🎓 مبانی و هسته اصلی هوش مصنوعی مدرن

از صفر تا معماری سیستم‌های AI تولیدی (Production-Ready)

مدرس: محسن درم‌بخت | برگزارکننده: DevTube.ir

اگر می‌خواید فقط "پرامپت‌نویسی" بلد نباشید، بلکه واقعاً بفهمید LLM از داخل چطور کار می‌کنه و چطور یک سیستم AI واقعی و آماده Production طراحی و پیاده‌سازی می‌شه — این دوره برای شماست.

این یک دوره میکرو و فشرده، اما عمیق و کاملاً حرفه‌ای است؛ نه یک آموزش سطحی برای مبتدی‌ها. محتوا طوری طراحی شده که مثل آموزش به یک مهندس AI باشه: با تفکر معماری واقعی، تمرکز روی کاربرد عملی و بدون حاشیه.

👥 این دوره برای چه کسانی مناسبه؟

• توسعه‌دهندگانی که می‌خوان وارد حوزه هوش مصنوعی و LLM بشن
• مهندسین نرم‌افزار که می‌خوان محصولات مبتنی بر AI (چت‌بات، RAG، ابزارهای هوشمند) بسازن
• علاقه‌مندانی که می‌خوان به جای فهم سطحی، عمق فنی واقعی این تکنولوژی رو درک کنن
• تیم‌های محصول که نیاز دارن بین گزینه‌های مختلف (مدل، معماری، زیرساخت) تصمیم درست بگیرن

📚 سرفصل کامل دوره

۱. مبانی LLM — مدل‌های زبانی بزرگ مدل زبانی بزرگ (LLM) چیست، معماری Transformer، مکانیزم Attention، Tokenization و Embeddings — پایه‌ای‌ترین و مهم‌ترین بخش برای درک واقعی نحوهٔ کارکرد LLMها.

۲. ویژگی‌های LLM — قابلیت‌ها و انواع مدل‌ها قابلیت‌های مدرن LLM، Function Calling و اتصال به ابزارها، قابلیت Vision (بینایی)، مدل‌های Multi-Modal (چندحالته)، Context Window و دسته‌بندی انواع LLM بر اساس کاربرد.

۳. مدل‌های Open-Source معرفی و مقایسهٔ کامل مدل‌های متن‌باز مثل LLaMA، Mistral، DeepSeek، Qwen و... به‌همراه جدول مقایسه، نیازمندی GPU، روش‌های راه‌اندازی و راهنمای انتخاب مدل مناسب برای هر پروژه.

۴. Prompt Engineering، Context و Memory مهندسی پرامپت حرفه‌ای، مدیریت Context، طراحی سیستم‌های Memory (حافظه) برای LLM، و نحوهٔ ترکیب هر سه در یک سیستم واقعی.

۵. روش‌های آموزش مدل (Training Methods) Fine-tuning در مقابل Prompting، LoRA و PEFT، Quantization، Model Distillation، و تفاوت Inference با Training — همهٔ چیزی که برای سفارشی‌سازی یک مدل نیاز دارید.

۶. سیستم‌های RAG (Retrieval-Augmented Generation) RAG چیست و چرا حیاتیه، Vector Database، معیارهای شباهت (Similarity Metrics)، طراحی پایپلاین کامل RAG و بهترین شیوه‌های پیاده‌سازی آن.

۷. معماری سیستم‌های AI طراحی معماری کامل یک سیستم RAG-based، استراتژی‌های مقیاس‌پذیری (Scalability)، زیرساخت و DevOps، و ملاحظات امنیتی سیستم‌های AI در سطح Production.

۸. پیاده‌سازی عملی (Implementation) معرفی فریمورک‌های اصلی AI، موتورهای Inference، پیاده‌سازی گام‌به‌گام یک سیستم RAG، طراحی API برای سرویس‌های AI، و استقرار (Deployment) در Production.

۹. راهنمای سخت‌افزار (GPU Guide) چرا انتخاب GPU مهمه، مقایسهٔ کارت‌های گرافیک مصرفی و سازمانی (Data Center)، تحلیل هزینهٔ Self-Hosted در برابر Cloud API، و نکات عملی خرید و راه‌اندازی.

۱۰. مباحث پیشرفته و بهینه‌سازی تکنیک‌های بهینه‌سازی Performance، Quantization و فشرده‌سازی مدل، Model Parallelism، رایج‌ترین اشتباهات و راه‌حل آن‌ها، و نگاهی به نسل جدید مدل‌های AI (۲۰۲۵-۲۰۲۶).

✅ چرا این دوره متفاوته؟

• محتوای کاملاً فارسی همراه با معادل دقیق انگلیسی هر اصطلاح، برای یادگیری بدون سردرگمی
• دیاگرام‌ها و نمودارهای بصری برای فهم بهتر مفاهیم پیچیده مثل Attention و معماری RAG
• تمرکز صرف روی عمق فنی و کاربرد واقعی، نه توضیحات سطحی و تکراری
• مسیر یادگیری منسجم: از مبانی LLM تا معماری، پیاده‌سازی و بهینه‌سازی سیستم‌های Production
• جداول مقایسه، Cheat Sheet و راهنمای عملی برای تصمیم‌گیری‌های واقعی (انتخاب مدل، انتخاب GPU، معماری)

🎬 این دوره رو کجا ببینم؟

دورهٔ «مبانی و هسته اصلی هوش مصنوعی مدرن» توسط محسن درم‌بخت تهیه و در سایت DevTube.ir منتشر شده است.