لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساخت با هوش مصنوعی: توسعه دستیار بررسی کد (Code Review)
- آخرین آپدیت
دانلود Build with AI: Developing a Code Review Assistant
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره، پیچیدگیهای برنامهنویسی پایتون را با تأکید بر تسلط بر ساختارهای داده بررسی کنید و با یادگیری نحوه نوشتن کدهای تمیزتر، بهینهتر و سازمانیافتهتر، مزیتی رقابتی کسب کنید. این دوره به شما کمک میکند تا با استفاده از قابلیتهای قدرتمند پایتون، دادهها را بهطور موثر تحلیل و مدیریت کنید و برای توسعهدهندگان نرمافزار، دانشمندان داده و علاقهمندان به تکنولوژی که مشتاق ارتقای مهارتهای کدنویسی و دانش برنامهنویسی خود هستند، ایدهآل است.
مفاهیم کلیدی مانند لیستها، دیکشنریها و مجموعهها را بیاموزید و متوجه شوید که چگونه این ابزارها میتوانند کارایی کد شما را افزایش دهند. در بهینهسازی الگوریتمها برای بهبود تواناییهای حل مسئله تعمق کنید و بهترین روشها برای سازماندهی و مدیریت دادهها در سیستمهای پیچیده را کشف نمایید. با این دوره بیاموزید که چگونه با سرعت و دقت بیشتر، چالشهای کدنویسی را با اعتمادبهنفس پشت سر بگذارید و به سرمایهای ارزشمند برای هر تیم توسعه تبدیل شوید.
سرفصل ها و درس ها
مبانی و معماری
1. Foundations and Architecture
معماری سیستم: الگوهای رویداد-محور برای تحلیل PR
System architecture: Event-driven patterns for PR analysis
خلاصه ماژول و الگوهای کلیدی معماری
Module summary and key architectural patterns
یکپارچهسازی LLM: بهینهسازی توکنها و مدیریت پنجره متن (Context Window)
LLM integration: Token optimization and context window management
گیتهاب اکشنز: ارکستراسیون گردش کار و پیکربندی YAML
GitHub Actions: Workflow orchestration and YAML configuration
معرفی دوره و اهداف یادگیری
Course introduction and learning objectives
بررسی خودکار کد: کاهش تأخیر و بار شناختی
Automated code review: Reducing latency and cognitive load
استراتژی و ابزارها
2. Strategy and Tooling
رویکرد استراتژیک به سیستمهای بررسی خودکار
Strategic approach to automated review systems
معماری PMAT: طراحی پارسر و تحلیل AST
PMAT architecture: Parser design and AST analysis
تحلیل مقایسهای: پیادهسازیهای موجود در GitHub Action
Comparative analysis: Existing GitHub Action implementations
خلاصه ماژول و معیارهای انتخاب ابزار
Module summary and tool selection criteria
مهندسی پرامپت: کنترل دما (Temperature) و قطعیت پاسخ
Prompt engineering: Temperature control and response determinism
قانونمند کردن استانداردهای بررسی: قوانین Linting و تحلیل معنایی
Codifying review standards: Linting rules and semantic analysis
پیادهسازی
3. Implementation
استراتژی پیادهسازی و گردش کار توسعه
Implementation strategy and development workflow
خلاصه ماژول و بنچمارکهای عملکرد
Module summary and performance benchmarks
تست محلی: Act runner و شبیهسازی محیط
Local testing: Act runner and environment simulation
ساخت اکشن: پیادهسازی با TypeScript و بستهبندی Docker
Building the action: TypeScript implementation and Docker packaging
توسعه مبتنی بر مستندات: تعریف قرارداد API
Documentation-driven development: API contract definition
توسعه محیط تست: شبیهسازی پاسخهای API گیتهاب
Test harness development: Mocking GitHub API responses
استقرار و محیط عملیاتی
4. Deployment and Production
قابلیتهای پیشرفته: تحلیل تفاوتهای افزایشی (Incremental Diff) و استراتژیهای کشینگ
Advanced features: Incremental diff analysis and caching strategies
ثبت GitHub Action: مجوزها و مرزهای امنیتی
GitHub Action registration: Permissions and security boundaries
چالشهای عملیاتی: کاهش توهمات AI و محدودیت نرخ درخواست (Rate Limiting)
Production challenges: Hallucination mitigation and rate limiting
ملاحظات استقرار در محیط عملیاتی
Production deployment considerations
یکپارچهسازی PR: مدیریت وبهوک و رشتهبندی کامنتها
PR integration: Webhook handling and comment threading
خلاصه ماژول و معیارهای محیط عملیاتی
Module summary and production metrics
انتشار و توزیع
5. Publishing and Distribution
استراتژی توزیع و الزامات مارکتپلیس
Distribution strategy and marketplace requirements
مستندات فنی: متادیتای اکشن و مثالهای کاربردی
Technical documentation: Action metadata and usage examples
انتشار در مارکتپلیس: نسخهبندی و انتشار معنایی (Semantic Release)
Marketplace publication: Versioning and semantic release
جمعبندی دوره و بهبودهای آینده
Course conclusion and future enhancements
آزمایشگاههای هوش مصنوعی عملگرا یک آموزشدهنده فناوری است.
آزمایشگاههای هوش مصنوعی عملی همه را، صرفنظر از ابزار یا پیشزمینه، به دانشی برای تغییر خود و ارتقای جوامع خود مجهز میکند. آزمایشگاههای هوش مصنوعی عملگرا تلاش میکنند تا آموزش را دموکراتیک کرده و زندگی را از طریق فناوری خلاقانه و اخلاقی تقویت کنند. با مدرسان برجسته از دانشگاههای برتر با تجربه صنعت در دنیای واقعی، برنامههای آن بر ارائه مهارتهای در دسترس و پیشرفته تمرکز دارد که منجر به تحقق مشاغل و در عین حال اجتناب از آسیب و بهبود رفاه انسان میشود.
آلفردو دزا نویسنده، المپیکی و استاد کمکی در دانشگاه دوک است.
آلفردو نزدیک به دو دهه تجربه DevOps و مهندسی نرم افزار دارد و چندین کتاب درباره DevOps و Python از جمله Python for DevOps<نوشته است./i> و MLOهای عملی. زمینه های تخصص او عبارتند از Azure و رایانش ابری، DevOps، MLOps، Python، Databricks، و اتوماسیون با CI/CD.
آلفردو در حال حاضر به عنوان یک مدافع اصلی ابر در مایکروسافت کار می کند و در Marietta، جورجیا زندگی می کند.
نمایش نظرات