این دوره برای چه کسانی طراحی شده است؟

• توسعه‌دهندگان نرم‌افزار که می‌خواهند قابلیت‌های هوش مصنوعی پیشرفته را به برنامه‌های خود اضافه کنند.
• دانشمندان داده و متخصصان یادگیری ماشین که به دنبال تخصص در حوزه پردازش زبان طبیعی و LLMها هستند.
• مدیران محصول و کارآفرینان که نیاز به درک فنی عمیق برای ساخت و رهبری محصولات مبتنی بر هوش مصنوعی دارند.
• دانشجویان و پژوهشگران حوزه کامپیوتر که می‌خواهند دانش نظری خود را با مهارت‌های عملی و پروژه‌محور تکمیل کنند.
• علاقه‌مندان به فناوری که مشتاق یادگیری ساخت ابزارهای هوشمند و ورود به یکی از هیجان‌انگیزترین حوزه‌های تکنولوژی هستند.

بخش اول: مبانی و معماری مدل‌های زبان بزرگ (LLMs)

در این بخش، پایه‌های دانش شما را محکم می‌کنیم. شما با مفاهیم اساسی مانند توکن‌ها، امبدینگ‌ها و مکانیزم انقلابی «توجه» (Attention) آشنا می‌شوید. معماری ترنسفورمرها که اساس مدل‌های مدرن است را کالبدشکافی کرده و تفاوت‌ها و شباهت‌های مدل‌های معروفی چون GPT و Llama را درک خواهید کرد.

بخش دوم: مهندسی پرامپت پیشرفته (Advanced Prompt Engineering)

قدرت واقعی یک LLM در نحوه صحیح تعامل با آن نهفته است. در این بخش، از پرامپت‌های ساده فراتر رفته و تکنیک‌های قدرتمندی مانند Zero-shot، Few-shot Prompting، Chain-of-Thought (CoT) و الگوی ReAct را یاد می‌گیرید تا مدل را وادار به استدلال، برنامه‌ریزی و حل مسائل پیچیده کنید.

بخش سوم: توسعه برنامه‌های کاربردی با LangChain و LlamaIndex

اینجا جایی است که تئوری به عمل تبدیل می‌شود. شما با استفاده از فریم‌ورک‌های قدرتمند LangChain و LlamaIndex، شروع به ساخت برنامه‌های واقعی می‌کنید. مهم‌ترین موضوع این بخش، ساخت سیستم‌های Retrieval-Augmented Generation (RAG) است که به LLM اجازه می‌دهد به دانش اختصاصی شما (مانند اسناد شرکت یا پایگاه دانش شخصی) دسترسی پیدا کرده و پاسخ‌های دقیق‌تری ارائه دهد. کار با دیتابیس‌های وکتوری مانند ChromaDB و Pinecone نیز بخشی کلیدی از این ماژول است.

بخش چهارم: فاین‌تیونینگ (Fine-Tuning) و سفارشی‌سازی مدل‌ها

گاهی اوقات، استفاده از مدل‌های از پیش آموزش‌دیده کافی نیست. در این بخش، یاد می‌گیرید که چگونه یک LLM را برای یک وظیفه یا حوزه خاص «فاین-تیون» کنید. ما روش‌های مختلفی از جمله فاین-تیونینگ کامل و روش‌های بهینه (PEFT) مانند LoRA را پوشش می‌دهیم. شما به صورت عملی یک دیتاست آماده کرده و یک مدل را برای کاربرد دلخواه خود سفارشی‌سازی خواهید کرد.

بخش پنجم: ارزیابی، استقرار و مانیتورینگ (LLM-Ops)

یک برنامه هوش مصنوعی تنها زمانی کامل است که بتوان آن را به طور قابل اعتماد ارزیابی، مستقر و نگهداری کرد. در این بخش، با متریک‌های ارزیابی عملکرد LLMها، استراتژی‌های بهینه‌سازی برای استقرار (مانند کوانتیزه‌سازی) و روش‌های مانیتورینگ برای شناسایی مشکلاتی مانند «توهم» (Hallucination) و حملات «تزریق پرامپت» (Prompt Injection) آشنا می‌شوید.

نکته مهم: این مجموعه آموزشی ارزشمند بر روی یک فلش مموری ۳۲ گیگابایتی برای شما ارسال می‌شود و به صورت دانلودی ارائه نمی‌گردد تا دسترسی آسان و همیشگی به محتوا داشته باشید.