دوره هوش مصنوعی – LLMOps

در دوره هوش مصنوعی – LLMOps سماتک، یاد می‌گیری چگونه مدل‌های زبانی بزرگ (LLM) را در مقیاس سازمانی طراحی، پیاده‌سازی و مدیریت کنی. این دوره ترکیبی از مفاهیم Machine Learning، DevOps، Prompt Engineering، Model Deployment و Monitoring است و به‌صورت پروژه‌محور و عملی برگزار می‌شود. با تمرین در محیط‌های واقعی، می‌آموزی چگونه مدل‌های هوش مصنوعی را به سرویس‌های پایدار و قابل اعتماد تبدیل کنی. در پایان دوره، آماده فعالیت به‌عنوان مهندس LLMOps و متخصص پیاده‌سازی هوش مصنوعی در سازمان‌ها و استارتاپ‌ها خواهی بود.

16,900,000 تومان

دوره هوش مصنوعی – LLMOps
نوع کلاس نوع کلاس

آنلاین

زمان دوره

40 ساعت

پیش نیاز

برنامه نویسی با پایتون

کلاس‌های فعال این دوره

پرداخت اقساطی با تارا

شرایط ثبت‌نام اقساطی دوره

💳
۲ قسط 8,450,000 تومان
قسط اول 8,450,000 تومان
قسط دوم، ۳۰ روز بعد 8,450,000 تومان
بدون نیاز به چک و ضامن، اعتبارسنجی آنلاین توسط تارا

سرفصل‌های دوره

  • آموزش مباحث پیشرفته و Clean Code و Best Practice های زبان برنامه‌نویسی پایتون
  • تاریخچه هوش مصنوعی
  • چرا باید از LLM ها شروع کنیم!
  • معرفی و اهمیت LLM ها
  • آموزش Prompt Engineering
  • آموزش Streamlit برای ایجاد سایت‌های جذاب، با گرایش Chat و Data Science
  • معرفی و آموزش سرویس‌های داخلی و خارجی (رایگان و غیر رایگان) برای استفاده از مدل‌های هوش مصنوعی، به صورت Service Based
  • معرفی و آموزش سرویس‌های داخلی مطمئن (غیر رایگان)، برای استفاده از مدل‌های هوش مصنوعی
  • آموزش راه‌اندازی مدل‌های هوش مصنوعی رایگان، به صورت کاملا Local، و با حداقل Configuration سخت‌افزاری
  • – نصب بر روی رایانه شخصی کاربر
  • – نصب بر روی سرورهای سازمان
  • آموزش تولید AI Agent ها
  • آموزش Vectorization / Embedding
  • آموزش مفاهیم و تولید RAG، و معرفی کاربردها و انواع آن‌ها
  • آموزش کتابخانه LangChain
  • آموزش راه‌اندازی Automation
    برای کاربر
    درون سازمانی‌
  • آموزش راه‌اندازی Service برای RAG های تولید شده، جهت استفاده در دیگر سامانه‌های سازمان، به عنوان یک Microservice
  • استخراج اطلاعات از فایل‌های PDF
  • استخراج اطلاعات از تصاویر (OCR)
  • تولید فایل‌های Word (کاملا فارسی)
  • راه‌اندازی Text to Speech
  • راه‌اندازی Speech to Text

Road Map

مسیر آموزشی
1
آشنایی با مبانی هوش مصنوعی و مفاهیم LLMOps
  • تاریخچه هوش مصنوعی و سیر تکامل مدل‌های زبانی
  • چرا باید از LLMها شروع کنیم و نقش آن‌ها در صنعت
  • مفاهیم پایه LLMOps و تفاوت آن با MLOps سنتی
  • بررسی چالش‌ها و فرصت‌های مدل‌های زبانی در سازمان‌ها
Python Jupyter Notebook Google Colab
2
پایتون پیشرفته برای توسعه LLM و پروژه‌های AI
  • اصول Clean Code و Best Practices در پایتون
  • ساختاردهی پروژه‌های بزرگ و ماژولار
  • مدیریت استثناها، Logging و مستندسازی کد
  • کار با محیط‌های مجازی و Dependency Management
Python VSCode Poetry یا Pipenv Git
3
آشنایی با LLMها و سرویس‌های هوش مصنوعی
  • معرفی مدل‌های LLM (GPT، Claude، LLaMA، Gemma و...)
  • مقایسه مدل‌های باز (Open Source) و سرویس‌های SaaS
  • آشنایی با APIهای رایگان و غیررایگان داخلی و خارجی
  • روش‌های استفاده از LLMها به‌صورت Service-Based
OpenAI API Hugging Face Ollama Google Vertex AI Azure AI
4
آموزش Prompt Engineering
  • مبانی طراحی پرامپت مؤثر و اصول Chain-of-Thought
  • تکنیک‌های Zero-Shot، Few-Shot و Retrieval-Augmented
  • ساخت Templateهای کاربردی برای وظایف مختلف
  • مدیریت Context و حافظه در تعامل با LLMها
OpenAI Playground LangChain PromptLayer Python
5
توسعه رابط کاربری با Streamlit برای LLMها
  • آشنایی با Streamlit و ساخت اپلیکیشن‌های چت تعاملی
  • طراحی داشبوردهای علمی و مدیریتی برای مدل‌های زبانی
  • نمایش نتایج تحلیل داده و پاسخ‌های LLM در محیط وب
  • اتصال Streamlit به APIهای هوش مصنوعی
Streamlit Python OpenAI API LangChain
6
اجرای مدل‌های هوش مصنوعی به‌صورت Local
  • نصب و اجرای مدل‌های LLM بر روی رایانه شخصی
  • نصب بر روی سرورهای سازمانی با حداقل پیکربندی
  • مدیریت حافظه، GPU و بار محاسباتی
  • تنظیمات امنیتی و دسترسی کاربران
Ollama LM Studio Hugging Face Transformers CUDA Docker
7
ساخت Agentهای هوشمند و خودکارسازی وظایف
  • تعریف Agent و نقش آن در سیستم‌های AI
  • ساخت Agent با LangChain و AutoGen
  • اتصال Agent به ابزارها و APIهای خارجی
  • راه‌اندازی Automation برای کاربر و درون‌سازمانی
LangChain AutoGen Python Streamlit
8
مفاهیم و پیاده‌سازی RAG (Retrieval-Augmented Generation)
  • مفهوم RAG و کاربرد آن در سیستم‌های پاسخ‌گو
  • آموزش Vectorization و Embedding
  • ساخت پایگاه دانش (Vector Store) برای جست‌وجوی معناگرایانه
  • راه‌اندازی Service برای RAG به عنوان Microservice
LangChain FAISS ChromaDB Pinecone Flask
9
استخراج داده از منابع مختلف (Text, PDF, Image)
  • ستخراج داده از فایل‌های PDF و متون فارسی
  • تشخیص متن از تصاویر با OCR
  • تولید گزارش‌های Word کاملاً فارسی
  • راه‌اندازی سرویس‌های Text-to-Speech و Speech-to-Text
PyPDF2 Tesseract OCR docx gTTS Whisper SpeechRecognition
10
استقرار و مدیریت سرویس‌های LLMOps در سازمان
  • راه‌اندازی RAG و Agentها به‌صورت Microservice
  • مدیریت Pipelineها و Deployment خودکار
  • نظارت بر عملکرد مدل و Logging تعاملی
  • بهینه‌سازی منابع و امنیت سرویس‌های سازمانی
Docker FastAPI Flask Kubernetes LangServe GitHub Actions

کاتالوگ دوره

سئوالات متداول

اساتید دوره

هنوز استادی برای این دوره ثبت نشده است.
دیدگاه‌ها

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دوره هوش مصنوعی – LLMOps”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

درخواست مشاوره رایگان