توضیحات
دوره Generative AI on AWS – Amazon Bedrock, RAG & KIRO [2026]. این دوره آموزشی یک برنامه جامع و پروژهمحور برای یادگیری هوش مصنوعی مولد Generative AI در بستر cloud شرکت AWS است که به فراگیران روشهای ساخت برنامه کاربردی آماده تولید Production Ready با استفاده از Amazon Bedrock، معماری RAG و ابزار AWS KIRO را آموزش میدهد. این دوره آموزشی توسط یک مدرس مطرح و معماری باتجربه در بستر AWS طراحی شده است تا فراگیران را از سطح پایه و مبانی اولیه AI و Machine Learning به سمت ساخت برنامههای کاربردی غولپیکر و سازمانی سوق دهد. هدف اصلی این برنامه آموزشی تسهیل تغییر مسیر شغلی فراگیران و کمک به آنها برای ورود به موقعیتهای شغلی پردرآمد در حوزههای Generative AI و Agentic AI است. روند آموزش از مفاهیم پایهای مانند Prompt، Inference، Context Window و نحوه کارکرد Foundation Models آغاز میشود و سپس به بررسی عمیق سرویس Amazon Bedrock، معماری، قیمتگذاری و پارامترهای استنتاج میپردازد. ویژگی بارز این دوره، تمرکز ویژه بر پروژههای واقعی و کاربردی دنیای فناوری است. فراگیران در طول دوره سه پروژه بزرگ را پیادهسازی میکنند: ساخت دستیار تخصصی تجهیزات با استفاده از معماری Serverless و رعایت اصول Responsible AI و Guardrails، پیادهسازی برنامه آموزشی RAG بر پایه Agentic AI، و توسعه برنامه کاربردی FleetMate با ابزار جدید AWS KIRO. علاوه بر این، موضوعاتی نظیر ارزیابی مدل، شخصیسازی و Fine-Tuning، مانیتورینگ با CloudWatch، تبدیل مفاهیم از مرحله PoC به وضعیت قابل انتشار در دنیای واقعی و همچنین مرور مبانی زبان Python، AWS Lambda و API Gateway به صورت کاملاً عملی پوشش داده شده است تا تمامی شرکتکنندگان بتوانند دانش تئوری خود را به مهارتهای اجرایی در بازار کار تبدیل کنند.
آنچه فرا خواهید گرفت
- درک کامل مفاهیم AI، Machine Learning، Generative AI، Foundation Models، Prompts، Tokens و Inference
- شناخت معماری Amazon Bedrock و نحوه دسترسی به مدلهای پایه از طریق Bedrock Runtime
- طراحی معماریهای آماده تولید GenAI با بهرهگیری از سرویسهای AWS Lambda، API Gateway و CloudWatch
- اجرای پروژه واقعی دستیار تخصصی تجهیزات (از مرحله PoC تا Production)
- ساخت برنامه کاربردی آموزش الکترونیکی Serverless RAG با Amazon Bedrock
- توسعه برنامه کاربردی FleetMate با استفاده از AWS KIRO و محیط توسعه هوشمند Agentic AI
- پیادهسازی اصول ارزیابی مدل، Responsible AI، Guardrails و مانیتورینگ سیستم
- درک مفاهیم پردازش اسناد، Chunking، Embeddings، Vector Search و بازخوانی اطلاعات در معماری RAG
- ساخت برنامههای مبتنی بر Retrieval Augmented Generation با Amazon Bedrock Knowledge Bases
- مرور و یادگیری مفاهیم کاربردی زبان برنامهنویسی Python، AWS Lambda و API Gateway
این دوره مناسب افرادیست که
- توسعهدهندگان و مهندسان نرمافزار که قصد دارند برنامههای Generative AI را با Amazon Bedrock بسازند
- متخصصان AWS، مهندسان Cloud و معماران سیستم که میخواهند معماریهای عملیاتی GenAI را طراحی کنند
- فعالان حوزه AI و ML که به دنبال تجربه عملی در ساخت RAG و برنامههای سازمانی روی AWS هستند
- فراگیرانی که نمونههای اولیه GenAI را ساختهاند و قصد دارند آنها را به محصولات نهایی تبدیل کنند
- تمام علاقهمندان به یادگیری هوش مصنوعی مولد در AWS از سطح مبانی تا پروژههای واقعی پیشرفته
مشخصات دوره Generative AI on AWS – Amazon Bedrock, RAG & KIRO [2026]
- ناشر: Udemy
- مدرس: Rahul Trisal
- سطح آموزش: مبتدی تا پیشرفته
- مدت زمان آموزش: 13 ساعت و 9 دقیقه
سرفصل های دوره در تاریخ 2026/10
![Generative AI on AWS - Amazon Bedrock, RAG & KIRO [2026]](https://downloadly.ir/wp-content/uploads/2026/11/Generative-AI-on-AWS-Amazon-Bedrock-RAG-KIRO-2026-1.png)
پیشنیازهای دوره Generative AI on AWS – Amazon Bedrock, RAG & KIRO [2026]
- Basic familiarity with AWS cloud.
- No prior Generative AI experience is required. We start with the fundamentals.
- Basic Python/Any programming knowledge is recommended for the hands-on development sections.
تصاویر دوره
![Generative AI on AWS - Amazon Bedrock, RAG & KIRO [2026]](https://downloadly.ir/wp-content/uploads/2026/11/Generative-AI-on-AWS-Amazon-Bedrock-RAG-KIRO-2026.png)
نمونه فیلم دوره
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 1080p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
7.4 گیگابایت



![Generative AI on AWS - Amazon Bedrock, RAG & KIRO [2026]](https://downloadly.ir/wp-content/uploads/2026/11/Generative_AI_on_AWS_-_Amazon_Bedrock__RAG___KIRO__2026_-Copy.jpg)







































