توسعه برنامههای مبتنی بر LLM
آموزش توسعه برنامههای مبتنی بر LLM در مسیر AI-P03 — مهندس مدل‌های زبانی (LLM Engineer)؛ سطح L4 (حرفه‌ای) و 30 ساعت آموزش ساختاریافته.
معرفی دوره
معرفی دوره توسعه برنامههای مبتنی بر LLM
دوره توسعه برنامههای مبتنی بر LLM با کد AI-106 در دپارتمان هوش مصنوعی ارائه می‌شود. این دوره بخشی از AI-P03 — مهندس مدل‌های زبانی (LLM Engineer) است و برای یادگیری مرحله‌به‌مرحله موضوع دوره طراحی شده است.
جایگاه دوره در مسیر یادگیری
سطح این دوره L4 (حرفه‌ای) است و 30 ساعت زمان آموزشی دارد. محتوای دوره بر ایجاد درک کاربردی از توسعه برنامههای مبتنی بر LLM و آماده‌سازی برای ادامه همین مسیر یادگیری تمرکز دارد.
مشخصات کلیدی
- کد دوره: AI-106
- دپارتمان: هوش مصنوعی
- مسیر یادگیری: AI-P03 — مهندس مدل‌های زبانی (LLM Engineer)
- سطح: L4 (حرفه‌ای)
- مدت آموزش: 30 ساعت
برای چه کسانی مناسب است؟
این دوره برای علاقهمندانی مناسب است که میخواهند مهارت خود را در توسعه برنامههای مبتنی بر LLM تقویت کنند و مسیر AI-P03 — مهندس مدل‌های زبانی (LLM Engineer) را هدفمند ادامه دهند.
سرفصل‌ها و درسها
شناخت مدل‌های زبانی
- Token و Context
- Transformer به زبان ساده
- مدل پایه و مدل Instruction
- محدودیت و Hallucination
ساخت برنامه با LLM
- اتصال امن به API مدل
- طراحی Prompt سیستمی
- مدیریت تاریخچه گفتگو
- خروجی ساختاریافته
دانش و ابزار
- Embedding و جست‌وجوی معنایی
- Function Calling
- حافظه و Context Management
- ساخت دستیار کاربردی
کیفیت و Production
- ارزیابی پاسخ
- کنترل هزینه و Latency
- امنیت Prompt و داده
- استقرار پروژه نهایی
پرسش‌های متداول
دوره «توسعه برنامههای مبتنی بر LLM» برای چه کسانی مناسب است؟
این دوره برای علاقهمندانی مناسب است که میخواهند «توسعه برنامههای مبتنی بر LLM» را در یک مسیر ساختاریافته، پروژهمحور و قابل استفاده در دنیای واقعی یاد بگیرند.
پیش‌نیاز شرکت در این دوره چیست؟
این دوره پیشرفته است و تسلط عملی بر مبانی و موضوعات سطح متوسط حوزه مربوط توصیه می‌شود.
مدت زمان دوره و شیوه پیشروی چگونه است؟
مدت برنامهریزیشده دوره 30 ساعت است. محتوا در ۴ سرفصل و ۱۶ درس مرتب شده و بهتر است درسها بهترتیب همراه با تمرین دنبال شوند.
پس از پایان دوره چه تواناییای به دست میآورم؟
پس از تکمیل درسها و تمرینها، میتوانید مباحث دوره را در سناریوهای واقعی به کار بگیرید و با انجام بخش «کیفیت و Production» یک خروجی قابل ارائه برای ادامه مسیر یادگیری یا نمونهکار بسازید.