🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: معماری محاسبات هوش مصنوعی: از لایه‌های سخت‌افزاری تا چشم‌انداز آینده (بررسی جامع و کاربردی)

موضوع کلی: معماری و تکامل محاسبات هوش مصنوعی

موضوع میانی: بررسی معماری هفت لایه‌ای محاسبات هوش مصنوعی و روند تکامل آن

📋 سرفصل‌های دوره (100 موضوع)

1. مقدمه‌ای بر محاسبات هوش مصنوعی و اهمیت آن
2. تعریف معماری محاسبات هوش مصنوعی
3. تاریخچه تکامل سخت‌افزارهای هوش مصنوعی
4. چالش‌ها و فرصت‌ها در محاسبات هوش مصنوعی
5. مفهوم لایه‌ای در معماری محاسبات هوش مصنوعی (مرور کلی بر لایه‌ها)
6. معرفی اجزای اصلی یک سیستم محاسباتی هوش مصنوعی
7. معیارهای ارزیابی عملکرد سیستم‌های هوش مصنوعی (توان، تأخیر، مقیاس‌پذیری)
8. نقش پردازنده‌های مرکزی (CPU) در محاسبات هوش مصنوعی
9. معماری SIMD و دستورالعمل‌های برداری در CPU
10. ظهور و تکامل پردازنده‌های گرافیکی (GPU) برای هوش مصنوعی
11. معماری موازی GPU: هسته‌های CUDA و OpenCL
12. حافظه در GPU: HBM و GDDR
13. بهینه‌سازی محاسبات ماتریسی در GPU
14. شتاب‌دهنده‌های تنسوری در GPU (Tensor Cores)
15. معماری پردازنده تنسور گوگل (TPU): نسل‌ها و ویژگی‌ها
16. مقایسه TPU با GPU برای بارهای کاری هوش مصنوعی
17. پردازنده‌های شبکه عصبی (NPU) در دستگاه‌های لبه‌ای (Edge)
18. اصول طراحی NPU برای کارایی و مصرف انرژی
19. FPGA: انعطاف‌پذیری و برنامه‌ریزی‌پذیری در سخت‌افزار هوش مصنوعی
20. معماری‌های سفارشی برای شبکه‌های عصبی خاص (ASIC)
21. نقش شتاب‌دهنده‌ها در عملیات آموزش (Training) مدل‌ها
22. نقش شتاب‌دهنده‌ها در عملیات استنتاج (Inference) مدل‌ها
23. سلسله‌مراتب حافظه در سیستم‌های هوش مصنوعی
24. تکنولوژی‌های حافظه با پهنای باند بالا (HBM)
25. حافظه‌های نزدیک به پردازش (Processing-in-Memory)
26. حافظه‌های ذخیره‌سازی غیرفرار (NVMe) برای داده‌های هوش مصنوعی
27. شبکه‌های داخلی (Interconnects) برای ارتباط پردازنده‌ها
28. تکنولوژی‌های InfiniBand و NVLink
29. ارتباطات داخلی تراشه (On-Chip Interconnects)
30. طراحی معماری سرورهای هوش مصنوعی
31. طراحی مراکز داده (Data Centers) برای بارهای کاری هوش مصنوعی
32. معماری محاسبات ابری (Cloud AI): زیرساخت‌ها و سرویس‌ها
33. معماری محاسبات لبه (Edge AI): چالش‌ها و فرصت‌ها
34. سیستم‌های توزیع‌شده (Distributed Systems) برای آموزش مدل‌های بزرگ
35. مفهوم مقیاس‌پذیری افقی و عمودی در هوش مصنوعی
36. مدیریت و زمان‌بندی منابع در کلاسترهای هوش مصنوعی
37. مجازی‌سازی و کانتینرسازی برای محیط‌های هوش مصنوعی
38. سیستم‌های خنک‌کننده پیشرفته در مراکز داده هوش مصنوعی
39. امنیت سخت‌افزاری و نرم‌افزاری در زیرساخت‌های هوش مصنوعی
40. طراحی سیستم‌های هوش مصنوعی کم‌مصرف برای دستگاه‌های موبایل
41. ادغام حسگرها و شتاب‌دهنده‌ها در سیستم‌های لبه
42. قابلیت اطمینان و تحمل‌پذیری خطا در سیستم‌های هوش مصنوعی
43. معماری سیستم‌های هایبریدی (Cloud-Edge) برای هوش مصنوعی
44. زنجیره تأمین سخت‌افزارهای هوش مصنوعی: از طراحی تا تولید
45. سیستم‌عامل‌ها و درایورها برای سخت‌افزارهای هوش مصنوعی
46. APIها و رابط‌های برنامه‌نویسی برای شتاب‌دهنده‌ها (CUDA, ROCm)
47. نقش کامپایلرها و بهینه‌سازها در کارایی برنامه‌های هوش مصنوعی
48. معماری فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
49. لایه‌های انتزاعی در فریم‌ورک‌های هوش مصنوعی
50. ابزارهای پروفایلینگ و دیباگینگ برای برنامه‌های هوش مصنوعی
51. بهینه‌سازی گراف محاسباتی (Computational Graph Optimization)
52. توزیع محاسبات در فریم‌ورک‌های یادگیری عمیق
53. کتابخانه‌های عددی و ماتریسی بهینه‌شده (cuDNN, BLAS)
54. مدیریت داده و پایپ‌لاین‌های ETL برای هوش مصنوعی
55. ابزارهای مدیریت مدل (Model Management) و نسخه‌بندی
56. معماری ابزارهای MLOps (Machine Learning Operations)
57. استقرار مدل‌ها (Model Deployment) در محیط‌های مختلف
58. بهینه‌سازی مدل برای استنتاج: کوانتیزاسیون (Quantization)
59. بهینه‌سازی مدل برای استنتاج: هرس کردن (Pruning)
60. بهینه‌سازی مدل برای استنتاج: تقطیر دانش (Knowledge Distillation)
61. کامپایلرهای یادگیری عمیق (TVM, XLA)
62. نرم‌افزارهای میان‌افزار (Middleware) برای هوش مصنوعی
63. نقش زبان‌های برنامه‌نویسی پایتون و C++ در توسعه هوش مصنوعی
64. رابط‌های کاربری گرافیکی (GUI) و ابزارهای تجسم برای هوش مصنوعی
65. رابطه متقابل الگوریتم‌های هوش مصنوعی و معماری سخت‌افزاری
66. معماری‌های شبکه عصبی کانولوشنی (CNN) و نیازهای محاسباتی آن‌ها
67. معماری‌های شبکه عصبی بازگشتی (RNN) و چالش‌های پیاده‌سازی
68. معماری ترانسفورمرها (Transformers) و مصرف منابع
69. بهینه‌سازی معماری مدل‌ها برای سخت‌افزارهای خاص
70. الگوریتم‌های آموزش توزیع‌شده (Distributed Training Algorithms)
71. محاسبات با دقت پایین (Low-Precision Computing) در هوش مصنوعی
72. یادگیری فدرال (Federated Learning) و الزامات معماری آن
73. معماری‌های مدل‌های مولد (Generative Models) و سخت‌افزار
74. روش‌های آموزش خودنظارتی (Self-supervised Learning) و بار محاسباتی
75. معماری محاسبات هوش مصنوعی در بینایی ماشین
76. معماری محاسبات هوش مصنوعی در پردازش زبان طبیعی
77. معماری محاسبات هوش مصنوعی در سیستم‌های توصیه‌گر
78. معماری محاسبات هوش مصنوعی در رباتیک و خودروهای خودران
79. معماری محاسبات هوش مصنوعی در پزشکی و سلامت
80. استقرار مدل‌های هوش مصنوعی در محیط‌های صنعتی
81. طراحی سیستم‌های هوش مصنوعی با زمان پاسخگویی بلادرنگ (Real-time)
82. مانیتورینگ و نگهداری مدل‌های هوش مصنوعی پس از استقرار
83. ملاحظات امنیتی در استقرار برنامه‌های هوش مصنوعی
84. تجاری‌سازی سخت‌افزار و نرم‌افزار هوش مصنوعی
85. روندهای فعلی در معماری سخت‌افزارهای هوش مصنوعی
86. محاسبات نورومورفیک (Neuromorphic Computing): الهام از مغز
87. محاسبات کوانتومی (Quantum Computing) برای هوش مصنوعی
88. محاسبات نوری (Optical Computing) و پتانسیل آن
89. مواد جدید و فناوری‌های ساخت برای سخت‌افزار هوش مصنوعی
90. هوش مصنوعی توضیح‌پذیر (Explainable AI) و الزامات معماری
91. هوش مصنوعی سبز (Green AI): پایداری و بهره‌وری انرژی
92. ملاحظات اخلاقی و اجتماعی در توسعه سخت‌افزار هوش مصنوعی
93. استانداردسازی در اکوسیستم سخت‌افزار و نرم‌افزار هوش مصنوعی
94. مدل‌های کسب‌وکار جدید در صنعت محاسبات هوش مصنوعی
95. تأثیر هوش مصنوعی بر طراحی نسل‌های آینده سخت‌افزار
96. تحقیقات و چالش‌های آینده در معماری محاسبات هوش مصنوعی
97. چشم‌انداز 10 ساله معماری محاسبات هوش مصنوعی
98. نقش انسان در توسعه و تکامل سیستم‌های هوش مصنوعی
99. جمع‌بندی: آینده هوش مصنوعی و معماری محاسباتی آن

دوره معماری محاسبات هوش مصنوعی: از لایه‌های سخت‌افزاری تا چشم‌انداز آینده

معماری محاسبات هوش مصنوعی: از لایه‌های سخت‌افزاری تا چشم‌انداز آینده (بررسی جامع و کاربردی)

Name: فلشکارتهای آموزشی معماری محاسبات هوش مصنوعی: از لایههای سختافزاری تا چشمانداز آینده (بررسی جامع و کاربردی)
SKU: spLearnova-0000015609
Price: 299950 IRR
Availability: InStock

معرفی دوره: نقشه راه کامل برای تسلط بر اکوسیستم هوش مصنوعی

دنیای هوش مصنوعی با سرعتی باورنکردنی در حال تکامل است. آنچه دیروز یک پژوهش آکادمیک بود، امروز به ابزاری کاربردی در دست میلیون‌ها نفر تبدیل شده است. اما آیا تا به حال فکر کرده‌اید که در پشت پرده مدل‌های شگفت‌انگیزی مانند ChatGPT چه معماری پیچیده‌ای نهفته است؟ چگونه سخت‌افزار، نرم‌افزار، داده و الگوریتم‌ها دست به دست هم می‌دهند تا این هوشمندی خارق‌العاده را خلق کنند؟

این دوره، یک سفر عمیق و منحصربه‌فرد به قلب زیرساخت‌های هوش مصنوعی است. ما با الهام از مقاله علمی پیشگامانه "AI Compute Architecture and Evolution Trends"، برای اولین بار یک مدل ساختاریافته و هفت لایه‌ای از معماری محاسبات هوش مصنوعی را ارائه می‌دهیم. این دوره فقط به شما «چگونگی» استفاده از ابزارها را نمی‌آموزد، بلکه «چرایی» و ساختار بنیادین این فناوری را برای شما آشکار می‌سازد. با گذراندن این دوره، شما دیگر یک کاربر صرف نخواهید بود، بلکه به یک معمار و استراتژیست در دنیای هوش مصنوعی تبدیل خواهید شد.

درباره دوره: رمزگشایی معماری هفت لایه‌ای AI

این دوره بر اساس یک مدل نوآورانه طراحی شده که کل اکوسیستم محاسبات هوش مصنوعی را از پایین‌ترین سطح (سخت‌افزار) تا بالاترین سطح (اپلیکیشن‌های کاربردی) به هفت لایه مجزا تقسیم می‌کند. این رویکرد به شما کمک می‌کند تا تصویر بزرگ را ببینید و درک کنید که هر قطعه از این پازل عظیم چگونه در جای خود قرار می‌گیرد.

مقاله الهام‌بخش: محتوای این دوره، نسخه کاربردی و جامع از مفاهیم مطرح‌شده در مقاله "AI Compute Architecture and Evolution Trends" است که به بررسی چالش‌ها، فرصت‌ها و روندهای تکاملی معماری AI می‌پردازد. ما این مفاهیم آکادمیک را به دانش عملی و قابل استفاده برای متخصصان صنعت تبدیل کرده‌ایم.

ما هر لایه را به تفصیل بررسی می‌کنیم: از لایه‌های فیزیکی و پیوند که به چیپ‌های AI و استراتژی‌های Scale-Up و Scale-Out می‌پردازند، تا لایه شبکه عصبی که تکامل مدل‌های زبانی بزرگ (LLM) را تحلیل می‌کند، و تا لایه‌های ایجنت، ارکستراتور و اپلیکیشن که آینده تعامل انسان و ماشین را شکل می‌دهند.

موضوعات کلیدی دوره

معرفی و تشریح کامل معماری هفت لایه‌ای محاسبات هوش مصنوعی
بررسی عمیق سخت‌افزارهای تخصصی AI (GPU, TPU) و تاثیر آن‌ها بر عملکرد
تحلیل استراتژی‌های مقیاس‌پذیری Scale-Up در مقابل Scale-Out
مسیر تکامل مدل‌های زبانی بزرگ (LLMs) از آغاز تا به امروز
نقش حیاتی حافظه متنی (Contextual Memory) و تفاوت آن با حافظه سنتی
ظهور ایجنت‌های هوشمند (AI Agents) و توانایی آن‌ها در استفاده از ابزارها
چگونگی ساخت یک اکوسیستم پایدار از ایجنت‌های هوشمند
تحلیل چالش‌های فنی و اقتصادی در مسیر توسعه هوش مصنوعی
پیش‌بینی آینده صنعت AI با نگاهی به تاریخچه صنعت اینترنت

این دوره برای چه کسانی مناسب است؟

اگر شما جزو یکی از گروه‌های زیر هستید، این دوره برای ارتقای دانش و مهارت شما طراحی شده است:

مهندسان نرم‌افزار و توسعه‌دهندگان AI: که می‌خواهند فراتر از کدنویسی رفته و درک عمیقی از زیرساخت‌هایی که روی آن کار می‌کنند به دست آورند.
معماران سیستم و متخصصان DevOps: که مسئول طراحی و مدیریت زیرساخت‌های مقیاس‌پذیر برای کاربردهای هوش مصنوعی هستند.
مدیران محصول و استراتژیست‌های فناوری: که نیاز به درک جامعی از روندهای تکنولوژی برای تصمیم‌گیری‌های استراتژیک دارند.
دانشمندان داده و محققان هوش مصنوعی: که به دنبال درک عمیق‌تری از محدودیت‌ها و فرصت‌های سخت‌افزاری و معماری در پژوهش‌های خود هستند.
کارآفرینان و سرمایه‌گذاران حوزه تکنولوژی: که می‌خواهند نقشه راه آینده صنعت AI و نقاط کلیدی برای سرمایه‌گذاری را شناسایی کنند.
دانشجویان و علاقه‌مندان جدی: که می‌خواهند یک پایه علمی و مستحکم برای ورود به دنیای حرفه‌ای هوش مصنوعی بسازند.

ثبت‌نام و شروع یادگیری

چرا باید در این دوره شرکت کنید؟

۱. کسب دیدی جامع و استراتژیک (The 360° View)

بر خلاف دوره‌هایی که تنها روی یک الگوریتم یا ابزار خاص تمرکز دارند، این دوره به شما دیدی کامل از کل اکوسیستم AI می‌دهد. شما یاد می‌گیرید که چگونه تصمیمات در سطح سخت‌افزار بر عملکرد مدل‌ها در سطح اپلیکیشن تاثیر می‌گذارد.

۲. محتوای منحصربه‌فرد و مبتنی بر علم روز

مدل هفت لایه‌ای ارائه شده در این دوره، یک رویکرد کاملاً جدید و ساختاریافته برای درک معماری AI است که آن را در هیچ دوره دیگری نخواهید یافت. این دانش شما را از دیگران متمایز می‌کند.

۳. آمادگی برای آینده‌ی هوش مصنوعی

ما فقط به وضعیت فعلی نگاه نمی‌کنیم، بلکه روندهای تکاملی را تحلیل می‌کنیم. با درک مسیر حرکت از مدل‌های بزرگ به سمت ایجنت‌های هوشمند و اکوسیستم‌های AI، شما برای چالش‌ها و فرصت‌های آینده آماده خواهید شد.

۴. افزایش چشمگیر ارزش حرفه‌ای

متخصصانی که درک عمیقی از معماری سیستم‌های AI دارند، کمیاب و بسیار ارزشمند هستند. تسلط بر این مفاهیم، شما را به یک مهره کلیدی در هر تیم فنی تبدیل کرده و مسیر شغلی شما را متحول خواهد کرد.

نگاهی به سرفصل‌های جامع دوره (بیش از ۱۰۰ درسنامه تخصصی)

این دوره شامل بیش از ۱۰۰ سرفصل دقیق و کاربردی است که در قالب بخش‌های اصلی زیر ارائه می‌شوند:

بخش اول: مقدمات و لایه‌های بنیادین (Physical & Link Layers) - از سیلیکون تا سیستم؛ بررسی GPUها، TPUها، NVLink و استراتژی‌های مقیاس‌پذیری.
بخش دوم: قلب تپنده هوش مصنوعی (Neural Network Layer) - تکامل مدل‌های زبانی، معماری ترنسفورمرها، چالش‌های آموزش و استنتاج در مقیاس بزرگ.
بخش سوم: حافظه و زمینه (Context Layer) - رمزگشایی حافظه متنی (Contextual Memory)، اهمیت آن در کارایی LLMها و روش‌های بهینه‌سازی آن.
بخش چهارم: طلوع ایجنت‌های هوشمند (Agent Layer) - تعریف ایجنت، الگوهای کلیدی مانند ReAct، استفاده از ابزارها (Tool Use) و برنامه‌ریزی.
بخش پنجم و ششم: ساخت اکوسیستم‌های هوشمند (Orchestrator & Application Layers) - از یک ایجنت تا ارتشی از ایجنت‌ها، مدیریت وظایف پیچیده و طراحی اپلیکیشن‌های نسل جدید.
بخش هفتم: اقتصاد و چشم‌انداز آینده (Economics & Future Trends) - تحلیل مدل‌های کسب‌وکار در اکوسیستم AI، چالش‌های پایداری اقتصادی و پیش‌بینی ده سال آینده صنعت.

این تنها یک نمای کلی است. هر بخش شامل ده‌ها درسنامه ویدیویی، مثال‌های عملی و تحلیل‌های عمیق است که شما را به یک متخصص واقعی در زمینه معماری محاسبات هوش مصنوعی تبدیل می‌کند.

همین امروز آینده حرفه‌ای خود را بسازید!

SMART LEARNING PLATFORM

از مطالعه تا یادگیری ماندگار

فراتر از یک مجموعه فلش‌کارت؛ تجربه‌ای تعاملی برای یادگیری، تمرین، مرور هوشمند و مشاهده مسیر پیشرفت شما، همراه با امکان دریافت گواهی پایان دوره در دوره‌های واجد شرایط.

مرور فاصله‌دار آمار یادگیری گواهی دوزبانه

یادگیری را به یک مسیر قابل پیگیری تبدیل کنید

با ورود به سامانه آموزشی، محتوای دوره را به‌صورت مرحله‌ای دنبال کنید، فلش‌کارت‌ها را مرور کنید، دانش خود را با پرسش‌ها و آزمون‌ها بسنجید و روند پیشرفتتان را در طول مسیر ببینید.

⟳

مرور فاصله‌دار هوشمند

با مرور زمان‌دار، کارت‌های تازه و کارت‌های سررسیدشده را بر اساس برنامه مرور دنبال کنید. ارزیابی پاسخ‌ها به زمان‌بندی مرورهای بعدی کمک می‌کند تا تمرین متناسب‌تری داشته باشید.

◉

مشاهده مسیر پیشرفت

میزان مشاهده فلش‌کارت‌ها، فعالیت‌های مرور، عملکرد آزمون‌ها و آمار یادگیری را بررسی کنید و تصویر روشن‌تری از مسیر آموزشی خود داشته باشید.

▤

یادگیری مرحله‌به‌مرحله

فصل‌ها و بخش‌های آموزشی را به ترتیب دنبال کنید، مطالب دیده‌نشده را پیدا کنید و بدون سردرگمی به ادامه مسیر برگردید.

✓

تمرین و سنجش آموخته‌ها

با نکته‌های آموزشی، پرسش و پاسخ، کوییزها و آزمون‌های پایان فصل، دانسته‌های خود را تمرین کنید و بخش‌هایی را که به توجه بیشتری نیاز دارند بشناسید.

SMART REVIEW

هر بار، مرور هدفمندتر

لازم نیست هر روز از ابتدا درباره اینکه چه چیزی را مرور کنید تصمیم بگیرید. سامانه، صف مرور روزانه را بر اساس کارت‌های تازه و موعد مرور کارت‌ها آماده می‌کند. شما پاسخ را ارزیابی می‌کنید و برنامه مرور با توجه به آن تنظیم می‌شود.

دوباره

برای کارت‌هایی که به تمرین زودتر نیاز دارند.

سخت

برای پاسخ‌هایی که با دشواری به یاد آمده‌اند.

خوب

برای پاسخ‌هایی که به‌درستی به یاد آورده‌اید.

آسان

برای کارت‌هایی که پاسخ آن‌ها را به‌آسانی می‌دانید.

برنامه مرور بر اساس ارزیابی شما تنظیم می‌شود؛ مرور منظم می‌تواند به تثبیت آموخته‌ها کمک کند، اما به‌تنهایی تضمین‌کننده تسلط کامل نیست.

محتوا را به شیوه‌های مختلف تمرین کنید

ساختار دوره‌ها متناسب با موضوع آموزشی طراحی شده است و ممکن است انواع مختلفی از محتوا را در بر بگیرد.

نکته‌های ساده

برای مرور سریع مفاهیم اصلی و نکات کلیدی.

نکته‌های رسمی

برای تمرین تعاریف، اصطلاحات و بیان دقیق علمی.

کوییز

برای سنجش درک مطلب و بررسی گزینه صحیح.

پرسش و پاسخ

برای تمرین یادآوری و سنجش میزان تسلط بر مطالب.

محتوای هر دوره بر اساس ساختار و امکانات فعال همان دوره ارائه می‌شود.

LEARN ANYWHERE

همراه شما روی مرورگر

برای استفاده از نسخه تحت وب، کافی است با حساب کاربری خود وارد سامانه شوید. بدون نیاز به نصب یک برنامه اختصاصی، می‌توانید از مرورگر سازگار روی گوشی، تبلت یا رایانه به دوره‌های در دسترس خود مراجعه کنید.

گوشی هوشمند

برای مطالعه در زمان‌های کوتاه

تبلت و لپ‌تاپ

برای مطالعه و مرور راحت‌تر

حساب کاربری شخصی

برای دسترسی به دوره‌های مجاز شما

COURSE COMPLETION CERTIFICATE

گواهی پایان دوره؛ ثبت دستاورد شما

در دوره‌هایی که امکان دریافت گواهی برای آن‌ها فعال است، می‌توانید پس از تکمیل شرایط آموزشی، درخواست گواهی پایان دوره ثبت کنید.

شرایط درخواست گواهی

✓ داشتن دسترسی دارای قابلیت گواهی برای دوره مربوطه.

✓ تکمیل اطلاعات لازم در پروفایل، شامل کد ملی معتبر، عکس پرسنلی و نام و نام خانوادگی انگلیسی.

✓ مشاهده تمام فلش‌کارت‌های فعال دوره.

✓ قبولی در آزمون‌های پایان فصل، در صورت وجود آزمون برای فصل‌ها.

فارسی و انگلیسی

پس از تأیید و انتشار، نسخه‌های فارسی و انگلیسی گواهی در دسترس قرار می‌گیرند.

استعلام آنلاین

گواهی منتشرشده دارای QR Code و لینک اختصاصی برای بررسی آنلاین اعتبار آن است.

دانلود و چاپ

پس از انتشار گواهی، امکان دریافت نسخه PDF فارسی و انگلیسی و چاپ آن فراهم است.

توجه: ثبت درخواست به معنای صدور قطعی نیست. درخواست گواهی پس از بررسی و تأیید ادمین منتشر می‌شود. این گواهی، گواهی پایان دوره آموزشی است و به‌خودی‌خود معادل مدرک دانشگاهی یا مدرک رسمی مورد تأیید نهادهای دولتی نیست.

یادگیری را شروع کنید؛ پیشرفت را دنبال کنید

با تمرین منظم، مرور هدفمند و پیگیری مسیر آموزشی خود، قدم‌به‌قدم دانش و مهارت‌هایتان را گسترش دهید.

هر کارت، یک قدم به جلو

امکانات محتوایی، مرور و گواهی بر اساس سطح دسترسی و تنظیمات هر دوره متفاوت است.

نگاهی به محیط سامانه