دوره آموزشی موارد استفاده و پروژههای مهندسی هوش مصنوعی بر روی AWS: سیستمهای LLM با کیفیت تولید
46 دقیقهمتوسط2025-03-12
مدرسین
Noah Gift
MLOps Expert | Solopreneur | Author | Adjunct Professor | CTO

Pragmatic AI Labs
جزئیات دوره
در این دوره، با نوا گیفت، متخصص هوش مصنوعی، یاد میگیرید که چطور معماری پیچیده مدلهای زبان بزرگ (LLM) را در محیطهای تولیدی با استفاده از Rust و AWS طراحی و پیادهسازی کنید. نوا به شما مفاهیم مهمی مثل Ollama DeepSeek-R1، Claude و دیگر سیستمهای پیشرفته LLM را معرفی میکنه، همچنین استراتژیهای open-source و multimodel workflows رو بررسی میکنه.
در طول دوره، شما تجربه عملی با YAML prompts و proxy routing برای بهینهسازی مدلهای زبان خواهید داشت. این دوره برای مهندسان هوش مصنوعی، توسعهدهندگان و علاقهمندان به تکنولوژی طراحی شده و به شما مهارتهای لازم برای پیشرفت در زمینه هوش مصنوعی و یادگیری ماشین رو میده. در پایان دوره، شما آماده خواهید بود که مدلهای زبان پیچیده رو در محیطهای تولیدی پیادهسازی و مقیاسبندی کنید و در زمینه سریعاً در حال تکامل هوش مصنوعی پیشرو باشید.
اهداف یادگیری:
درک معماری مدلهای زبان بزرگ (LLM) و نحوه طراحی و پیادهسازی آنها با Rust و AWS.
آشنایی با سیستمهای پیشرفته مدل زبان مانند Ollama DeepSeek-R1 و Claude.
یادگیری استراتژیهای open-source و multimodel workflows برای استفاده در مدلهای زبان.
استفاده عملی از YAML prompts و proxy routing برای بهینهسازی مدلهای زبان.
توانایی پیادهسازی و مقیاسبندی مدلهای زبان پیچیده در محیطهای تولیدی.
پیشرفت در زمینههای هوش مصنوعی و یادگیری ماشین و تسلط به ابزارهای روز.
در طول دوره، شما تجربه عملی با YAML prompts و proxy routing برای بهینهسازی مدلهای زبان خواهید داشت. این دوره برای مهندسان هوش مصنوعی، توسعهدهندگان و علاقهمندان به تکنولوژی طراحی شده و به شما مهارتهای لازم برای پیشرفت در زمینه هوش مصنوعی و یادگیری ماشین رو میده. در پایان دوره، شما آماده خواهید بود که مدلهای زبان پیچیده رو در محیطهای تولیدی پیادهسازی و مقیاسبندی کنید و در زمینه سریعاً در حال تکامل هوش مصنوعی پیشرو باشید.
اهداف یادگیری:
درک معماری مدلهای زبان بزرگ (LLM) و نحوه طراحی و پیادهسازی آنها با Rust و AWS.
آشنایی با سیستمهای پیشرفته مدل زبان مانند Ollama DeepSeek-R1 و Claude.
یادگیری استراتژیهای open-source و multimodel workflows برای استفاده در مدلهای زبان.
استفاده عملی از YAML prompts و proxy routing برای بهینهسازی مدلهای زبان.
توانایی پیادهسازی و مقیاسبندی مدلهای زبان پیچیده در محیطهای تولیدی.
پیشرفت در زمینههای هوش مصنوعی و یادگیری ماشین و تسلط به ابزارهای روز.
مهارت ها
Programming FoundationsArtificial Intelligence FoundationsCloud ServicesCloud PlatformsArtificial Intelligence (AI)Cloud ComputingSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - شروع به کار
1. تولید LLM سیستم معماری
- 02 - پسوند پروژه Rust LLM
- 03 - اولاما DeepSeek-R1 و کلود
- 04 - راهنمای استراتژی منبع باز
- 05 - YAML با بررسی Rust درخواست میکند
- 06 - بررسی گردش کار چند مدل
- 07 - بررسی مسیریابی پروکسی مدل Rust
- 08 - چالش بدون سرور Rust Cargo Lambda
- 09 - سنگ بنای مهندسی هوش مصنوعی
دوره های مرتبط
- دوره آموزشی مهندسی داده نمودارهای دانشی برای کاربردهای هوش مصنوعی تولیدی
- دوره آموزشی پردازش پیشرفته دادهها: معماریهای دستهای، زمان واقعی و ابری برای هوش مصنوعی
- دوره آموزشی پایتون برای پروژههای هوش مصنوعی: از کاوش داده تا ایجاد اثرگذاری
- دوره آموزشی کدنویسی هوشمندتر با دستیار هوش مصنوعی JetBrains
- دوره آموزشی سامانههای عامل هوش مصنوعی آمادهٔ تولید در Databricks
- دوره آموزشی کدنویسی Vibe برای ایجاد یک عامل مهندسی دستورات جهت افزایش استفاده از LLM
- دوره آموزشی تمرین عملی با مدلهای GPT: نکات و ترفندها
- دوره آموزشی MLOps با Databricks
مسیرهای مرتبط
- مسیر آموزشی ارتقا مهارت های خود به عنوان یک متخصص اسپارک آپاچی
- مسیر آموزشی تبدیل شدن به یک متخصص امنیت فناوری اطلاعات
- مسیر آموزشی ایجاد مهارت های هوش مصنوعی برای توسعه دهندگان وب
- مسیر آموزشی یادگیری Vibe Coding: ساخت اپلیکیشنها با کدنویسی مجهز به هوش مصنوعی
- مسیر آموزشی برنامهنویسیات رو با ابزارهای کدنویسی هوش مصنوعی حسابی تغییر بده!
- مسیر آموزشی کار با داده: مهندسی، یکپارچهسازی و MLOps برای هوش مصنوعی
- مسیر آموزشی ملزومات MLOps برای برنامهنویسها و مهندسان هوش مصنوعی: ابزارها، پایپلاینها و نکات امنیتی
- مسیر آموزشی کار با داده: گردآوری، پردازش و ذخیرهسازی داده برای هوش مصنوعی