Telegram Group & Telegram Channel
Media is too big
VIEW IN TELEGRAM
💡بررسی عامل‌های هوشمند (Agentic AI) به عنوان پلی ارتباطی میان زبان طبیعی و هوش مصنوعی

⬆️این دوره با هدف ارائه مفاهیم پایه و پیشرفته در حوزه هوش مصنوعی عامل‌گرا طراحی شده است و به دانشجویان مهندسی کمک می‌کند تا با اصول و ابزارهای لازم برای طراحی و پیاده‌سازی سیستم‌های هوشمند آشنا شوند. سرفصل‌ها به‌گونه‌ای تنظیم شده‌اند که از مفاهیم اولیه تا کاربردهای عملی را پوشش دهند.

🟢سرفصل‌های دوره:

🟣مفاهیم پایه هوش مصنوعی
◀️معرفی مفاهیم عمومی هوش مصنوعی شامل تاریخچه، انواع یادگیری (ML، DL، NLP) و نقش آن‌ها در توسعه سیستم‌های هوشمند. این بخش برای ایجاد درک کلی از حوزه طراحی شده است.

🟣 بررسی مفاهیم بنیادین شبکه‌های عصبی شامل:
◀️شبکه‌های MLP (چندلایه پرسپترون)
◀️فرآیند آموزش (Training)، الگوریتم پس‌انتشار (Backpropagation)، بهینه‌سازی (Optimization) و دسته‌بندی داده‌ها (Batching)
◀️یادگیری نظارت‌شده و بدون نظارت
◀️شبکه‌های پیشرفته‌تر مانند RNN، LSTM و شبکه‌های عصبی فیزیک‌افزوده (PINN) برای کاربردهای خاص
◀️ابزارها و پیش‌نیازهای پیاده‌سازی


🟣 تمرکز بر اصول و تکنیک‌های پردازش زبان طبیعی:
◀️ پایپلاین استاندارد NLP شامل توکن‌سازی، امبدینگ و بازنمایی داده‌ها
◀️مکانیزم توجه (Attention Mechanism) و معماری ترنسفورمر
◀️مدل‌های زبانی بزرگ (LLM)، مهندسی پرامپت و یادگیری با چند نمونه (Few-Shot Learning)
◀️فاین‌تیونینگ مدل‌ها و استفاده از APIها برای ساخت چت‌بات‌های هوشمند

🟣 معرفی اجزای اصلی عامل‌های هوشمند:
◀️تعریف عامل هوشمند و اجزای آن
◀️معماری عامل‌های هوشمند
◀️مدیریت حافظه کوتاه‌مدت و بلندمدت
◀️مدل‌های استدلالی و زنجیره افکار (Chain of Thoughts) برای تصمیم‌گیری
◀️پایگاه‌های دانش مانند RAG (Retrieval-Augmented Generation)
◀️ابزارهایی مثل MCP برای تعامل با ابزارهای خارجی
◀️مفاهیم Crew و Flow برای طراحی سیستم‌های چندعاملی

🟣 ابزارها و فریمورک‌های توسعه:
◀️معرفی کتابخانه LangChain برای توسعه اپلیکیشن‌های مبتنی بر زبان
◀️پلتفرم‌های اتوماتیک مثل Dify برای پیاده‌سازی سریع عامل‌ها
◀️فریمورک‌هایی مانند CrewAI یا Agno برای توسعه سیستم‌های هوشمند

🟣آماده‌سازی دانشجویان برای پیاده‌سازی عملی:
◀️مفاهیم برنامه‌نویسی شی‌گرا (OOP)
◀️کار با WSL و سیستم‌عامل لینوکس برای محیط‌های توسعه
◀️آشنایی با پلتفرم‌های Kaggle و Hugging Face برای دسترسی به دیتاست‌ها و مدل‌های آماده
◀️آموزش کار با کتابخانه PyTorch برای پیاده‌سازی مدل‌های هوش مصنوعی
◀️پردازش زبان طبیعی (NLP) به‌عنوان هسته مرکزی

ویژگی‌های دوره:

🟣 جلسات عملی:
◀️شامل ورکشاپ‌ها و تمرین‌هایی برای پیاده‌سازی مفاهیم تدریس‌شده.

🟣تمرکز بر مهندسی:
◀️سرفصل‌ها با نیازهای دانشجویان مهندسی هماهنگ شده و بر جنبه‌های عملی و پیاده‌سازی تأکید دارد.

🟣پشتیبانی فنی:
◀️امکان رفع اشکال و تعامل با مدرسان در طول دوره فراهم است. این دوره برای دانشجویانی مناسب است که قصد دارند با مبانی هوش مصنوعی و طراحی عامل‌های هوشمند آشنا شوند و مهارت‌های لازم برای پیاده‌سازی پروژه‌های واقعی را کسب کنند.

❇️ تلگرام | ❇️ بله | ❇️ اینستاگرام | ❇️ لینکدین
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥182



group-telegram.com/ssaAEsharif/2758
Create:
Last Update:

💡بررسی عامل‌های هوشمند (Agentic AI) به عنوان پلی ارتباطی میان زبان طبیعی و هوش مصنوعی

⬆️این دوره با هدف ارائه مفاهیم پایه و پیشرفته در حوزه هوش مصنوعی عامل‌گرا طراحی شده است و به دانشجویان مهندسی کمک می‌کند تا با اصول و ابزارهای لازم برای طراحی و پیاده‌سازی سیستم‌های هوشمند آشنا شوند. سرفصل‌ها به‌گونه‌ای تنظیم شده‌اند که از مفاهیم اولیه تا کاربردهای عملی را پوشش دهند.

🟢سرفصل‌های دوره:

🟣مفاهیم پایه هوش مصنوعی
◀️معرفی مفاهیم عمومی هوش مصنوعی شامل تاریخچه، انواع یادگیری (ML، DL، NLP) و نقش آن‌ها در توسعه سیستم‌های هوشمند. این بخش برای ایجاد درک کلی از حوزه طراحی شده است.

🟣 بررسی مفاهیم بنیادین شبکه‌های عصبی شامل:
◀️شبکه‌های MLP (چندلایه پرسپترون)
◀️فرآیند آموزش (Training)، الگوریتم پس‌انتشار (Backpropagation)، بهینه‌سازی (Optimization) و دسته‌بندی داده‌ها (Batching)
◀️یادگیری نظارت‌شده و بدون نظارت
◀️شبکه‌های پیشرفته‌تر مانند RNN، LSTM و شبکه‌های عصبی فیزیک‌افزوده (PINN) برای کاربردهای خاص
◀️ابزارها و پیش‌نیازهای پیاده‌سازی


🟣 تمرکز بر اصول و تکنیک‌های پردازش زبان طبیعی:
◀️ پایپلاین استاندارد NLP شامل توکن‌سازی، امبدینگ و بازنمایی داده‌ها
◀️مکانیزم توجه (Attention Mechanism) و معماری ترنسفورمر
◀️مدل‌های زبانی بزرگ (LLM)، مهندسی پرامپت و یادگیری با چند نمونه (Few-Shot Learning)
◀️فاین‌تیونینگ مدل‌ها و استفاده از APIها برای ساخت چت‌بات‌های هوشمند

🟣 معرفی اجزای اصلی عامل‌های هوشمند:
◀️تعریف عامل هوشمند و اجزای آن
◀️معماری عامل‌های هوشمند
◀️مدیریت حافظه کوتاه‌مدت و بلندمدت
◀️مدل‌های استدلالی و زنجیره افکار (Chain of Thoughts) برای تصمیم‌گیری
◀️پایگاه‌های دانش مانند RAG (Retrieval-Augmented Generation)
◀️ابزارهایی مثل MCP برای تعامل با ابزارهای خارجی
◀️مفاهیم Crew و Flow برای طراحی سیستم‌های چندعاملی

🟣 ابزارها و فریمورک‌های توسعه:
◀️معرفی کتابخانه LangChain برای توسعه اپلیکیشن‌های مبتنی بر زبان
◀️پلتفرم‌های اتوماتیک مثل Dify برای پیاده‌سازی سریع عامل‌ها
◀️فریمورک‌هایی مانند CrewAI یا Agno برای توسعه سیستم‌های هوشمند

🟣آماده‌سازی دانشجویان برای پیاده‌سازی عملی:
◀️مفاهیم برنامه‌نویسی شی‌گرا (OOP)
◀️کار با WSL و سیستم‌عامل لینوکس برای محیط‌های توسعه
◀️آشنایی با پلتفرم‌های Kaggle و Hugging Face برای دسترسی به دیتاست‌ها و مدل‌های آماده
◀️آموزش کار با کتابخانه PyTorch برای پیاده‌سازی مدل‌های هوش مصنوعی
◀️پردازش زبان طبیعی (NLP) به‌عنوان هسته مرکزی

ویژگی‌های دوره:

🟣 جلسات عملی:
◀️شامل ورکشاپ‌ها و تمرین‌هایی برای پیاده‌سازی مفاهیم تدریس‌شده.

🟣تمرکز بر مهندسی:
◀️سرفصل‌ها با نیازهای دانشجویان مهندسی هماهنگ شده و بر جنبه‌های عملی و پیاده‌سازی تأکید دارد.

🟣پشتیبانی فنی:
◀️امکان رفع اشکال و تعامل با مدرسان در طول دوره فراهم است. این دوره برای دانشجویانی مناسب است که قصد دارند با مبانی هوش مصنوعی و طراحی عامل‌های هوشمند آشنا شوند و مهارت‌های لازم برای پیاده‌سازی پروژه‌های واقعی را کسب کنند.

❇️ تلگرام | ❇️ بله | ❇️ اینستاگرام | ❇️ لینکدین

BY انجمن علمی هوافضا


Warning: Undefined variable $i in /var/www/group-telegram/post.php on line 260

Share with your friend now:
group-telegram.com/ssaAEsharif/2758

View MORE
Open in Telegram


Telegram | DID YOU KNOW?

Date: |

And while money initially moved into stocks in the morning, capital moved out of safe-haven assets. The price of the 10-year Treasury note fell Friday, sending its yield up to 2% from a March closing low of 1.73%. In this regard, Sebi collaborated with the Telecom Regulatory Authority of India (TRAI) to reduce the vulnerability of the securities market to manipulation through misuse of mass communication medium like bulk SMS. Messages are not fully encrypted by default. That means the company could, in theory, access the content of the messages, or be forced to hand over the data at the request of a government. He floated the idea of restricting the use of Telegram in Ukraine and Russia, a suggestion that was met with fierce opposition from users. Shortly after, Durov backed off the idea. For example, WhatsApp restricted the number of times a user could forward something, and developed automated systems that detect and flag objectionable content.
from us


Telegram انجمن علمی هوافضا
FROM American