگاه‌های داده برداری، Streamlit، ChromaDB یا Docker لازم نیست. این مباحث از پایه در آزمایشگاه‌های عملی آموزش داده می‌شوند. مهم‌ترین مورد این است که دانشجویان کنجکاو و آماده باشند تا پروژه‌های کاربردی AI را گام‌به‌گام بسازند.

هوش مصنوعی در حال تغییر نحوه ساخت نرم‌افزارها، کسب‌وکارها، پژوهش‌ها، آموزش و ابزارهای بهره‌وری است. اما بسیاری از دوره‌های AI زمان زیادی را صرف تئوری می‌کنند و به اندازه کافی به ساخت اپلیکیشن‌های کاربردی نمی‌پردازند.

این دوره متفاوت است.

در این بوت‌کمپ عملی ۷ روزه، شما هوش مصنوعی مدرن را از طریق ساخت پروژه‌های واقعی از صفر یاد می‌گیرید. شما با یک دستیار ساده AI شروع می‌کنید و سپس به سراغ مهندسی پرامپت، اپلیکیشن‌های مبتنی بر AI، چت با PDF با استفاده از RAG، ایجنت‌های خودگردان، جریان‌های کاری چند-ایجنت و در نهایت یک دستیار پایگاه دانش AI قابل استقرار خواهید رسید.

این دوره برای یادگیرندگان مبتدی تا متوسط طراحی شده است که می‌خواهند مهارت‌های کاربردی AI را بدون غرق شدن در تئوری‌های پیچیده یادگیری ماشین کسب کنند. شما نیازی به پیش‌زمینه عمیق ریاضی یا علوم داده ندارید. تمرکز بر ساخت اپلیکیشن‌های فعال AI با استفاده از ابزارهایی است که توسعه‌دهندگان، دانشجویان، تحلیل‌گران، مدیران و کارآفرینان می‌توانند فوراً از آن‌ها استفاده کنند.

در طول این بوت‌کمپ، شما هفت پروژه کاربردی خواهید ساخت:

  1. دستیار هوش مصنوعی (AI Assistant)

  2. محیط آزمایش مهندسی پرامپت

  3. تحلیل‌گر رزومه AI

  4. دستیار چت PDF با سیستم RAG

  5. ایجنت پژوهشی خودگردان

  6. تیم تولید محتوای چند-ایجنت

  7. دستیار پایگاه دانش AI با Docker

در پایان این دوره، شما درک خواهید کرد که اپلیکیشن‌های مدرن AI چگونه ساختار می‌یابند، چگونه با LLMها کار کنید، چگونه پرامپت‌های بهتری بنویسید، چگونه خط لوله‌های RAG را بسازید، ایجنت‌های AI چگونه کار می‌کنند و چگونه یک اپلیکیشن AI را برای استقرار بسته‌بندی کنید.

این فقط یک دوره تئوری نیست. هر روز شامل یک آزمایشگاه عملی و یک خروجی آماده برای پورتفولیو است.

آنچه خواهید آموخت

  • درک هوش مصنوعی مدرن، AI مولد و مدل‌های زبانی بزرگ (LLMs)

  • ساخت اولین دستیار AI با استفاده از Python و Streamlit

  • نوشتن پرامپت‌های قدرتمند با استفاده از نقش‌ها، قوانین، کانتکست و فرمت‌های خروجی

  • ساخت محیط آزمایشگاه مهندسی پرامپت

  • ایجاد تحلیل‌گر رزومه AI

  • استخراج متن از فایل‌های PDF، TXT و DOCX

  • ساخت دستیار چت PDF با استفاده از RAG

  • استفاده از ChromaDB به عنوان پایگاه داده برداری محلی

  • درک Embeddings و جستجوی معنایی

  • ساخت ایجنت پژوهشی خودگردان

  • ایجاد جریان کاری تولید محتوای چند-ایجنت

  • بسته‌بندی اپلیکیشن AI با Docker

  • آماده‌سازی پروژه گیت‌هاب برای پورتفولیو

  • درک مبانی AI مسئولانه و گاردریل‌های ایمنی

این دوره برای چه کسانی است

این دوره مناسب است برای:

  • مبتدیانی که می‌خواهند AI کاربردی یاد بگیرند

  • توسعه‌دهندگانی که قصد ساخت اپلیکیشن‌های AI را دارند

  • دانشجویانی که در حال ساخت پروژه‌های پورتفولیو هستند

  • تحلیل‌گران و مدیرانی که به دنبال مهارت‌های عملی AI هستند

  • کارآفرینانی که در حال بررسی ایده‌های محصولات مبتنی بر AI هستند

  • متخصصانی که در حال تغییر مسیر شغلی به سمت AI هستند

  • مدرسانی که به دنبال یک نقشه راه پروژه عملی AI هستند

پیش‌نیازها

  • دانش پایه پایتون (مفید است)

  • دانش پایه خط فرمان (مفید است)

  • بدون نیاز به پیش‌زمینه یادگیری ماشین

  • بدون نیاز به ریاضیات پیشرفته

  • یک کامپیوتر که پایتون روی آن نصب باشد

  • اختیاری: کلید OpenAI API

  • اختیاری: Ollama برای استفاده از LLMهای محلی

نتیجه دوره

در پایان این دوره، شما فقط مفاهیم AI را درک نخواهید کرد، بلکه اپلیکیشن‌های واقعی AI ساخته‌اید که می‌توانید آن‌ها را در پورتفولیو، رزومه، مصاحبه‌ها، گیت‌هاب یا دموهای تجاری خود نمایش دهید.

وعده نهایی دوره

در عرض یک هفته، شما از مفاهیم پایه AI به ساخت و بسته‌بندی اپلیکیشن‌های کاربردی با استفاده از LLMها، مهندسی پرامپت، RAG، ایجنت‌ها، سیستم‌های چند-ایجنت و Docker خواهید رسید.


سرفصل ها و درس ها

معرفی دوره و آماده‌سازی Course Introduction and Setup

  • دموی پروژه: دستیار جامع پژوهش و دانش Teaser Project - Complete End to End Knowledge and Research Assistant

  • در این دوره چه خواهید ساخت What You Will Build in This Course

  • مرور ابزارهای تکنولوژی دوره Course Tech Stack Overview

  • نصب پایتون، VS Code و گیت Installing Python, VS Code, and Git

  • راه‌اندازی OpenAI یا Ollama Setting Up OpenAI or Ollama

  • ایجاد پوشه پروژه بوت‌کمپ Creating the Bootcamp Project Folder

روز اول: ساخت اولین دستیار هوش مصنوعی Day 1: Build Your First AI Assistant

  • هوش مصنوعی، AI مولد و LLM چیستند؟ What Is AI, Generative AI, and an LLM?

  • درک پرامپت‌ها، توکن‌ها و پاسخ‌ها Understanding Prompts, Tokens, and Responses

  • مرور آزمایشگاه روز اول Day 1 Lab Overview

  • ساخت لایه سرویس LLM Build the LLM Service Layer

  • ساخت چت‌بات AI در محیط ترمینال Build a Terminal AI Chatbot

  • ساخت چت‌بات AI با Streamlit Build a Streamlit AI Chatbot

  • جمع‌بندی روز اول و چالش دانشجویان Day 1 Wrap-Up and Student Challenge

روز دوم: محیط آزمایش مهندسی پرامپت Day 2: Prompt Engineering Playground

  • چرا مهندسی پرامپت اهمیت دارد؟ Why Prompt Engineering Matters

  • مقایسه پرامپت ضعیف در مقابل پرامپت قدرتمند Weak Prompt vs Strong Prompt

  • فرمول پرامپت: نقش، وظیفه، کانتکست، قوانین، فرمت خروجی Prompt Formula: Role, Task, Context, Rules, Output Format

  • مرور آزمایشگاه روز دوم Day 2 Lab Overview

  • ساخت قالب‌های پرامپت Build Prompt Templates

  • ساخت آزمایشگاه پرامپت با Streamlit Build a Prompt Lab with Streamlit

  • دموی آزمایشگاه: ذخیره، انتخاب و اجرای پرامپت‌ها Prompt Lab Demo: Save, Select, and Run Prompts

  • جمع‌بندی روز دوم و چالش دانشجویان Day 2 Wrap-Up and Student Challenge

روز سوم: تحلیل‌گر رزومه AI Day 3: AI Resume Analyzer

  • تبدیل فراخوانی‌های LLM به اپلیکیشن‌های AI Turning LLM Calls into AI Applications

  • معماری تحلیل‌گر رزومه AI AI Resume Analyzer Architecture

  • مرور آزمایشگاه روز سوم Day 3 Lab Overview

  • آپلود و استخراج متن رزومه Upload and Extract Resume Text

  • ساخت پرامپت تحلیل رزومه Build the Resume Analysis Prompt

  • ساخت اپلیکیشن تحلیل‌گر رزومه با Streamlit Build the Streamlit Resume Analyzer App

  • دمو: تحلیل رزومه از آپلود تا گزارش نهایی Demo: Analyze a Resume from Upload to Report

  • جمع‌بندی روز سوم و چالش دانشجویان Day 3 Wrap-Up and Student Challenge

روز چهارم: دستیار چت PDF با سیستم RAG Day 4: PDF Chat Assistant with RAG

  • سیستم RAG چیست؟ What Is RAG?

  • مفاهیم Embeddings، تکه‌ها و جستجوی معنایی Embeddings, Chunks, and Semantic Search

  • مرور مقدماتی ChromaDB ChromaDB Beginner Overview

  • ساخت دستیار چت PDF با RAG و ChromaDB Building a PDF Chat Assistant with RAG and ChromaDB

  • چت با فایل‌های PDF: ساخت اپلیکیشن RAG با ChromaDB و LLM Chat with Your PDFs: Build a RAG App Using ChromaDB and an LLM

  • جمع‌بندی روز چهارم و چالش دانشجویان Day 4 Wrap-Up and Student Challenge

روز پنجم: ایجنت پژوهشی خودگردان Day 5: Autonomous Research Agent

  • ایجنت هوش مصنوعی چیست؟ What Is an AI Agent?

  • فرمول ایجنت = LLM + ابزارها + جریان کاری + وضعیت Agent = LLM + Tools + Workflow + State

  • ساخت ایجنت پژوهشی خودگردان Build the Autonomous Research Agent

  • دمو: اجرای ایجنت پژوهش از موضوع تا گزارش Demo: Run the Research Agent from Topic to Report

  • جمع‌بندی روز پنجم و چالش دانشجویان Day 5 Wrap-Up and Student Challenge

روز ششم: تیم تولید محتوای چند-ایجنت Day 6: Multi-Agent Content Team

  • سیستم‌های تک-ایجنت در مقابل چند-ایجنت Single Agent vs Multi-Agent Systems

  • درک نقش‌های ایجنت و ارکستراسیون Understanding Agent Roles and Orchestration

  • ساخت تیم تولید محتوای چند-ایجنت Build the Multi-Agent Content Team

  • اجرای کامل جریان کاری تیم تولید محتوا Run the Multi-Agent Content Team End-to-End

  • جمع‌بندی روز ششم و چالش دانشجویان Day 6 Wrap-Up and Student Challenge

روز هفتم: پروژه نهایی و استقرار Day 7: Capstone and Deployment

  • مرور پروژه نهایی (Capstone) Capstone Project Overview

  • معماری دستیار پایگاه دانش AI AI Knowledge Base Assistant Architecture

  • ساخت دستیار پایگاه دانش AI Build the AI Knowledge Base Assistant

  • Dockerfile: کانتینری کردن اپلیکیشن Dockerfile: Containerizing the App

  • دموی نهایی پروژه Final Capstone Demo

  • آماده‌سازی README گیت‌هاب و ارسال پورتفولیو Prepare GitHub README and Portfolio Submission

هوش مصنوعی مسئولانه، جمع‌بندی و گام‌های بعدی Responsible AI, Wrap-Up, and Next Steps

  • مبانی AI مسئولانه برای توسعه‌دهندگان Responsible AI Basics for Builders

  • اشتباهات رایج در ساخت اپلیکیشن‌های AI Common AI App Mistakes to Avoid

  • نکاتی برای رزومه و پورتفولیو Portfolio and Resume Tips

  • تبریک و جمع‌بندی نهایی Congratulations and Final Wrap-Up

نمایش نظرات

آموزش بوت‌کمپ گواهینامه ۷ روزه هوش مصنوعی: اپلیکیشن‌های AI، سیستم RAG و ایجنت‌های هوشمند
جزییات دوره
9 hours
55
(آخرین آپدیت)
896
5 از 5
دارد
ندارد
ندارد
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