ساخت عامل‌های هوش مصنوعی End-to-End واقعی با استفاده از AWS Bedrock [آموزشی] - آخرین آپدیت

دانلود Build Real world End-to-End AI Agents using AWS Bedrock [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره عملی، به دنیای توسعه عامل‌های هوش مصنوعی (AI Agents) با AWS Bedrock عمیق شوید. ابتدا با مفاهیم ضروری مدل‌های زبانی بزرگ (LLMs)، هوش مصنوعی عامل‌محور (Agentic AI) و ادغام داده‌های چندوجهی آشنا می‌شوید. با استفاده از قابلیت‌های قدرتمند AWS Bedrock، یاد می‌گیرید که اپلیکیشن‌های مبتنی بر هوش مصنوعی را طراحی، مستقر و مقیاس‌پذیر کنید تا در صنایع مختلف بهینه‌ترین عملکرد را داشته باشند. این دوره شما را گام‌به‌گام در فرآیند ساخت و استقرار برنامه‌های واقعی راهنمایی می‌کند و با دانش بنیادی ابزارهایی مانند Docker، AWS CLI و Boto3 شروع می‌شود. شما جریان‌های کاری (Workflows) پویا را با ترکیب منابع داده ساختاریافته و بدون ساختار مانند DynamoDB و Redshift ایجاد خواهید کرد. در ادامه، در طراحی عامل‌های خودمختاری که قادر به همکاری و انجام مستقل وظایف هستند تخصص می‌یابید؛ ایده‌آل برای کاربردهایی مانند چت‌بات‌ها، مدیریت موجودی محصولات و موارد دیگر. در پایان دوره، مهارت‌های لازم برای کار با اکوسیستم کامل AWS Bedrock، از سیستم‌های چند-عاملی تا توابع Lambda را کسب خواهید کرد که به شما امکان می‌دهد اپلیکیشن‌های مقیاس‌پذیر AI را به راحتی بسازید. با آزمایشگاه‌های عملی و تکالیف، شما برای پیاده‌سازی راهکارهای مبتنی بر هوش مصنوعی و ارتقای مسیر شغلی خود در حوزه در حال رشد Generative AI کاملاً آماده خواهید بود. - طراحی و پیاده‌سازی سیستم‌های چند-عاملی برای انجام وظایف پیچیده - ساخت و مدیریت پایگاه‌های دانش برای بازیابی و پردازش پیشرفته داده‌ها - استقرار اپلیکیشن‌های مقیاس‌پذیر AI با استفاده از کانتینرها و AWS ECS - یکپارچه‌سازی و اتوماسیون جریان‌های کاری با Bedrock Flows و توابع Lambda - کار با منابع داده ساختاریافته و بدون ساختار مانند Redshift و DynamoDB - کسب تخصص در مدیریت مکالمات چند-مرحله‌ای و ارکستراسیون عامل‌های هوش مصنوعی این دوره برای علاقه‌مندان به هوش مصنوعی، مهندسان نرم‌افزار، دانشمندان داده، معماران ابری و توسعه‌دهندگانی که به دنبال ساخت اپلیکیشن‌های هوشمند با AWS Bedrock هستند، عالی است. برای کسانی که به دنبال تجربه عملی در سیستم‌های Generative AI و راهکارهای چند-عاملی هستند ایده‌آل است و نیازمند آشنایی با مفاهیم پایه برنامه‌نویسی (ترجیحاً پایتون) و درک ابتدایی از رایانش ابری است. تجربه کار با سرویس‌های AWS مانند Lambda و DynamoDB مفید است اما اجباری نیست. - یادگیری استقرار اپلیکیشن‌های AI با کانتینرها در AWS ECS برای مقیاس‌پذیری - بررسی سیستم‌های چند-عاملی و همکاری آن‌ها برای وظایف پیچیده - کسب تجربه عملی از طریق آزمایشگاه‌ها و تکالیف واقعی

سرفصل ها و درس ها

مقدمه دوره و پیش‌زمینه Course Introduction & Background

  • مقدمه Introduction

  • نقش‌های نوظهور هوش مصنوعی در صنعت Emerging AI Roles in the Industry

  • پیش‌نیازهای دوره (حتما تماشا کنید) Course Prerequisites - Must Watch

مفاهیم بنیادی در اپلیکیشن‌های مبتنی بر LLM و هوش مصنوعی Fundamental Concepts in LLM-Driven Apps & AI

  • مروری بر معماری RAG Overview of RAG Architecture

  • آشنایی با فراخوانی توابع (Function Calling) و ارکستراسیون Introduction to Function Calling and Orchestration

  • هوش مصنوعی عامل‌محور (Agentic AI) چیست؟ What is Agentic AI?

نصب نرم‌افزارهای مورد نیاز Dependent Software Installation

  • ابزارها و فریم‌ورک‌های مورد نیاز برای نصب Tools & Frameworks to be Installed

  • آزمایشگاه: نصب Docker و AWS CLI Lab - Install Docker and AWS CLI

آشنایی با AWS Bedrock Introduction to AWS Bedrock

  • مروری بر AWS Bedrock Overview of AWS Bedrock

  • آزمایشگاه: گشت‌وگذار در کنسول Bedrock Lab - Bedrock Console Walkthrough

  • آزمایشگاه: شروع کار با Python/Boto3 برای Bedrock Lab - Getting Started with Python/Boto3 for Bedrock

  • آزمایشگاه: استقرار چت‌بات Streamlit به عنوان کانتینر Docker در AWS ECS Lab - Deploy Streamlit Chatbot as Docker Container to AWS ECS

  • آزمایشگاه: فراخوانی مدل‌های چندوجهی Bedrock با کتابخانه Python/Boto3 Lab - Invoke Bedrock's MultiModal LLMs Using Python/Boto3 Library

  • تکلیف: استقرار تولید تصویر با Stable Diffusion در AWS ECS Assignment - Deploy Image Generation using Stable Diffusion to AWS ECS

کار با Bedrock KnowledgeBase به عنوان ذخیره‌ساز برداری (Vector Store) Working with Bedrock KnowledgeBase as Vector Store

  • مروری بر AWS Bedrock KnowledgeBase Overview of AWS Bedrock KnowledgeBase

  • آزمایشگاه: ساخت اولین پایگاه دانش برای پرسش و پاسخ (Q&A) Lab - Create Your First KnowledgeBase for Q&A

  • آزمایشگاه: تست پایگاه دانش با استفاده از کنسول وب Lab - Test Your KnowledgeBase Using Web Console

  • آزمایشگاه: فراخوانی پایگاه دانش با Python SDK و توابع Lambda از طریق API Gateway Lab - Invoke KnowledgeBase with Python SDK & Lambda Functions Using API Gateway

  • تکلیف: راه‌اندازی پایگاه دانش زیرساخت خودروهای برقی Assignment - Setup Electric Vehicle Infrastructure KnowledgeBase

  • پاسخ تکلیف: بخش اول | استقرار توابع Lambda با API Gateway Assignment Solution - Part 1 | Deploy Lambda Functions with API Gateway

  • پاسخ تکلیف: بخش دوم | استقرار چت‌بات در AWS ECS Assignment Solution - Part 2 | Deploy Chatbot to AWS ECS

شروع به کار با عامل‌های Bedrock Getting Started with Bedrock Agents

  • مروری بر عامل‌های Bedrock (Bedrock Agents) Overview of Bedrock Agents

  • بررسی مورد کاربردی: دستیار موجودی محصولات برای پلتفرم‌های تجارت الکترونیک Use-Case Overview - Product Inventory Assistant for ECommerce Platforms

  • آزمایشگاه: تنظیم DynamoDB و Bedrock KnowledgeBase به عنوان منابع داده Lab - Setup DynamoDB and Bedrock KnowledgeBase as Data Sources

  • آزمایشگاه: استقرار و تست توابع Lambda برای دسترسی به DynamoDB Lab - Deploy & Test Lambda Functions to Access DynamoDB

  • آزمایشگاه: استقرار کامل عامل Bedrock (پیاده‌سازی کامل) Lab - Deploy Bedrock Agent - Full Implementation

  • آزمایشگاه: فراخوانی عامل‌ها با استفاده از Python/Boto3 SDK Lab - Invoke Agents Using Python/Boto3 SDK

مقدمه‌ای بر همکاری چند-عاملی با استفاده از Bedrock Introduction to Multi-Agent Collaboration Using Bedrock

  • مقدمه‌ای بر همکاری چند-عاملی Introduction to Multi-Agent Collaboration

  • مروری بر آزمایشگاه دستیار وام مسکن Overview of Mortgage Assistant Lab

  • آزمایشگاه: تنظیم اولین زیر-عامل (بخش اول) Lab - Setup First Sub-Agent Part-1

  • آزمایشگاه: تنظیم اولین زیر-عامل (بخش دوم) Lab - Setup First Sub-Agent Part-2

  • آزمایشگاه: تنظیم دومین زیر-عامل Lab - Setup Your Second Sub-Agent

  • آزمایشگاه: تنظیم عامل ناظر (Supervisor Agent) Lab - Setup Supervisor Agent

  • آزمایشگاه: استقرار چت‌بات دستیار وام مسکن در AWS ECS Lab - Deploy a Mortgage Assistant Chatbot to AWS ECS

آزمایشگاه: توسعه دستیار رزرو هتل با AWS Bedrock، Dynamo و توابع Lambda Lab - Develop Hotel Booking Assistant with AWS Bedrock, Dynamo & Lambda Functions

  • مقدمه‌ای بر مورد کاربردی Introduction to the Use-Case

  • آزمایشگاه: استقرار توابع Lambda دستیار رزرو هتل Lab - Deploy Hotel Booking Assistant Lambda Functions

  • آزمایشگاه: استقرار کامل دستیار رزرو هتل با استفاده از AWS ECS Lab - Full Deployment of Hotel Booking Assistant Using AWS ECS

استفاده از Redshift به عنوان پایگاه دانش برای داده‌های ساختاریافته Redshift as a KnowledgeBase for Structured Data

  • مقدمه‌ای بر منابع داده ساختاریافته برای پایگاه دانش Introduction to Structured Data Source for KnowledgeBase

  • آزمایشگاه: تنظیم Redshift Serverless برای لیست اجاره آپارتمان Lab - Setup Redshift Serverless for Rental Apartment Listings

  • آزمایشگاه: تنظیم پایگاه دانش با منبع داده Redshift Lab - Setup KnowledgeBase with Redshift Data Source

  • آزمایشگاه: تنظیم عامل‌های دستیار اجاره با استفاده از Bedrock Lab - Setup Rental Assistant Agents Using Bedrock

  • نکات مهم پیش از استفاده از Redshift با Bedrock KnowledgeBase Remember This Before Using Redshift with Bedrock KnowledgeBase

  • تکلیف: استقرار توابع Lambda برای کوئری زدن به Redshift برای عامل‌های Bedrock Lab - Assignment | Deploy Lambda Functions to Query Redshift for Bedrock Agents

جریان‌های کاری برای اپلیکیشن‌های Generative AI با استفاده از Bedrock Flows Workflows for Generative AI Apps Using Bedrock Flows

  • مقدمه‌ای بر Bedrock Flows Introduction to Bedrock Flows

  • آزمایشگاه: ساخت اولین جریان کاری برای بازخوردهای کاربران در فروشگاه‌های آنلاین Lab - Build Your First Workflow for User Feedback for Ecommerce Stores

  • آزمایشگاه: یکپارچه‌سازی Bedrock KnowledgeBase با Flows برای پاسخ‌های قابل اعتماد Lab - Integrate Bedrock KnowledgeBase with Flows for Reliable Responses

  • مقدمه‌ای بر مکالمات چند-مرحله‌ای (Multi-turn) Introduction to Multi-turn Conversations

  • آزمایشگاه: استقرار عامل‌ها با Bedrock Flows (بخش اول) Lab - Deploy Agents with Bedrock Flows | Part 1

  • آزمایشگاه: استقرار عامل‌ها با Bedrock Flows (بخش دوم) Lab - Deploy Agents with Bedrock Flows | Part 2

  • آزمایشگاه: فراخوانی Bedrock Flows با استفاده از Python/Boto3 SDK Lab - Invoke Bedrock Flows Using Python/Boto3 SDK

نمایش نظرات

ساخت عامل‌های هوش مصنوعی End-to-End واقعی با استفاده از AWS Bedrock [آموزشی]
جزییات دوره
5h 57m
50
Packtpub Packtpub
(آخرین آپدیت)
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

Siddharth Raghunath Siddharth Raghunath

Siddharth Raghunath یک مدیر مهندسی کسب و کار با تجربه گسترده در زمینه توسعه نرم افزار، پردازش توزیع شده و مهندسی داده های ابری است. او روی پلتفرم‌های ابری مختلف مانند AWS و GCP و همچنین خوشه‌های Hadoop در محل کار کرده است. او سمینارهایی را در مورد پردازش توزیع شده با استفاده از Spark، جریان بیدرنگ و تجزیه و تحلیل، و بهترین شیوه ها برای ETL و حاکمیت داده برگزار می کند. او علاقه زیادی به کدنویسی و ایجاد خطوط لوله داده بهینه برای پردازش قوی داده ها و راه حل های جریان دارد.