Udemy – Complete AI Engineering Bootcamp: Agentic AI, RAG, LangGraph 2026-7

در تاریخ: 1405/05/21 12:14:49

توضیحات

Complete AI Engineering Bootcamp: Agentic AI, RAG, LangGraph دوره آموزشی نحوه ساخت برنامه‌های کاربردی هوش مصنوعی مدرن و سیستم‌های عامل‌دار هوشمند با استفاده از پایتون، مدل‌های زبان بزرگ، تولید افزوده بازیابی (RAG) و LangGraph می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این بوت کمپ که برای مهندسان هوش مصنوعی، توسعه‌دهندگان نرم‌افزار، متخصصان یادگیری ماشین و توسعه‌دهندگان مشتاق برنامه‌های هوش مصنوعی طراحی شده است، گردش کار کامل مهندسی هوش مصنوعی را از کار با LLMها و تعبیه‌ها گرفته تا طراحی عامل‌های خودمختار و سیستم‌های هوش مصنوعی آماده تولید پوشش می‌دهد. افراد مهندسی سریع، خطوط لوله RAG، پایگاه‌های داده برداری، فراخوانی ابزار، حافظه عامل، تنظیم گردش کار، LangGraph، سیستم‌های چندعامله، ارزیابی، مشاهده‌پذیری و استقرار برنامه‌های هوش مصنوعی را خواهند آموخت.

این یک بوت کمپ کامل مهندسی هوش مصنوعی است که برای هدایت شما از درک اصول هوش مصنوعی مدرن به ساخت برنامه‌های هوش مصنوعی آماده برای تولید با استفاده از مهم‌ترین فناوری‌های امروزی طراحی شده است. چه هدف شما تبدیل شدن به یک مهندس هوش مصنوعی، ساخت برنامه‌های هوشمند هوش مصنوعی یا درک نحوه طراحی سیستم‌های هوش مصنوعی تولیدی مدرن باشد، این بوت کمپ به گونه‌ای ساختار یافته است که به شما در پیشرفت یک مفهوم، یک پروژه و یک سیستم در یک زمان کمک کند. از آنجا، شما به تدریج به سمت تولید افزوده بازیابی (RAG)، RAG بدون بردار، مهندسی هوش مصنوعی تولید با Pydantic، عامل‌های هوش مصنوعی هوشمند با LangGraph، RAG عامل‌دار، سیستم‌های چندعاملی، گردش‌های کاری انسان در حلقه و برنامه‌های کامل هوش مصنوعی به سبک سازمانی حرکت خواهید کرد.

آنچه در دوره Complete AI Engineering Bootcamp: Agentic AI, RAG, LangGraph یاد خواهید گرفت:

تسلط بر مهندسی هوش مصنوعی از مدل‌های زبانی بزرگ و مهندسی پرامپت تا هوش مصنوعی عامل‌محور، سیستم‌های چندعاملی و هوش مصنوعی سازمانی.
ساخت اپلیکیشن‌های هوش مصنوعی آماده تولید با Python، LangChain و بهترین شیوه‌های مهندسی هوش مصنوعی به‌جای پروژه‌های نمایشی ساده.
طراحی، ساخت و بهینه‌سازی سیستم‌های Retrieval-Augmented Generation (RAG) با استفاده از embedding، پایگاه‌داده‌های برداری، بازیابگرها و پایپ‌لاین‌های واقعی سند.
درک اینکه چه زمانی از RAG سنتی و چه زمانی از RAG بدون بردار استفاده شود، و تصمیم‌گیری معماری بر اساس مصالحه‌های واقعی مهندسی به‌جای روندها.
توسعه اپلیکیشن‌های قدرتمند هوش مصنوعی با Pydantic از طریق پیاده‌سازی اعتبارسنجی داده، خروجی‌های ساختاریافته، سریال‌سازی و مدل‌های داده آماده تولید.
ساخت عامل‌های هوشمند هوش مصنوعی با LangGraph که می‌توانند استدلال کنند، از ابزار استفاده کنند، تصمیم بگیرند، حافظه را مدیریت کنند و گردش‌کارهای چندمرحله‌ای را اجرا کنند.
ساخت سیستم‌های Agentic RAG که به‌صورت هوشمند بازیابی، ارزیابی، بازنویسی و تولید پاسخ‌های مستند را با استفاده از گردش‌کارهای مدرن هوش مصنوعی انجام می‌دهند.
طراحی و پیاده‌سازی سیستم‌های چندعاملی هوش مصنوعی که در آن‌ها چندین عامل تخصصی برای حل مسائل واقعی و پیچیده با یکدیگر همکاری می‌کنند.
ساخت پروژه‌های سرتاسری هوش مصنوعی شامل دستیارهای هوش مصنوعی، خلاصه‌سازهای وب‌سایت، چت‌بات‌های PDF، عامل‌های پژوهشی هوش مصنوعی، سیستم‌های Agentic RAG و اپلیکیشن‌های چندعاملی.
یادگیری نحوه طراحی، اشکال‌زدایی، بهینه‌سازی و استقرار سیستم‌های مدرن هوش مصنوعی با استفاده از اصول مهندسی مورد استفاده در محیط‌های تولید.
مقایسه مدل‌های پیشرو هوش مصنوعی مانند GPT، Claude، Gemini و Llama، و انتخاب مدل مناسب برای اپلیکیشن‌های مختلف واقعی هوش مصنوعی.
فکر کردن مانند یک مهندس هوش مصنوعی از طریق درک اصول پشت معماری‌های مدرن هوش مصنوعی به‌جای صرفاً حفظ کردن فریم‌ورک‌ها و کتابخانه‌ها.
کسب تجربه عملی از طریق کدنویسی عملی، پروژه‌های کوچک و پروژه‌های نهایی سرتاسری کامل که هر مفهوم اصلی را تقویت می‌کنند.
کسب اعتمادبه‌نفس برای طراحی، توسعه و گسترش سیستم‌های مدرن هوش مصنوعی با استفاده از فریم‌ورک‌ها و فناوری‌های جدید همگام با تکامل اکوسیستم هوش مصنوعی.
و …

مشخصات دوره

ناشر: یودمی
مدرس: Pratham Uday Chandratre
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 180
مدت زمان آموزش: 31 ساعت و 21 دقیقه

سرفصل های دوره در تاریخ 2026/8

Complete AI Engineering Bootcamp: Agentic AI, RAG, LangGraph Content

پیش نیازهای دوره Complete AI Engineering Bootcamp: Agentic AI, RAG, LangGraph

Basic Python programming knowledge (variables, loops, functions, and classes) is recommended.
No prior AI, Machine Learning, LangChain, LangGraph, or RAG experience is required.
A computer (Windows, macOS, or Linux) with an internet connection.
A willingness to learn, build real-world AI projects, and experiment throughout the course.