آموزش مسیر تخصصی مهندسی هوش مصنوعی: استقرار مدل‌های LLM و ایجنت‌ها در مقیاس صنعتی - آخرین آپدیت

دانلود AI Engineer Production Track: Deploy LLMs & Agents at Scale

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: استقرار هوش مصنوعی در AWS، GCP، Azure و Vercel با استفاده از MLOps، Bedrock، SageMaker، RAG، ایجنت‌ها و MCP به صورت مقیاس‌پذیر، امن و قابل مشاهده. راه‌اندازی اپلیکیشن‌های SaaS مبتنی بر LLM در محیط عملیاتی (Production) روی Vercel، AWS، Azure و GCP با استفاده از Clerk. طراحی معماری‌های ابری با Lambda، S3، CloudFront، SQS، Route 53، App Runner و API Gateway. یکپارچه‌سازی با Amazon Bedrock و SageMaker و ساخت پروژه با GPT-5، Claude 4، مدل‌های متن‌باز (OSS)، AWS Nova و HuggingFace. انتشار خودکار در محیط‌های توسعه (Dev)، تست (Test) و عملیات (Prod) با Terraform و ارسال مداوم کدها از طریق GitHub Actions. ارائه راهکارهای هوش مصنوعی در سطح سازمانی که مقیاس‌پذیر، امن، مانیتور شده، قابل توضیح، قابل مشاهده و دارای گاردریل‌های کنترلی باشند. ایجاد سیستم‌های چند-ایجنته (Multi-Agent) و حلقه‌های ایجنتی با Amazon Bedrock AgentCore و Stands Agents. پیشنیازها: اگرچه تسلط به زبان پایتون و تجربه کار با LLMها ایده‌آل است، اما این دوره برای طیف گسترده‌ای از مخاطبان، فارغ از پیش‌زمینه تحصیلی، طراحی شده است. من یک پوشه کامل از آزمایشگاه‌های خودآموز گنجانده‌ام که مهارت‌های پایه فنی و برنامه‌نویسی را پوشش می‌دهد. اگر در برنامه‌نویسی تازه‌کار هستید، تنها یک پیش‌نیاز وجود دارد: صبر زیاد! این دوره در صورتی که بودجه اندکی (در حد چند دلار) برای APIها و سرویس‌های ابری داشته باشید، بهترین بازدهی را دارد. اما ما در هر مرحله هزینه‌ها را مانیتور می‌کنیم و تصمیم نهایی با شماست.

این دوره‌ای است که بیش از هر دوره دیگری از دانشجویان من درخواست شده است.

یکی از دانشجویان آن را اینگونه توصیف کرد:

«دوره گمشده در دنیای هوش مصنوعی.»

این دوره مناسب چه کسانی است؟


  • کارآفرینان

  • مهندسان سازمان‌های بزرگ

  • ... و هر کسی که در این مسیر است.


این دوره فقط درباره RAG نیست—هرچند با آن کار خواهیم کرد.

این دوره فقط درباره ایجنت‌ها نیست—اما ایجنت‌های زیادی خواهیم ساخت.

این دوره فقط درباره MCP نیست—اما بله، MCP زیادی هم خواهیم داشت.


هدف این دوره:

استقرار RAG، ایجنت‌ها، MCP و بسیاری موارد دیگر... در محیط عملیاتی.

به صورت زنده.

در سطح سازمانی.

مقیاس‌پذیر، تاب‌آور، امن، مانیتور شده و تشریح شده.

شما هوش مصنوعی واقعی و در سطح صنعتی را با LLMها و ایجنت‌ها در Vercel، AWS، GCP و Azure پیاده خواهید کرد و بیشترین تمرکز روی AWS خواهد بود.


در طول چهار هفته، چهار محصول را به مرحله عملیاتی می‌برید:

هفته اول

شما یک محصول SaaS با Next.js را روی Vercel و AWS لانچ می‌کنید،

با استفاده از AWS App Runner و Clerk برای مدیریت کاربران و اشتراک‌ها.


هفته دوم

شما به یک مهندس پلتفرم AI در AWS تبدیل می‌شوید

و زیرساخت‌های بدون سرور (Serverless) را مستقر می‌کنید با استفاده از:

  • Lambda, Bedrock, API Gateway, S3, CloudFront, Route 53

  • نوشتن زیرساخت به عنوان کد (IaC) با Terraform

  • راه‌اندازی خط لوله‌های CI/CD با GitHub Actions

    —برای استقرارهای خودکار و ارتقای یک-کلیکی.


هفته سوم

مهارت‌های گسترده صنعتی برای GenAI در محیط عملیاتی کسب می‌کنید:

  • استقرار یک ایجنت تحلیلگر امنیت سایبری با MCP در Azure و GCP

  • راه‌اندازی استنتاج (Inference) در SageMaker

  • ساخت خط لوله ورود داده‌ها به S3 Vectors

  • استقرار یک ایجنت پژوهشگر با مدل‌های متن‌باز OpenAI روی Bedrock و MCP


هفته چهارم

به طور کامل وارد دنیای ایجنتیک در محیط عملیاتی می‌شوید:

  • طراحی معماری سیستم‌های چند-ایجنته با:

    • Aurora Serverless, Lambda, SQS

    • فرانت‌اندهای CloudFront با احراز هویت JWT

    • قابلیت مشاهده (Observability) با LangFuse

    • مروری بر AWS Agent Core


در پایان، شما خواهید دانست چگونه:

  • معماری مناسب را انتخاب کنید

  • امنیت را به طور کامل برقرار کنید

  • هزینه‌ها را مانیتور کنید

  • به‌روزرسانی‌های مداوم را ارائه دهید


هر آنچه برای اجرای اپلیکیشن‌های AI مقیاس‌پذیر و قابل اعتماد در محیط عملیاتی نیاز دارید.


بخش‌های دوره (هفته‌ها و پروژه‌ها)

هفته اول

اپلیکیشن SaaS زنده در محیط عملیاتی با Vercel، AWS، Next.js، Clerk و App Runner

پروژه: اپلیکیشن SaaS مراقبت‌های بهداشتی


هفته دوم

مهندسی پلتفرم AI در AWS با Bedrock، Lambda، API Gateway، Terraform و CI/CD

پروژه: همزاد دیجیتال (Digital Twin Mk II)


هفته سوم

هوش مصنوعی مولد (GenAI) در محیط عملیاتی با Azure، GCP، AWS SageMaker، S3 Vectors و MCP

پروژه: تحلیلگر امنیت سایبری


هفته چهارم

هوش مصنوعی ایجنتی در محیط عملیاتی: ساخت و استقرار سیستم چند-ایجنته روی AWS (Aurora Serverless, Lambda, SQS)،

همراه با LangFuse و Bedrock AgentCore

پروژه نهایی (Capstone): برنامه‌ریز مالی SaaS



سرفصل ها و درس ها

هفته اول Week 1

  • روز اول استقرار سریع AI: اولین اپلیکیشن عملیاتی شما روی Vercel در چند دقیقه Day 1 - Instant AI Deployment: Your First Production App on Vercel in Minutes

  • روز اول از صفر تا لایو: استقرار اولین SaaS قدرت گرفته از AI روی Vercel Day 1 - From Zero to Live: Deploying Your First AI-Powered SaaS on Vercel

  • روز اول از مفاهیم AI تا استقرار ابری: پیمایش در چشم‌انداز DevOps Day 1 - From AI Concepts to Cloud Deployment: Navigating the DevOps Landscape

  • روز اول مروری بر دوره: ساخت سیستم‌های AI عملیاتی در ۴ هفته Day 1 - Course Overview: Building Production AI Systems Across 4 Weeks

  • روز اول استقرار اولین اپلیکیشن AI زنده با یکپارچه‌سازی OpenAI و Vercel Day 1 - Deploy Your First Live AI App with OpenAI and Vercel Integration

  • روز اول مدیریت هزینه‌های API و تنظیمات محیطی برای سیستم‌های AI عملیاتی Day 1 - Managing API Costs and Environment Setup for Production AI Systems

  • روز اول انتظارات دوره و پشتیبانی جامعه برای AI عملیاتی Day 1 - Course Expectations and Community Support for Production AI

  • روز دوم ساخت اپلیکیشن‌های AI فول‌استک: معماری فرانت‌اند و بک‌اند برای LLMها Day 2 - Building Full-Stack AI Apps: Frontend-Backend Architecture for LLMs

  • روز دوم ساخت اپلیکیشن‌های AI فول‌استک با React، FastAPI و NextJS Day 2 - Building Full-Stack AI Apps with React, FastAPI, and NextJS

  • روز دوم ساخت اولین SaaS هوش مصنوعی فول‌استک با NextJS و FastAPI Day 2 - Building Your First Full-Stack AI SaaS with NextJS and FastAPI

  • روز دوم ساخت اولین بک‌اند FastAPI برای استقرار عملیاتی LLM Day 2 - Building Your First FastAPI Backend for Production LLM Deployment

  • روز دوم استقرار اپلیکیشن‌های AI فول‌استک با فرانت‌اند Next.js و بک‌اند FastAPI Day 2 - Deploying Full-Stack AI Apps with Next.js Frontend and FastAPI Backend

  • روز دوم افزودن استریمینگ بلادرنگ و رابط کاربری حرفه‌ای به اپلیکیشن LLM Day 2 - Adding Real-Time Streaming and Professional UI to Your LLM App

  • روز سوم افزودن احراز هویت کاربر به اپلیکیشن AI عملیاتی شما Day 3 - Adding User Authentication to Your Production AI Application

  • روز سوم افزودن احراز هویت کاربر به اپلیکیشن‌های AI عملیاتی با Clerk Day 3 - Adding User Authentication to Production AI Apps with Clerk

  • روز سوم افزودن سیستم پرداخت اشتراکی به اپلیکیشن SaaS هوش مصنوعی Day 3 - Adding Subscription Billing to Your Production AI SaaS Application

  • روز سوم افزودن احراز هویت و پرداخت به اپلیکیشن‌های AI عملیاتی Day 3 - Adding Authentication and Billing to Production AI Applications

  • روز چهارم ساخت اولین اپلیکیشن تجاری AI: از پروتوتایپ تا کسب‌وکار Day 4 - Building Your First Commercial AI App: From Prototype to Business

  • روز چهارم ساخت اپلیکیشن‌های AI بهداشتی با FastAPI و پرامپت‌های ساختاریافته Day 4 - Building Healthcare AI Apps with FastAPI and Structured Prompts

  • روز چهارم استقرار کامل اپلیکیشن AI بهداشتی در محیط عملیاتی روی Vercel Day 4 - Deploying Your Complete AI Healthcare App to Production on Vercel

  • روز چهارم ساخت یک SaaS بهداشتی عملیاتی با LLMهای استریمینگ Day 4 - Building a Production Healthcare AI SaaS with Streaming LLMs

  • روز پنجم تنظیمات AWS و IAM برای AI عملیاتی: اولین استقرار ابری شما Day 5 - AWS Setup and IAM for Production AI: Your First Cloud Deployment

  • روز پنجم راه‌اندازی مانیتورینگ هزینه‌های AWS برای استقرارهای AI عملیاتی Day 5 - Setting Up AWS Cost Monitoring for Production AI Deployments

  • روز پنجم تنظیم کاربران امن IAM برای استقرارهای AI عملیاتی در AWS Day 5 - Setting Up Secure IAM Users for Production AI Deployments on AWS

  • روز پنجم کانتینریزه کردن اپلیکیشن‌های AI با Docker برای استقرار ابری Day 5 - Containerizing AI Apps with Docker for Cloud Deployment

  • روز پنجم مهاجرت اپلیکیشن AI شما از Vercel به AWS برای مقیاس صنعتی Day 5 - Migrating Your AI App from Vercel to AWS for Production Scale

  • روز پنجم کانتینریزه کردن اپلیکیشن AI: ایمیج‌های داکر برای استقرار عملیاتی Day 5 - Containerizing Your AI App: Docker Images for Production Deployment

  • روز پنجم استقرار اپلیکیشن‌های AI داکری در AWS با ECR و App Runner Day 5 - Deploying Dockerized AI Apps to AWS with ECR and App Runner

  • روز پنجم استقرار زنده اپلیکیشن AI روی AWS App Runner با Auto Scaling Day 5 - Deploying Your AI App Live on AWS App Runner with Auto-Scaling

  • روز پنجم از Vercel تا AWS: استقرار اپلیکیشن‌های LLM عملیاتی در مقیاس بزرگ Day 5 - From Vercel to AWS: Deploying Production LLM Apps at Scale

هفته دوم Week 2

  • روز اول پایه‌های AWS برای AI عملیاتی: از کنسول تا زیرساخت Day 1 - AWS Foundations for Production AI: From Console to Infrastructure

  • روز اول معماری‌های استقرار ابری برای اپلیکیشن‌های AI عملیاتی Day 1 - Cloud Deployment Architectures for Production AI Applications

  • روز اول اجزای ابری AWS برای AI عملیاتی: S3، Lambda و Bedrock Day 1 - AWS Cloud Components for Production AI: S3, Lambda, and Bedrock

  • روز اول ساخت همزاد دیجیتال: تنظیمات معماری AWS Lambda و Bedrock Day 1 - Building Your Digital Twin: AWS Lambda + Bedrock Architecture Setup

  • روز اول ساخت همزاد دیجیتال AI: تنظیمات عملیاتی با NextJS App Router Day 1 - Building Your AI Digital Twin: Production Setup with NextJS App Router

  • روز اول ساخت اولین اپلیکیشن AI فول‌استک با FastAPI و React Day 1 - Building Your First Full-Stack AI App with FastAPI and React

  • روز اول ساخت حافظه مکالمه‌ای برای اپلیکیشن‌های چت AI عملیاتی Day 1 - Building Conversational Memory for Production AI Chat Applications

  • روز دوم ساخت ایجنت‌های AI آماده عملیات با AWS Lambda و S3 Day 2 - Building Production-Ready AI Agents with AWS Lambda and S3

  • روز دوم مهاجرت اپلیکیشن‌های چت AI از ذخیره‌سازی محلی به AWS S3 و Lambda Day 2 - Migrating AI Chat Apps from Local Storage to AWS S3 and Lambda

  • روز دوم استقرار اولین API مدل LLM عملیاتی روی AWS Lambda Day 2 - Deploying Your First Production LLM API on AWS Lambda

  • روز دوم پیکربندی AWS Lambda و S3 برای ذخیره‌سازی حافظه LLM عملیاتی Day 2 - Configuring AWS Lambda and S3 for Production LLM Memory Storage

  • روز دوم راه‌اندازی S3 Buckets و API Gateway برای اپلیکیشن‌های AI عملیاتی Day 2 - Setting Up S3 Buckets and API Gateway for Production AI Apps

  • روز دوم استقرار فرانت‌اند AI از طریق CloudFront برای توزیع جهانی Day 2 - Deploying AI Frontend Through CloudFront for Global Distribution

  • روز دوم تست ایجنت AI زنده و پیکربندی CORS برای محیط عملیاتی Day 2 - Testing Your Live AI Agent and Configuring CORS for Production

  • روز سوم راه‌اندازی Amazon Bedrock برای استقرار LLM عملیاتی در AWS Day 3 - Setting Up Amazon Bedrock for Production LLM Deployment on AWS

  • روز سوم مهاجرت از OpenAI به AWS Bedrock برای استقرار مقرون‌به‌صرفه LLM Day 3 - Migrating from OpenAI to AWS Bedrock for Cost-Effective LLM Deployment

  • روز سوم استقرار LLMهای Bedrock در AWS Lambda و تست APIهای عملیاتی Day 3 - Deploying Bedrock LLMs to AWS Lambda and Testing Production APIs

  • روز سوم مانیتورینگ AI عملیاتی با CloudWatch و متریک‌های Bedrock Day 3 - Monitoring Production AI with CloudWatch and Bedrock Metrics

  • روز چهارم زیرساخت به عنوان کد برای AI: استقرار اپلیکیشن‌های LLM با Terraform Day 4 - Infrastructure as Code for AI: Deploying LLM Apps with Terraform

  • روز چهارم زیرساخت به عنوان کد: خودکارسازی استقرارهای AI با Terraform Day 4 - Infrastructure as Code: Automating AI Deployments with Terraform

  • روز چهارم خودکارسازی استقرارهای AI با Terraform و اسکریپت‌های Shell Day 4 - Automating AI Deployments with Terraform and Shell Scripts

  • روز چهارم خودکارسازی استقرار AI فول‌استک با Terraform و AWS Day 4 - Automating Full-Stack AI Deployment with Terraform and AWS

  • روز چهارم استقرارهای AI در محیط‌های چندگانه: تنظیمات Dev، Test و Production Day 4 - Multi-Environment AI Deployments: Dev, Test, and Production Setup

  • روز چهارم تست استقرارهای AI عملیاتی و جریان‌های پاک‌سازی Terraform Day 4 - Testing Production AI Deployments and Terraform Cleanup Workflows

  • روز پنجم خودکارسازی استقرارهای زیرساخت AI با GitHub Actions CI/CD Day 5 - Automating AI Infrastructure Deployments with GitHub Actions CI/CD

  • روز پنجم راه‌اندازی Git و GitHub Actions برای استقرارهای عملیاتی AI Day 5 - Setting Up Git and GitHub Actions for AI Production Deployments

  • روز پنجم راه‌اندازی GitHub Actions برای استقرار خودکار مدل‌های AI Day 5 - Setting Up GitHub Actions for Automated AI Model Deployment

  • روز پنجم راه‌اندازی GitHub Actions برای استقرار خودکار زیرساخت AI Day 5 - Setting Up GitHub Actions for Automated AI Infrastructure Deployment

  • روز پنجم راه‌اندازی GitHub Actions برای استقرار خودکار ایجنت‌های AI Day 5 - Setting Up GitHub Actions for Automated AI Agent Deployments

  • روز پنجم استقرار زنده خط لوله CI/CD: از Git Push تا ایجنت AI عملیاتی Day 5 - Live CI/CD Pipeline Deploy: From Git Push to Production AI Agent

  • روز پنجم خط لوله‌های CI/CD خودکار برای اپلیکیشن‌های AI عملیاتی با Git Deploy Day 5 - Automated CI/CD Pipelines for Production AI Apps with Git Deploy

  • روز پنجم مدیریت منابع و کنترل هزینه‌ها برای سیستم‌های AI عملیاتی Day 5 - Resource Management and Cost Control for Production AI Systems

هفته سوم Week 3

  • روز اول استقرار AI چند-ابری: Azure، GCP و راه‌اندازی ایجنت امنیت سایبری Day 1 - Multi-Cloud AI Deployment: Azure, GCP & Cybersecurity Agent Setup

  • روز اول ساخت ایجنت‌های امنیتی AI با سرورهای MCP و یکپارچه‌سازی Semgrep Day 1 - Building AI Security Agents with MCP Servers and Semgrep Integration

  • روز اول کانتینریزه کردن ایجنت‌های AI با Docker برای استقرار ابری Day 1 - Containerizing AI Agents with Docker for Cloud Deployment

  • روز اول راه‌اندازی زیرساخت Azure برای استقرار کانتینرهای AI عملیاتی Day 1 - Setting Up Azure Infrastructure for Production AI Container Deployment

  • روز اول استقرار اپلیکیشن‌های AI در Azure با زیرساخت به عنوان کد Terraform Day 1 - Deploying AI Apps to Azure with Terraform Infrastructure as Code

  • روز اول استقرار ایجنت‌های AI با سرورهای MCP در Azure Container Apps Day 1 - Deploying AI Agents with MCP Servers to Azure Container Apps

  • روز دوم راه‌اندازی زیرساخت GCP برای استقرار ایجنت‌های AI عملیاتی Day 2 - Setting Up GCP Infrastructure for Production AI Agent Deployment

  • روز دوم راه‌اندازی Google Cloud CLI برای استقرار کانتینرهای AI عملیاتی Day 2 - Setting Up Google Cloud CLI for Production AI Container Deployment

  • روز دوم استقرار ایجنت‌های AI در GCP Cloud Run با زیرساخت Terraform Day 2 - Deploying AI Agents to GCP Cloud Run with Terraform Infrastructure

  • روز دوم استقرار ایجنت‌های AI در GCP و Azure با سرویس‌های کانتینری Day 2 - Deploying AI Agents Across GCP and Azure with Container Services

  • روز سوم ساخت ALEX: سیستم AI مالی چند-ایجنته روی زیرساخت AWS Day 3 - Building ALEX: Multi-Agent Financial AI System on AWS Infrastructure

  • روز سوم تنظیم دسترسی‌های AWS و SageMaker برای ایجنت‌های AI عملیاتی Day 3 - Setting Up AWS Permissions and SageMaker for Production AI Agents

  • روز سوم مقایسه SageMaker و Bedrock: استقرار مدل‌های AI سفارشی در عملیات Day 3 - SageMaker vs Bedrock: Deploying Custom AI Models in Production

  • روز سوم استقرار مدل‌های Embedding در SageMaker برای سیستم‌های RAG عملیاتی Day 3 - Deploying SageMaker Embedding Models for Production RAG Systems

  • روز سوم بررسی پلتفرم کامل SageMaker AI برای جریان‌های کاری ML عملیاتی Day 3 - Exploring SageMaker AI's Full Platform for Production ML Workflows

  • روز چهارم ساخت خط لوله‌های داده‌های برداری با SageMaker و S3 برای حافظه AI Day 4 - Building Vector Data Pipelines with SageMaker and S3 for AI Memory

  • روز چهارم ساخت ذخیره‌ساز برداری مقرون‌به‌صرفه با S3 و ورود داده‌ها از طریق Lambda Day 4 - Building Cost-Effective Vector Storage with S3 and Lambda Ingestion

  • روز چهارم راه‌اندازی خط لوله‌های امن ورود داده‌های AI با Terraform و AWS Day 4 - Setting Up Secure AI Ingestion Pipelines with Terraform and AWS

  • روز چهارم تست کامل (End-to-End) خط لوله ورود برداری AWS Lambda Day 4 - Testing Your AWS Lambda Vector Ingest Pipeline End-to-End

  • روز پنجم ساخت ایجنت‌های پژوهشی AI با سرورهای MCP و خط لوله‌های داده Day 5 - Building AI Research Agents with MCP Servers and Data Pipelines

  • روز پنجم ساخت ایجنت‌های پژوهشی AI با Bedrock و SDK مدل OpenAI در AWS Day 5 - Building AI Research Agents with Bedrock and OpenAI SDK on AWS

  • روز پنجم استقرار ایجنت‌های پژوهشی AI با Docker، ECR و App Runner Day 5 - Deploying AI Research Agents with Docker, ECR, and App Runner

  • روز پنجم تست کامل جریان‌های کاری ایجنت AI از پژوهش تا ذخیره‌سازی برداری Day 5 - Testing End-to-End AI Agent Workflows from Research to Vector Storage

  • روز پنجم خودکارسازی جریان‌های کاری ایجنت AI با زمان‌بندی AWS EventBridge Day 5 - Automating AI Agent Workflows with AWS EventBridge Scheduling

  • روز پنجم جمع‌بندی هفته سوم: گزینه‌های تکالیف و گام‌های بعدی AI عملیاتی Day 5 - Week 3 Wrap-Up: Assignment Options & Production AI Next Steps

هفته چهارم Week 4

  • روز اول معماری‌های چند-ایجنته در مقابل تک-ایجنته برای سیستم‌های AI عملیاتی Day 1 - Multi-Agent vs Single-Agent Architectures for Production AI Systems

  • روز اول ساخت AI مالی چند-ایجنته: معماری دیتابیس و تنظیمات AWS Day 1 - Building Multi-Agent Financial AI: Database Architecture & AWS Setup

  • روز اول معماری دیتابیس برای AI عملیاتی: Aurora Serverless برای اپلیکیشن‌های LLM Day 1 - Database Architecture for Production AI: Aurora Serverless for LLM Apps

  • روز اول راه‌اندازی دیتابیس Aurora Serverless برای سیستم‌های AI چند-ایجنته Day 1 - Setting Up Aurora Serverless Database for Multi-Agent AI Systems

  • روز اول راه‌اندازی زیرساخت دیتابیس Aurora برای اپلیکیشن‌های AI عملیاتی Day 1 - Setting Up Aurora Database Infrastructure for Production AI Apps

  • روز اول راه‌اندازی معماری دیتابیس عملیاتی برای سیستم‌های ایجنت AI Day 1 - Setting Up Production Database Architecture for AI Agent Systems

  • روز دوم ساخت سیستم‌های AI مالی چند-ایجنته با مهندسی کانتکست (Context Engineering) Day 2 - Building Multi-Agent Financial AI Systems with Context Engineering

  • روز دوم راه‌اندازی مدل‌های AWS Bedrock و APIهای سازمانی برای ایجنت‌های AI Day 2 - Setting Up AWS Bedrock Models and Enterprise APIs for AI Agents

  • روز دوم بررسی معماری چند-ایجنته: ابزارها و خروجی‌های ساختاریافته Day 2 - Exploring Multi-Agent Architecture: Tools and Structured Outputs

  • روز دوم ساخت سیستم‌های مالی چند-ایجنته: بررسی کد و معماری Day 2 - Building Multi-Agent Financial Systems: Code Review and Architecture

  • روز دوم تست سیستم‌های چند-ایجنته به صورت محلی پیش از استقرار در Lambda Day 2 - Testing Multi-Agent Systems Locally Before Lambda Deployment

  • روز دوم بسته‌بندی و استقرار سیستم‌های AI چند-ایجنته در AWS Lambda Day 2 - Packaging and Deploying Multi-Agent AI Systems to AWS Lambda

  • روز دوم تست کامل سیستم‌های چند-ایجنته روی AWS Lambda Day 2 - End-to-End Testing of Multi-Agent Systems on AWS Lambda

  • روز سوم ساخت فرانت‌اند برای سیستم ایجنت AI عملیاتی شما Day 3 - Building the Frontend for Your Production AI Agent System

  • روز سوم اجرای اپلیکیشن‌های AI فول‌استک به صورت محلی پیش از استقرار عملیاتی Day 3 - Running Full-Stack AI Apps Locally Before Production Deployment

  • روز سوم چه زمانی تولید کد توسط AI در اپلیکیشن‌های عملیاتی موفق یا شکست می‌خورد Day 3 - When AI Code Generation Works vs Fails in Production Apps

  • روز سوم استقرار APIهای تولید شده توسط AI در محیط عملیاتی با AWS Lambda و Terraform Day 3 - Deploying AI-Generated APIs to Production with AWS Lambda & Terraform

  • روز سوم تست زنده سیستم AI مالی چند-ایجنته شما در محیط عملیاتی Day 3 - Testing Your Multi-Agent Financial AI System Live in Production

  • روز چهارم AI در سطح سازمانی: مانیتورینگ، امنیت و قابلیت مشاهده در مقیاس بزرگ Day 4 - Enterprise-Grade AI: Monitoring, Security & Observability at Scale

  • روز چهارم AI در سطح سازمانی: مقیاس‌پذیری، امنیت و مانیتورینگ برای عملیات Day 4 - Enterprise-Grade AI: Scaling, Security, and Monitoring for Production

  • روز چهارم مانیتورینگ ایجنت‌های AI در عملیات با CloudWatch و داشبوردها Day 4 - Monitoring AI Agents in Production with CloudWatch and Dashboards

  • روز چهارم مانیتورینگ سیستم‌های AI و ساخت گاردریل‌ها برای ایجنت‌های عملیاتی Day 4 - Monitoring AI Systems and Building Guardrails for Production Agents

  • روز چهارم قابلیت مشاهده پیشرفته LLM با Langfuse و گاردریل‌های عملیاتی Day 4 - Advanced LLM Observability with Langfuse and Production Guardrails

  • روز چهارم الگوی LLM به عنوان داور (LLM as a Judge) با مشاهده‌پذیری Langfuse Day 4 - LLM-as-a-Judge Pattern with Langfuse Observability in Production

  • روز چهارم مانیتورینگ بلادرنگ ایجنت‌ها و ریسک‌های امنیتی AI عملیاتی Day 4 - Real-Time Agent Monitoring and the Security Risks of Production AI

  • روز چهارم امن‌سازی ایجنت‌های AI در برابر تزریق پرامپت (Prompt Injection) در سیستم‌های عملیاتی Day 4 - Securing AI Agents Against Prompt Injection in Production Systems

  • روز چهارم تکلیف نهایی: عرضه ایجنت مالی AI شما به بازار Day 4 - Capstone Assignment: Taking Your AI Financial Agent to Market

  • روز پنجم گاردریل‌های AI سازمانی و جمع‌بندی سیستم ایجنت عملیاتی شما Day 5 - Enterprise AI Guardrails and Wrapping Your Production Agent System

  • روز پنجم پلتفرم‌های ایجنت در مقابل استقرار سفارشی: چه زمانی از راهکارهای مدیریت شده استفاده کنیم Day 5 - Agent Platforms vs Custom Deployment: When to Use Managed Solutions

  • روز پنجم ساخت ایجنت‌های AI عملیاتی با Amazon Bedrock AgentCore Day 5 - Building Production AI Agents with Amazon Bedrock AgentCore

  • روز پنجم راه‌اندازی AWS Bedrock Agent Core برای استقرارهای AI عملیاتی Day 5 - Setting Up AWS Bedrock Agent Core for Production AI Deployments

  • روز پنجم ساخت و استقرار اولین ایجنت AI در AWS در چند دقیقه Day 5 - Building and Deploying Your First AI Agent to AWS in Minutes

  • روز پنجم ساخت ایجنت‌های AI عملیاتی با سیستم‌های استدلال مبتنی بر حلقه (Loop-Based) Day 5 - Building Production AI Agents with Loop-Based Reasoning Systems

  • روز پنجم افزودن ابزارهای اجرای کد و قابلیت مشاهده به ایجنت‌های AWS Bedrock Day 5 - Adding Code Execution Tools and Observability to AWS Bedrock Agents

  • روز پنجم جمع‌بندی دوره: از صفر تا متخصص AI عملیاتی در ۴ هفته Day 5 - Course Wrap-Up: From Zero to Production AI Expert in 4 Weeks

نمایش نظرات

آموزش مسیر تخصصی مهندسی هوش مصنوعی: استقرار مدل‌های LLM و ایجنت‌ها در مقیاس صنعتی
جزییات دوره
18.5 hours
122
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
35,369
4.7 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

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Ed Donner Ed Donner

بنیانگذار و رهبر استارتاپ هوش مصنوعی؛ مربی ژنرال هوش مصنوعی و LLM