دوره طراحی و پیاده‌سازی جریان‌های کاری عامل‌محور برای هوش مصنوعی مولد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی جریان‌های کاری عامل‌محور برای هوش مصنوعی مولد

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد
• 2. مبانی مدل‌های زبانی بزرگ (LLMs)
• 3. معماری ترنسفورمر در LLMs
• 4. آموزش و مقیاس‌پذیری LLMs
• 5. محدودیت‌های LLMs در کاربردهای عملی
• 6. مفهوم عامل (Agent) در هوش مصنوعی
• 7. اصول طراحی عامل‌های هوش مصنوعی
• 8. تفاوت عامل‌ها با مدل‌های سنتی
• 9. جریان‌های کاری عامل‌محور (Agentic Workflows)
• 10. مزایای جریان‌های کاری عامل‌محور
• 11. چالش‌های پیاده‌سازی جریان‌های کاری عامل‌محور
• 12. مقایسه رویکرد عامل‌محور و تنظیم دقیق (Fine-Tuning)
• 13. مفهوم تنظیم دقیق مدل‌های زبانی
• 14. انواع روش‌های تنظیم دقیق
• 15. کاربرد تنظیم دقیق در وظایف خاص
• 16. محدودیت‌های تنظیم دقیق
• 17. هوش مصنوعی مولد و کاربردهای آن
• 18. تولید متن با LLMs
• 19. تولید تصویر با مدل‌های مولد
• 20. تولید کد با LLMs
• 21. تولید صدا و موسیقی (با رعایت چارچوب شرعی)
• 22. طراحی جریان‌های کاری برای وظایف تولید متن
• 23. استفاده از عامل‌ها برای خلاصه‌سازی
• 24. عامل‌ها در ترجمه ماشینی پیشرفته
• 25. کاربرد عامل‌ها در پاسخ به پرسش پیچیده
• 26. طراحی جریان‌های کاری برای وظایف تولید تصویر
• 27. استفاده از عامل‌ها برای ویرایش تصویر
• 28. عامل‌ها در خلق هنرهای دیجیتال (با رعایت چارچوب شرعی)
• 29. طراحی جریان‌های کاری برای وظایف تولید کد
• 30. عامل‌ها در اشکال‌زدایی کد
• 31. کاربرد عامل‌ها در توسعه نرم‌افزار
• 32. ارزیابی عملکرد عامل‌های هوش مصنوعی
• 33. معیارهای سنجش اثربخشی عامل‌ها
• 34. مقایسه نتایج عامل‌محور و تنظیم دقیق
• 35. مدیریت حافظه در عامل‌های هوش مصنوعی
• 36. تکنیک‌های حافظه کوتاه‌مدت
• 37. تکنیک‌های حافظه بلندمدت
• 38. استفاده از پایگاه دانش در عامل‌ها
• 39. قانون‌مداری در طراحی عامل‌ها
• 40. اصول اخلاقی در هوش مصنوعی مولد
• 41. رعایت حریم خصوصی در عامل‌های هوش مصنوعی
• 42. مسئولیت‌پذیری در سیستم‌های عامل‌محور
• 43. امنیت عامل‌های هوش مصنوعی
• 44. جلوگیری از سوءاستفاده از عامل‌ها
• 45. تنظیم دقیق برای وظایف تخصصی
• 46. تنظیم دقیق برای درک زبان طبیعی
• 47. تنظیم دقیق برای تولید زبان طبیعی
• 48. تنظیم دقیق برای وظایف ترجمه
• 49. تنظیم دقیق برای وظایف خلاصه‌سازی
• 50. تنظیم دقیق برای طبقه‌بندی متن
• 51. تنظیم دقیق برای استخراج اطلاعات
• 52. مقایسه هزینه و زمان تنظیم دقیق و رویکرد عامل‌محور
• 53. انتخاب رویکرد مناسب برای هر کاربرد
• 54. ترکیب رویکرد عامل‌محور و تنظیم دقیق
• 55. سیستم‌های ترکیبی هوش مصنوعی
• 56. طراحی عامل‌های چندوظیفه‌ای
• 57. مدیریت منابع در عامل‌های پیچیده
• 58. پیاده‌سازی عامل‌ها با استفاده از چارچوب‌های موجود
• 59. ابزارهای توسعه عامل‌های هوش مصنوعی
• 60. پایپ‌لاین‌های پردازش زبان طبیعی
• 61. فریم‌ورک‌های یادگیری تقویتی برای عامل‌ها
• 62. شبکه‌های عصبی بازگشتی در عامل‌ها
• 63. شبکه‌های عصبی کانولوشنی در عامل‌ها
• 64. مدل‌های مبتنی بر گراف در عامل‌ها
• 65. بهینه‌سازی پارامترها در عامل‌ها
• 66. تنظیم فراپارامترها در عامل‌ها
• 67. تکنیک‌های جستجو برای پارامترهای بهینه
• 68. روش‌های گرادیان کاهشی در عامل‌ها
• 69. بهینه‌سازی مبتنی بر جمعیت
• 70. الگوریتم‌های ژنتیک برای بهینه‌سازی عامل‌ها
• 71. یادگیری تقویتی عمیق برای عامل‌ها
• 72. یادگیری تقویتی چندعامله
• 73. مدل‌های عامل‌محور برای تصمیم‌گیری
• 74. تصمیم‌گیری در محیط‌های پویا
• 75. تعامل عامل‌ها با محیط
• 76. یادگیری از تجربه در عامل‌ها
• 77. یادگیری از مشاهدات در عامل‌ها
• 78. یادگیری از بازخورد انسانی
• 79. طراحی عامل‌های اخلاقی و پایبند به چارچوب‌های شرعی
• 80. فهم محدودیت‌های شرعی در طراحی عامل‌ها
• 81. پیاده‌سازی عامل‌ها در بخش‌های مختلف اقتصادی (با رعایت قوانین)
• 82. عامل‌ها در خدمات مشتریان (با رعایت چارچوب‌های شرعی)
• 83. عامل‌ها در آموزش (با رعایت چارچوب‌های شرعی)
• 84. عامل‌ها در تحقیقات علمی (با رعایت چارچوب‌های شرعی)
• 85. آینده جریان‌های کاری عامل‌محور
• 86. پژوهش‌های آتی در زمینه عامل‌های هوش مصنوعی
• 87. چشم‌انداز توسعه عامل‌های هوش مصنوعی در ایران
• 88. نقش عامل‌ها در تحول دیجیتال
• 89. ملاحظات قانونی و شرعی در توسعه عامل‌های هوش مصنوعی