Udemy – Large Language Models: From Foundations to Transformers 2026-5

در تاریخ: 1405/08/13 8:54:24

توضیحات

دوره Large Language Models: From Foundations to Transformers. این دوره آموزشی یک مسیر جامع و پایه‌ای برای یادگیری معماری مدل‌های زبانی بزرگ از اصول اولیه یادگیری عمیق و Vector Embeddings تا مکانیسم‌های Self-Attention، معماری Transformers و مقیاس‌پذیری LLMها است. این دوره آموزشی اولین گام از مسیر سه مرحله‌ای یادگیری هوش مصنوعی عاملی Agentic AI Mastery است که فراگیران را با ساختار و زیربنای اصلی هوش مصنوعی مدرن آشنا می‌سازد. بر خلاف دوره‌های سطحی که تنها بر فراخوانی APIهای آماده تمرکز دارند، این برنامه آموزشی دانش شما را از پایه و به صورت اصولی می‌سازد تا در هنگام مواجهه با چالش‌های فنی یا نیاز به Fine-Tuning مدل‌ها، تسلط کافی داشته باشید. یادگیری در این دوره با بررسی مبانی هوش مصنوعی و Machine Learning آغاز شده و سپس به مفاهیم کلیدی Deep Learning مانند شبکه‌های عصبی، Backpropagation و Activation Functions می‌پردازد. در ادامه دوره، پردازش زبان طبیعی NLP و فضای Embedding بررسی شده و نحوه تبدیل متن به بردار جهت جستجوی معنایی آموزش داده می‌شود. فراگیران با بررسی مدل‌های متوالی از RNN و LSTM تا انقلاب Transformers، مکانیسم‌های Self-Attention و Positional Encoding را به طور کامل تحلیل می‌کنند. در نهایت، نحوه آموزش، Fine-Tuning، استراتژی‌های Decoding و مقیاس‌پذیری مدل‌های زبانی بزرگ LLM مورد بررسی قرار می‌گیرد. این دوره با ارائه آزمایشگاه‌های عملی کدنویسی، پادکست‌های صوتی تحلیل عمیق، نمودارهای معماری و پروژه پایانی جامع ChefBot، فراگیران را برای ورود به دوره‌های پیشرفته مهندسی LLM و Agentic AI آماده می‌سازد.

آنچه فرا خواهید گرفت

تسلط بر مکانیسم‌های اصلی AI و Deep Learning از Backpropagation و Activation Functions تا Self-Attention و Positional Encodings
پیاده‌سازی و ارزیابی مدل‌های متوالی Sequential Models و مقایسه شبکه‌های RNN و LSTM با معماری موازی Transformer
ساخت Vector Embeddings متراکم و توسعه موتورهای جستجوی برداری معنایی با استفاده از فریم‌ورک‌های استاندارد صنعت مانند FAISS
درک کامل چرخه حیات LLM شامل قوانین مقیاس‌پذیری Scaling Laws، پیش‌آموزش Pre-training، تنظیم دقیق نظارت‌شده SFT و ترازسازی ترجیحات RLHF و DPO
کنترل نحوه تولید متن در LLM از طریق پارامترهای Decoding شامل Top-K، Top-P و Temperature و بررسی مکانیسم مدل‌های Open-Weights جهت رفع خطاها

این دوره مناسب افرادیست که

مهندسان و توسعه‌دهندگان نرم‌افزار که می‌خواهند از توسعه برنامه‌های معمولی به سمت مهندسی AI و LLM تغییر مسیر دهند
دانشمندان داده Data Scientists و مبتدیان Machine Learning که می‌خواهند از خطوط لوله سنتی scikit-learn به سمت معماری‌های مدرن Transformer حرکت کنند
دانشجویان علوم کامپیوتر و متخصصان حوزه فناوری که به دنبال درک عمیق و اصولی از نحوه عملکرد داخلی LLMها هستند و نمی‌خواهند صرفاً از APIهای آماده استفاده کنند

مشخصات دوره Large Language Models: From Foundations to Transformers

ناشر: Udemy
مدرس: Dr. Ryan Rad
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 6 ساعت و 57 دقیقه

سرفصل های دوره در تاریخ 2026/7

پیشنیازهای دوره Large Language Models: From Foundations to Transformers

Intermediate Python: Familiarity with functions, loops, and basic data structures (code is explained step-by-step, but you should be comfortable reading Python).
High-School / Basic College Math: Basic familiarity with vectors, matrices, and simple calculus concepts (all key mathematical concepts are refreshed intuitively throughout the course).
No prior AI/Deep Learning experience required! We build everything from absolute ground zero.