💡بررسی عامل‌های هوشمند (Agentic AI) به عنوان پلی ارتباطی میان زبان طبیعی و هوش مصنوعی

⬆️این دوره با هدف ارائه مفاهیم پایه و پیشرفته در حوزه هوش مصنوعی عامل‌گرا طراحی شده است و به دانشجویان مهندسی کمک می‌کند تا با اصول و ابزارهای لازم برای طراحی و پیاده‌سازی سیستم‌های هوشمند آشنا شوند. سرفصل‌ها به‌گونه‌ای تنظیم شده‌اند که از مفاهیم اولیه تا کاربردهای عملی را پوشش دهند.

🟢سرفصل‌های دوره:

🟣مفاهیم پایه هوش مصنوعی
◀️معرفی مفاهیم عمومی هوش مصنوعی شامل تاریخچه، انواع یادگیری (ML، DL، NLP) و نقش آن‌ها در توسعه سیستم‌های هوشمند. این بخش برای ایجاد درک کلی از حوزه طراحی شده است.

🟣 بررسی مفاهیم بنیادین شبکه‌های عصبی شامل:
◀️شبکه‌های MLP (چندلایه پرسپترون)
◀️فرآیند آموزش (Training)، الگوریتم پس‌انتشار (Backpropagation)، بهینه‌سازی (Optimization) و دسته‌بندی داده‌ها (Batching)
◀️یادگیری نظارت‌شده و بدون نظارت
◀️شبکه‌های پیشرفته‌تر مانند RNN، LSTM و شبکه‌های عصبی فیزیک‌افزوده (PINN) برای کاربردهای خاص
◀️ابزارها و پیش‌نیازهای پیاده‌سازی


🟣 تمرکز بر اصول و تکنیک‌های پردازش زبان طبیعی:
◀️ پایپلاین استاندارد NLP شامل توکن‌سازی، امبدینگ و بازنمایی داده‌ها
◀️مکانیزم توجه (Attention Mechanism) و معماری ترنسفورمر
◀️مدل‌های زبانی بزرگ (LLM)، مهندسی پرامپت و یادگیری با چند نمونه (Few-Shot Learning)
◀️فاین‌تیونینگ مدل‌ها و استفاده از APIها برای ساخت چت‌بات‌های هوشمند

🟣 معرفی اجزای اصلی عامل‌های هوشمند:
◀️تعریف عامل هوشمند و اجزای آن
◀️معماری عامل‌های هوشمند
◀️مدیریت حافظه کوتاه‌مدت و بلندمدت
◀️مدل‌های استدلالی و زنجیره افکار (Chain of Thoughts) برای تصمیم‌گیری
◀️پایگاه‌های دانش مانند RAG (Retrieval-Augmented Generation)
◀️ابزارهایی مثل MCP برای تعامل با ابزارهای خارجی
◀️مفاهیم Crew و Flow برای طراحی سیستم‌های چندعاملی

🟣 ابزارها و فریمورک‌های توسعه:
◀️معرفی کتابخانه LangChain برای توسعه اپلیکیشن‌های مبتنی بر زبان
◀️پلتفرم‌های اتوماتیک مثل Dify برای پیاده‌سازی سریع عامل‌ها
◀️فریمورک‌هایی مانند CrewAI یا Agno برای توسعه سیستم‌های هوشمند

🟣آماده‌سازی دانشجویان برای پیاده‌سازی عملی:
◀️مفاهیم برنامه‌نویسی شی‌گرا (OOP)
◀️کار با WSL و سیستم‌عامل لینوکس برای محیط‌های توسعه
◀️آشنایی با پلتفرم‌های Kaggle و Hugging Face برای دسترسی به دیتاست‌ها و مدل‌های آماده
◀️آموزش کار با کتابخانه PyTorch برای پیاده‌سازی مدل‌های هوش مصنوعی
◀️پردازش زبان طبیعی (NLP) به‌عنوان هسته مرکزی

✅ ویژگی‌های دوره:

🟣 جلسات عملی:
◀️شامل ورکشاپ‌ها و تمرین‌هایی برای پیاده‌سازی مفاهیم تدریس‌شده.

🟣تمرکز بر مهندسی:
◀️سرفصل‌ها با نیازهای دانشجویان مهندسی هماهنگ شده و بر جنبه‌های عملی و پیاده‌سازی تأکید دارد.

🟣پشتیبانی فنی:
◀️امکان رفع اشکال و تعامل با مدرسان در طول دوره فراهم است. این دوره برای دانشجویانی مناسب است که قصد دارند با مبانی هوش مصنوعی و طراحی عامل‌های هوشمند آشنا شوند و مهارت‌های لازم برای پیاده‌سازی پروژه‌های واقعی را کسب کنند.

❇️ تلگرام | ❇️ بله | ❇️ اینستاگرام | ❇️ لینکدین