Udemy – Become An Llm & Agentic Ai Engineer: 14-Day Bootcamp – 2025 2025-3

در تاریخ: 1404/03/07 11:26:26

توضیحات

دوره Become An Llm & Agentic Ai Engineer: 14-Day Bootcamp – 2025. انقلاب هوش مصنوعی با سرعتی غیرقابل تصور در حال شتاب گرفتن است و کسانی که بر مدل‌های زبان بزرگ (LLM) و هوش مصنوعی عامل تسلط پیدا کنند، آینده فناوری را رقم خواهند زد. بوت‌کمپ “مهندس LLM و هوش مصنوعی عامل شوید” یک برنامه فشرده و عملی ۱۴ روزه است که برای تجهیز متخصصان و علاقه‌مندان به مهارت‌های لازم برای ساخت برنامه‌های کاربردی هوش مصنوعی در دنیای واقعی طراحی شده است. چه یک توسعه‌دهنده، دانشمند داده، پژوهشگر یا رهبر فناوری باشید، این بوت‌کمپ ابزارها و دانش لازم را برای حرکت و نوآوری با اطمینان در این فضای به سرعت در حال تکامل، فراهم می‌کند. شرکت‌کنندگان با کاوش در مبانی LLM‌ها و چارچوب‌های عامل، از جمله نحوه محک‌زدن مدل‌ها با استفاده از LM Studio، آغاز می‌کنند. سپس، دوره آن‌ها را در کار با API‌های قدرتمند بسته از ارائه‌دهندگانی مانند OpenAI، Gemini و Claude راهنمایی می‌کند. آن‌ها یاد می‌گیرند که چگونه پیام‌های سیستم و کاربر را ساختاربندی کنند، توکنیزاسیون را درک کنند و خروجی‌ها را برای ساخت پروژه‌هایی مانند تولیدکننده‌های متن با هوش مصنوعی و ردیاب‌های کالری با قابلیت بینایی کنترل کنند.

با پیشرفت در دوره، به دنیای LLM‌های منبع باز وارد می‌شوند. آن‌ها مدل‌ها را در Hugging Face با استفاده از تکنیک‌های پیشرفته‌ای مانند LoRA و تنظیم دقیق با کارایی پارامتر (PEFT) تنظیم می‌کنند. در کنار این، تجربه طراحی برنامه‌های وب مبتنی بر هوش مصنوعی با استفاده از Gradio، ایجاد برنامه‌های پخش تعاملی و ساخت سیستم‌های هوشمند آموزشی هوش مصنوعی را کسب می‌کنند. یک بخش اصلی بوت‌کمپ بر تسلط بر مهندسی پرامپت (Prompt Engineering) تمرکز دارد، از جمله تکنیک‌های پرامپت‌سازی صفر-شات (Zero-Shot)، چند-شات (Few-Shot) و زنجیره-تفکر (Chain-of-Thought) برای دستیابی به خروجی‌های سازگار و کنترل‌شده. آن‌ها همچنین قابلیت‌های پیشرفته‌ای مانند ساخت خطوط لوله تولید افزوده بازیابی (RAG) و کار با Embeddings برای جستجوی معنایی و بازیابی دانش را بررسی می‌کنند.

آنچه در دوره Become An Llm & Agentic Ai Engineer: 14-Day Bootcamp – 2025 فرا خواهید گرفت

اصول مدل‌های زبان بزرگ (LLM) و هوش مصنوعی عامل را درک خواهند کرد، از جمله نحوه آموزش، تنظیم دقیق و استقرار LLM‌ها.
عوامل هوش مصنوعی خودمختار و هوشمند را با استفاده از چارچوب‌های پیشرفته‌ای مانند AutoGen، OpenAI Agents SDK، LangGraph، n8n و MCP ایجاد و مستقر خواهند کرد.
LLM‌های منبع باز مانند LLama، DeepSeek، Qwen، Phi و Gemma را با استفاده از Hugging Face و LM Studio کاوش و محک خواهند زد.
برنامه‌های کاربردی دنیای واقعی را با استفاده از دسترسی API به OpenAI، Gemini و Claude برای تولید متن و وظایف بینایی توسعه خواهند داد.
یک چارچوب اثبات‌شده ۵ مرحله‌ای را برای انتخاب مدل هوش مصنوعی مناسب برای کسب‌وکار خود به کار خواهند گرفت: به حداکثر رساندن کارایی هزینه، به حداقل رساندن تأخیر و تسریع زمان ورود به بازار.
LLM‌ها را با استفاده از تابلوهای امتیازات (Leaderboards) مانند Vellum و Chat Arena ارزیابی خواهند کرد و تست‌های کور برای ارزیابی عینی عملکرد مدل هوش مصنوعی انجام خواهند داد.
خطوط لوله تولید افزوده بازیابی (RAG) را با استفاده از LangChain، OpenAI Embeddings و ChromaDB برای بازیابی کارآمد اسناد و پاسخ به سؤالات طراحی خواهند کرد.
یک سیستم پرسش و پاسخ تعاملی و شفاف مبتنی بر هوش مصنوعی با رابط Gradio خواهند ساخت که پاسخ‌ها را همراه با ارجاعات منبع برای افزایش اعتماد کاربر نمایش می‌دهد.
اعتبار سنجی داده‌ها و تولید خروجی ساختاریافته را با استفاده از کتابخانه Pydantic، از جمله BaseModel، Type Hints و ایجاد خروجی تجزیه شده از مدل‌های OpenAI، فرا خواهند گرفت.
یک ویرایشگر رزومه مبتنی بر هوش مصنوعی خواهند ساخت که شکاف بین رزومه و شرح شغل را تجزیه و تحلیل می‌کند و به طور خودکار رزومه‌ها/نامه‌های پوششی را برای درخواست‌های هدفمند تنظیم می‌کند.
یاد خواهند گرفت که چگونه LLM‌های منبع باز از پیش آموزش‌دیده را با استفاده از روش‌های کارآمد پارامتری مانند LoRA و ابزارهایی مانند TRL و SFTTrainer از Hugging Face تنظیم دقیق کنند.
تکنیک‌های آماده‌سازی مجموعه داده و ارزیابی مدل، از جمله محاسبه دقت، صحت، فراخوانی و امتیاز F1 با استفاده از scikit-learn را فرا خواهند گرفت.
اجزای کلیدی در کتابخانه Hugging Face Transformers مانند pipeline()، AutoTokenizer() و AutoModelForCausalLM() را به کار خواهند گرفت.
تجربه عملی کار با مجموعه‌داده‌ها/مدل‌های منبع باز در Hugging Face را کسب خواهند کرد و تکنیک‌های کوانتیزاسیون مانند bitsandbytes را برای بهینه‌سازی عملکرد به کار خواهند گرفت.
تکنیک‌های پیشرفته مهندسی پرامپت مانند پرامپت‌سازی صفر-شات، چند-شات و زنجیره-تفکر را فرا خواهند گرفت.
عوامل هوش مصنوعی چندمدلی را با استفاده از AutoGen، با ادغام LLM‌ها از OpenAI، Gemini و Claude، مستقر خواهند کرد که امکان همکاری عامل و نظارت انسان در حلقه را فراهم می‌کند.
جریان‌های کاری عامل هوش مصنوعی را با استفاده از LangGraph توسعه و مستقر خواهند کرد و بر مفاهیمی مانند حالات، لبه‌ها، منطق شرطی و گره‌های چند مرحله‌ای تسلط خواهند یافت.
و …

این دوره مناسب افرادیست که

یک لپ‌تاپ و اتصال به اینترنت دارند.
تجربه برنامه‌نویسی ندارند؛ مهارت‌های اولیه پایتون یک مزیت محسوب می‌شود.
مهندسان نرم‌افزار، دانشمندان داده، پژوهشگران هوش مصنوعی و متخصصان فناوری هستند که می‌خواهند وارد حوزه توسعه LLM و عامل هوش مصنوعی شوند.

مشخصات دوره Become An Llm & Agentic Ai Engineer: 14-Day Bootcamp – 2025

ناشر: Udemy
مدرس: Dr. Ryan Ahmed | 400K+ Students | Best-Selling Professor | 250K+ YouTube
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 24 ساعت و 7 دقیقه
تعداد دروس: 298

سرفصل های دوره

1 – Welcome to the Bootcamp
2 – PART A CLOSEDSOURCE LLMs GRADIO BENCHMARKING
3 – Day 1 Develop a Character AI Chatbot Using OpenAI API
4 – Day 2 Build an AI Calorie Tracker Using OpenAI API Vision GPTs
5 – Day 3 Build an Adaptive LLMAI Tutor with Gradio for Multilevel Learning
6 – Day 4 Build Websites with Claude Gemini OpenAI LLMs Leaderboards
7 – PART B OPENSOURCE LLMs HUGGING FACE RAG FINETUNING
8 – Day 5 Hugging Face OpenSource Models
9 – Day 6 Reasoning OpenSource LLMs on Hugging Face Model Leaderboards
10 – Day 7 Build Retrieval Augmented Generation RAG Pipelines in LangChain
11 – Day 8 Build a Resume Cover Letter AI Assistant with OpenAI Pydantic
12 – Day 9 FineTuning of Large Language Models with LORA SFTTrainer PEFT TRL
13 – PART C AI AGENTS WITH LANGGRAPH AUTOGEN CREWAI N8N MCP
14 – Day 10 Build MultiModel AI Agent Teams Using AutoGen
15 – Day 11 Building AI Agentic Workflows in LangGraph
16 – Day 12 Build A Team of Data Science AI Agents Using CrewAI
17 – Day 13 Build Agentic AI Workflows in n8n
18 – Day 14 Build AI Agents with Model Context Protocol MCP OpenAI Agents SDK
19 – Congratulations and Thank You