تمرکز دوره روی مفاهیم، معماری و تصمیم‌گیری است. قطعه‌کدها و شبه‌کدها هرجا که به فهم مفهوم کمک کنند آورده می‌شوند (مثلاً نحوه اجرای یک مدل با Ollama یا vLLM)، اما هدف، آموزش گام‌به‌گام کدنویسی نیست — هدف این است که بدانید چه چیزی را چرا می‌نویسید.

خیر. دوره از تعریف پایه شروع می‌کند و مفاهیم را لایه‌لایه می‌سازد. آشنایی عمومی با نرم‌افزار و API کافی است. اما محتوا سطحی نوشته نشده — عمق آن در حد توضیح برای مهندسان است.

بله. هر فصل روی فصل قبل بنا شده است. مثلاً بدون درک Embedding، فصل RAG کامل جا نمی‌افتد و بدون فهم محاسبه VRAM، فصل سخت‌افزار معنای عملی پیدا نمی‌کند. ترتیب پیشنهادی همان ترتیب فهرست است.

یکی از تفاوت‌های اصلی همین است. چالش‌های فارسی به‌صورت اختصاصی بررسی می‌شوند: نرمال‌سازی متن، مصرف بالاتر توکن نسبت به انگلیسی، کیفیت مدل‌های Embedding چندزبانه، Chunking فارسی و ضرورت جستجوی ترکیبی.

مدل‌ها و ابزارها تا نسل ۲۰۲۵–۲۰۲۶ پوشش داده شده‌اند. مهم‌تر اینکه ساختار دوره طوری است که هسته آن با تغییر مدل‌ها منسوخ نمی‌شود؛ چون بیشتر روی اصول و معیارهای انتخاب تمرکز دارد تا نام محصولات.

بعد از تسلط بر این لایه مفهومی، مسیر طبیعی ورود به پیاده‌سازی عملی است: ساخت پروژه واقعی با فریم‌ورک‌ها، راه‌اندازی مدل روی سرور و رساندن محصول به Production. این دوره دقیقاً همان پایه‌ای است که آن مرحله را سریع و کم‌خطا می‌کند.

بهترین نقطه شروع، فهمیدن ساز و کار مدل‌های زبانی بزرگ است، نه یادگیری یک ابزار خاص. در این دوره از فصل «مبانی LLM» شروع می‌کنید: توکن‌سازی، بردارها، معماری Transformer و مکانیزم Attention. بعد از آن، مسیر یادگیری هوش مصنوعی به‌صورت طبیعی به مهندسی پرامپت، RAG و در نهایت معماری سیستم می‌رسد.

محتوا برای کسانی نوشته شده که با مفاهیم نرم‌افزار آشنا هستند — برنامه‌نویس، مهندس داده، معمار نرم‌افزار یا مدیر فنی. اما چون رویکرد دوره مفهومی است و کدنویسی پیش‌نیاز اصلی آن نیست، کارآفرینان و مدیران محصول هم می‌توانند بخش‌های معماری، هزینه و انتخاب مدل را کاملاً دنبال کنند.

خیر. هدف این دوره، آموزش مهندسی هوش مصنوعی است نه آموزش تحقیقاتی یادگیری ماشین. مفاهیمی مثل Embedding، معیارهای شباهت یا Quantization با تشبیه و مثال توضیح داده می‌شوند تا بتوانید درباره آن‌ها تصمیم بگیرید، بدون اینکه لازم باشد فرمول‌ها را از پایه اثبات کنید.

RAG دانش بیرونی را در لحظه به مدل می‌دهد و برای داده‌هایی که مدام تغییر می‌کنند مناسب است؛ Fine-tuning رفتار و سبک مدل را تغییر می‌دهد و برای وظایف تکراری با قالب مشخص می‌ارزد. یکی از مهم‌ترین خروجی‌های این دوره، توانایی انتخاب درست بین این دو و جلوگیری از هزینه بی‌مورد است.