Master LLM Engineering & AI Agents is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of llm. 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 llm and openai, 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
Master LLM Engineering & AI Agents: Build 14 Projects – 2025، دوره آموزش تسلط بر مهندسی LLM و عاملهای هوشمند: ساخت 14 پروژه توسط آکادمی Udemy منتشر شده است.انقلاب هوش مصنوعی با سرعتی غیرقابل تصور در حال پیشرفت است و کسانی که بر مدلهای زبانی بزرگ (LLM) و هوش عامل محور مسلط شوند، آینده فناوری را رقم خواهند زد. دوره جامع “تسلط بر مدلهای زبانی بزرگ و عاملهای هوشمند” یک برنامه عملی و فشرده است که متخصصان و علاقهمندان را برای ساخت برنامههای واقعی هوش مصنوعی آماده میکند. چه توسعهدهنده، دانشمند داده، پژوهشگر یا رهبر فناوری باشید، این بوتکمپ ابزارها و دانش لازم برای نوآوری و پیشرفت در این حوزه سریعالتغییر را در اختیار شما قرار میدهد. ابتدا با مبانی LLM و چارچوبهای عامل آشنا میشوید و نحوه ارزیابی مدلها با LM Studio را یاد میگیرید. سپس با APIهای قدرتمند شرکتهایی مانند OpenAI، Gemini و Claude کار میکنید و ساختاردهی پیامهای سیستمی و کاربری، توکنیزیشن و کنترل خروجیها را برای پروژههایی مانند تولید متن هوشمند و ردیاب کالری مبتنی بر بینایی میآموزید. در ادامه، وارد دنیای مدلهای متنباز میشوید و با تکنیکهای پیشرفته مانند LoRA و PEFT روی Hugging Face مدلها را بهینهسازی میکنید. همچنین تجربه طراحی اپلیکیشنهای وب هوشمند با Gradio، ساخت اپهای استریم تعاملی و توسعه معلم هوشمند را کسب خواهید کرد. بخش مهمی از بوتکمپ به مهندسی پیشرفته پرامپتها اختصاص دارد؛ از جمله تکنیکهای zero-shot، few-shot و chain-of-thought برای دستیابی به خروجیهای دقیق و کنترلشده. همچنین قابلیتهای پیشرفتهای مانند ساخت پایپلاین RAG و کار با embeddingها برای جستجوی معنایی و بازیابی دانش را خواهید آموخت. در پایان برنامه، توسعه عاملهای هوشمند نسل جدید را با چارچوبهایی مانند AutoGen، OpenAI Agents SDK، LangGraph، n8n و MCP تجربه میکنید تا عاملهایی بسازید که با سیستمها و APIهای خارجی تعامل داشته باشند. هر ماژول بر ساخت پروژههای عملی و کاربردی تأکید دارد تا اهداف آموزشی را تثبیت کند و شما را برای پیادهسازی واقعی آماده سازد. این بوتکمپ توسط دکتر رایان احمد، استاد برجسته هوش مصنوعی با تجربه آموزش بیش از نیم میلیون نفر در سراسر جهان برگزار میشود و برای مهندسان نرمافزار، دانشمندان داده، پژوهشگران هوش مصنوعی و متخصصان فناوری که قصد ورود به حوزه LLM و عاملهای هوشمند را دارند، بسیار مناسب است. ساختار دوره مبتنی بر یادگیری پروژهمحور، راهنمایی گامبهگام، تعامل اجتماعی و دسترسی به منتورینگ و بازخورد مستمر است. از روز اول، پروژههای واقعی خواهید ساخت و در خط مقدم این تحول قرار خواهید گرفت.
What You Will Learn
- آشنایی با مبانی مدلهای زبانی بزرگ (LLM) و هوش عامل محور، شامل نحوه آموزش، بهینهسازی و پیادهسازی آنها.
- ساخت و پیادهسازی عاملهای هوشمند مستقل با استفاده از چارچوبهای پیشرفته مانند AutoGen، OpenAI Agents SDK، LangGraph، n8n و MCP.
- ارزیابی و مقایسه مدلهای متنباز مانند LLama، DeepSeek، Qwen، Phi و Gemma با استفاده از Hugging Face و LM Studio.
- توسعه برنامههای واقعی با دسترسی به APIهای OpenAI، Gemini و Claude برای تولید متن و وظایف بینایی.
- استفاده از چارچوب ۵ مرحلهای برای انتخاب مدل هوش مصنوعی مناسب کسبوکار: حداکثرسازی بهرهوری هزینه، کاهش تأخیر و تسریع زمان عرضه.
- ارزیابی مدلهای LLM با استفاده از لیدربوردهایی مانند Vellum و Chat Arena و انجام تستهای کور برای سنجش عینی عملکرد مدل.
- طراحی پایپلاین RAG با استفاده از LangChain، embeddingهای OpenAI و ChromaDB برای بازیابی اسناد و پاسخ به سوالات.
- ساخت سیستم پرسش و پاسخ شفاف مبتنی بر هوش مصنوعی با رابط Gradio که پاسخها را همراه با منابع نمایش میدهد.
- تسلط بر اعتبارسنجی داده و تولید خروجی ساختاریافته با کتابخانه Pydantic، شامل BaseModel، تایپها و ایجاد خروجی پارسشده از مدلهای OpenAI.
- ساخت ویرایشگر رزومه هوشمند که فاصله بین رزومه و شرح شغل را تحلیل و رزومه/نامه پوششی را به صورت خودکار بهینه میکند.
- یادگیری بهینهسازی مدلهای متنباز با روشهای پارامتری مانند LoRA و ابزارهایی مثل TRL و SFTTrainer در Hugging Face.
- تسلط بر آمادهسازی داده و ارزیابی مدل، شامل محاسبه دقت، صحت، بازیابی و F1-score با scikit-learn.
- کار با اجزای کلیدی کتابخانه Transformers در Hugging Face مانند pipeline()، AutoTokenizer() و AutoModelForCausalLM().
- کسب تجربه عملی با دادهها و مدلهای متنباز در Hugging Face و بهینهسازی عملکرد با تکنیکهایی مانند bitsandbytes.
- تسلط بر مهندسی پیشرفته پرامپتها مانند zero-shot، few-shot و chain-of-thought.
- استقرار عاملهای چندمدلی با AutoGen و یکپارچهسازی LLMهای OpenAI، Gemini و Claude برای همکاری عاملها و نظارت انسانی.
Course Features & Specifications
- ناشر : Udemy
- مدرس : Prof. Ryan Ahmed | 450K+ Students | Best-Selling Professor | 250K+ YouTube , Stemplicity Inc.
- زبان: انگلیسی
- سطح آموزش : تمام سطوح
- تعداد دروس : 303
- مدت زمان آموزش : 24 ساعت و 11 دقیقه
Prerequisites
- You will need a laptop and an internet connection!
- No programming experience required; basic Python skills are a plus.
Preview
Installation Guide
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720
نسخه 2025/10 نسبت به 2025/6 به تعداد 3 درس افزایش و مدت زمان 4 دقیقه افزایش داشته است.
