Principles and Practical Applications 2025-6 2026

Principles and Practical Applications 2025-6 is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of engineering. Whether you are just starting out or looking to level up, this course gives you the structured path and practical projects you need to succeed.

Throughout the lessons you will build genuine confidence with engineering and fundamentals, learning through clear explanations and step-by-step examples you can apply immediately. Below you will find everything the course covers, who it is for, and a full breakdown of the curriculum before you download.

Course Description

دوره Fundamentals of AI Engineering: Principles and Practical Applications. این دوره آموزشی به شرکت‌کنندگان می‌آموزد که چگونه مهارت‌های مهندسی نرم‌افزار خود را به قابلیت‌های مهندسی هوش مصنوعی تبدیل کرده و سیستم‌های تولیدپذیر هوش مصنوعی ایجاد کنند. این دوره جامع و کاربردی، فراگیران را قادر می‌سازد تا سیستم‌های کامل هوش مصنوعی را از مرحله تولید ایمبدینگ تا استقرار مدل پیاده‌سازی کنند. شرکت‌کنندگان تسلط عملی بر پیاده‌سازی مخازن وکتور، سیستم‌های RAG و جستجوی ترکیبی پیدا خواهند کرد و همچنین دانش تخصصی در جنبه‌های عملیاتی مانند مانیتورینگ و پایپ‌لاین‌های CI/CD کسب می‌کنند. دوره به طور یکپارچه با GitHub Codespaces ادغام شده است که یک محیط توسعه ابری فوری را فراهم می‌کند و تمامی ویژگی‌های یک محیط توسعه یکپارچه را بدون نیاز به پیکربندی محلی در اختیار می‌گذارد. این یکپارچگی به شرکت‌کنندگان امکان می‌دهد تمرینات عملی را از هر دستگاه و در هر زمانی انجام دهند و همزمان با ابزاری کار کنند که در محیط‌های کاری حرفه‌ای با آن مواجه خواهند شد. علاوه بر این، دوره نحوه استفاده از GitHub Codespaces برای ساخت برنامه‌های کاربردی دنیای واقعی که نشان‌دهنده بهترین روش‌های مهندسی هوش مصنوعی مدرن هستند را آموزش می‌دهد.

What You Will Learn

آشنایی با مهندسی هوش مصنوعی (AI Engineering).
مدل‌های زبان بزرگ (Local Large Language Models):
انتقال از سیستم‌های قطعی (Deterministic) به سیستم‌های احتمالی (Probabilistic).
نحوه اجرای استنتاج (Inference) به صورت محلی.
تحلیل ساختار مدل زبان بزرگ (LLM).
جمع‌آوری و یکپارچه‌سازی پایپ‌لاین (Pipeline) مدل زبان بزرگ.
پردازش اسناد (Document Processing):
مروری بر استخراج متن (Text Extraction) و مبانی آن.
تجزیه اسناد (Document Parsing) و شناسایی ساختار (Structure Recognition).
غنی‌سازی فراداده (Metadata Enrichment) و نمایه‌سازی (Indexing).
استراتژی‌های تقسیم‌بندی (Chunking Strategies).
ایمبدینگ‌ها (Embeddings):
آشنایی با مفهوم ایمبدینگ‌ها.
آشنایی با اکوسیستم ایمبدینگ.
مقایسه مدل‌های ایمبدینگ.
و…

Who This Course Is For

مهندسان نرم‌افزار که قصد دارند مهارت‌های خود را برای کار در حوزه هوش مصنوعی ارتقا دهند.
توسعه‌دهندگان یا مهندسان داده که می‌خواهند ساخت سیستم‌های هوش مصنوعی با کیفیت تولید (Production-Grade) را بیاموزند.
متخصصان فناوری که به دنبال تسلط بر پیاده‌سازی‌های عملی مانند RAG و پایگاه‌های داده وکتور هستند.
هر فردی که می‌خواهد مهندسی هوش مصنوعی مدرن و عملیات (Operational) آن را شامل مانیتورینگ و CI/CD یاد بگیرد.