• علاقه‌مندان به هوش مصنوعی: کسانی که هیچ پیش‌زمینه قبلی در هوش مصنوعی ندارند و مایلند از پایه و به صورت اصولی با مدل‌های زبان بزرگ آشنا شوند.
• توسعه‌دهندگان نرم‌افزار: برنامه‌نویسانی که می‌خواهند مهارت‌های خود را در زمینه هوش مصنوعی گسترش دهند و یاد بگیرند چگونه LLMها را در پروژه‌های خود ادغام کنند.
• دانشجویان و محققان: افرادی که به دنبال یک منبع جامع و به‌روز برای درک مفاهیم بنیادی و پیشرفته LLMها هستند.
• مدیران محصول و کسب‌وکار: افرادی که می‌خواهند درک عمیق‌تری از پتانسیل هوش مصنوعی در کسب‌وکار خود پیدا کنند و تصمیمات آگاهانه‌تری بگیرند.
• مهندسان داده و تحلیل‌گران: کسانی که قصد دارند قابلیت‌های خود را در پردازش زبان طبیعی تقویت کنند.

• مبانی هوش مصنوعی و یادگیری ماشین: آشنایی با مفاهیم کلیدی AI، ML، و یادگیری عمیق به زبانی ساده و قابل فهم.
• درک عمیق مدل‌های زبان بزرگ: نحوه عملکرد داخلی LLMها، از معماری‌های پایه تا پیشرفته‌ترین مدل‌ها.
• معماری ترانسفورمر و مکانیسم توجه: جزئیات کامل ترانسفورمرها که پایه و اساس LLMهای مدرن هستند، شامل رمزگذار (Encoder) و رمزگشا (Decoder) و Self-Attention.
• تولید متن و پردازش زبان طبیعی (NLP): نحوه استفاده از LLMها برای وظایف مختلف NLP مانند خلاصه‌سازی، ترجمه، تولید محتوا و چت‌بات‌ها.
• مهندسی پرامپتینگ: اصول و تکنیک‌های نوشتن پرامپت‌های موثر برای استخراج بهترین پاسخ‌ها از LLMها.
• تنظیم دقیق (Fine-tuning) و استقرار LLMها: آموزش نحوه شخصی‌سازی مدل‌های از پیش آموزش‌دیده برای کاربردهای خاص و استقرار آن‌ها در محیط‌های عملی.
• اخلاق، تعصب و مسئولیت‌پذیری در AI: بررسی چالش‌های اخلاقی مرتبط با هوش مصنوعی و مدل‌های زبان بزرگ.
• پروژه‌های عملی و کدنویسی: پیاده‌سازی عملی مفاهیم آموخته‌شده از طریق پروژه‌های گام به گام و کدنویسی (عمدتاً با پایتون و کتابخانه‌های مربوطه).

این دوره به گونه‌ای طراحی شده که برای افراد مبتدی در زمینه هوش مصنوعی مناسب باشد، اما داشتن برخی پیش‌نیازها می‌تواند به درک بهتر و سریع‌تر مطالب کمک کند:

• آشنایی مقدماتی با برنامه‌نویسی: ترجیحاً پایتون، زیرا اکثر مثال‌ها و پروژه‌های عملی با این زبان پیاده‌سازی می‌شوند. نیازی به تسلط کامل نیست، اما درک مفاهیم پایه مانند حلقه‌ها، شرط‌ها و توابع ضروری است.
• مفاهیم پایه ریاضی: درک کلی از جبر خطی و حسابان (در سطح دبیرستان یا دانشگاه) به فهم بهتر الگوریتم‌ها کمک می‌کند، اگرچه مطالب به گونه‌ای تدریس می‌شوند که بدون دانش عمیق ریاضی نیز قابل فهم باشند.
• اشتیاق به یادگیری: مهم‌ترین پیش‌نیاز، علاقه و تمایل به کاوش در دنیای هوش مصنوعی و مدل‌های زبان بزرگ است.

1. ورود به دنیای هوش مصنوعی و یادگیری ماشین

• هوش مصنوعی چیست؟ تاریخچه و سیر تحول آن
• معرفی یادگیری ماشین و یادگیری عمیق
• مفاهیم پایه شبکه‌های عصبی و انواع آن
• آشنایی با ابزارهای اولیه و محیط‌های توسعه

2. مدل‌های زبان بزرگ از پایه تا پیشرفته

• تکامل مدل‌های زبانی: از N-gram تا مدل‌های ترانسفورمر
• معماری ترانسفورمر: Encoder, Decoder, Positional Encoding
• مکانیسم توجه (Attention Mechanism) و اهمیت آن
• انواع مدل‌های ترانسفورمر (BERT, GPT, T5 و … در سطح مقدماتی)

3. مهندسی پرامپت و تعامل با LLMها

• اصول طراحی پرامپت‌های موثر
• تکنیک‌های پیشرفته پرامپتینگ: Chain-of-Thought, Few-Shot Learning
• استفاده از LLMها برای تولید محتوا، خلاصه‌سازی و ترجمه
• توسعه چت‌بات‌های ساده با LLMها

4. تنظیم دقیق و شخصی‌سازی مدل‌ها

• مقدمه‌ای بر تنظیم دقیق (Fine-tuning)
• روش‌های آماده‌سازی داده برای Fine-tuning
• پیاده‌سازی پروژه‌های کوچک Fine-tuning
• ملاحظات مربوط به منابع و محاسبات

5. ملاحظات اخلاقی و آینده LLMها

• سوگیری (Bias) و انصاف در مدل‌های زبان بزرگ
• امنیت و حریم خصوصی داده‌ها
• مفاهیم هوش مصنوعی مسئولانه (Responsible AI)
• مسیرهای آتی و چالش‌های پژوهشی در LLMها

• دانش جامع و به‌روز: دسترسی به جدیدترین اطلاعات و مفاهیم در حوزه هوش مصنوعی و مدل‌های زبان بزرگ، مطابق با به‌روزرسانی‌های سال 2025.
• پشتیبانی از یادگیری عملی: تمرکز بر پروژه‌های عملی و کدنویسی که به شما کمک می‌کند تا آموخته‌های خود را در عمل پیاده کنید.
• آموزش گام به گام: مطالب به گونه‌ای سازماندهی شده‌اند که حتی بدون پیش‌زمینه قوی در AI نیز قابل درک باشند.
• افزایش فرصت‌های شغلی: کسب مهارت‌های مورد تقاضا در بازار کار امروز و آینده، که می‌تواند مسیر شغلی شما را متحول کند.
• دسترسی پایدار و آفلاین: ارائه دوره بر روی فلش مموری ۳۲ گیگابایتی به شما این امکان را می‌دهد که بدون نیاز به اتصال دائم به اینترنت، در هر زمان و مکانی به محتوا دسترسی داشته باشید و به راحتی آموزش ببینید. این شیوه دسترسی، نگرانی‌های مربوط به سرعت اینترنت یا قطعی آن را از بین می‌برد و تمرکز شما را بر یادگیری افزایش می‌دهد.
• آمادگی برای دوره‌های پیشرفته: با درک قوی از مبانی، شما آمادگی لازم برای ورود به دوره‌های تخصصی‌تر هوش مصنوعی را خواهید داشت.