آموزش مهندسی پرامپت با Claude + مفاهیم پیشرفته با پروژه عملی + گواهینامه

آموزش مهندسی پرامپت با Claude + مفاهیم پیشرفته با پروژه عملی + گواهینامه

در این آموزش با روش های نوین مهندسی پرامپت، طراحی سیستم های مبتنی بر مدل های زبانی و توسعه راهکارهای هوش مصنوعی قابل اعتماد آشنا خواهیم شد.

تریلر دوره

توضیحات کامل دوره

در این فرادرس چه چیزی یاد می‌گیریم؟ در این دوره ابتدا معماری مدرن promptها و روش‌های حرفه‌ای ساختاردهی آن‌ها با استفاده از الگوهایی مانند XML، ‏JSON و structured prompting ب...

در این فرادرس چه چیزی یاد می‌گیریم؟

در این دوره ابتدا معماری مدرن promptها و روش‌های حرفه‌ای ساختاردهی آن‌ها با استفاده از الگوهایی مانند XML، ‏JSON و structured prompting بررسی می‌شود. سپس مباحث پیشرفته‌تری مانند context engineering، مدیریت حافظه، structured output و طراحی خروجی‌های قابل پردازش آموزش داده خواهند شد.

در ادامه، شرکت‌کنندگان با مفاهیم prompt chaining، ‏workflow design، ‏tool calling و function calling آشنا می‌شوند و نحوه طراحی سیستم‌های چندمرحله‌ای مبتنی بر مدل‌های زبانی را فرا می‌گیرند. همچنین روش‌های ارزیابی کیفیت promptها، کاهش hallucination، افزایش reliability و استفاده از قابلیت‌های multimodal مورد بررسی قرار خواهد گرفت.

رویکرد آموزشی دوره مبتنی بر ترکیب مباحث مفهومی، تحلیل الگوهای مورد استفاده در صنعت و پیاده‌سازی عملی است. در پایان دوره نیز یک پروژه جامع اجرا خواهد شد که در آن تمامی مفاهیم آموزش‌داده‌شده در قالب طراحی یک سیستم واقعی مبتنی بر هوش مصنوعی به کار گرفته می‌شوند.

اهمیت یادگیری مهندسی پرامپت پیشرفته چیست؟

با گسترش مدل‌های زبانی بزرگ، مزیت رقابتی دیگر در دسترسی به ابزارهای هوش مصنوعی نیست؛ بلکه در توانایی طراحی سیستم‌هایی است که بتوانند به‌ صورت موثر، پایدار و قابل کنترل از این مدل‌ها استفاده کنند.

بسیاری از پروژه‌های هوش مصنوعی به دلیل ضعف در طراحی context، ساختاردهی promptها، مدیریت حافظه، کنترل خروجی و ارزیابی پاسخ‌ها با محدودیت مواجه می‌شوند. از همین رو، مفاهیمی مانند context engineering، agent design، structured output، tool calling و workflow design به بخش مهمی از دانش مورد نیاز متخصصان این حوزه تبدیل شده‌اند.

یادگیری این مهارت‌ها به دانشجویان کمک می‌کند تا از سطح استفاده‌کننده ابزارهای هوش مصنوعی فراتر رفته و توانایی طراحی راهکارهای عملی مبتنی بر مدل‌های زبانی را به دست آورند.

مهندسی پرامپت چیست؟

در سال‌های اخیر مهندسی پرامپت از مجموعه‌ای از تکنیک‌های ساده برای تعامل با مدل‌های زبانی فراتر رفته و به یکی از اجزای اصلی طراحی سیستم‌های مبتنی بر هوش مصنوعی تبدیل شده است. امروزه دستیابی به خروجی‌های پایدار، قابل اعتماد و قابل استفاده در مقیاس واقعی، تنها با نوشتن یک prompt مناسب امکان‌پذیر نیست و نیازمند درک عمیق‌تری از نحوه مدیریت Context، طراحی workflowها، ساخت agentها و تعامل مدل‌ها با ابزارهای خارجی است.

  • فصل یکم: معماری کار با مدل‌های زبانی در سال‌های اخیر
    • درس ۱: تغییر پارادایم از prompt به LLM system
    • درس ۲: تفاوت مدل‌های زبانی در سطح معماری
    • درس ۳: انتخاب مدل بر اساس نوع ورک‌فلو (workflow)
  • فصل دوم: مفاهیم مرتبط با طراحی context
    • درس ۴: مفهوم context و طراحی آن (به عنوان محصول)
    • درس ۵: تکنیک chunking و summarization در جریان داده واقعی
    • درس ۶: طراحی کانتکست قابل استفاده مجدد
  • فصل سوم: طراحی خروجی‌های قابل استفاده (machine-ready outputs)
    • درس ۷: طراحی خروجی ساختاریافته
    • درس ۸: انواع data contract
  • فصل چهارم: طراحی زنجیره پرامپت به عنوان workflow engine
    • درس ۹: تبدیل یک پرامپت به pipeline چندمرحله‌ای
    • درس ۱۰: شرط اجرا (trigger condition)
  • فصل پنجم: کنترل کیفیت خروجی و کاهش خطا
    • درس ۱۱: انواع خطا در مدل ‌زبانی
    • درس ۱۲: تکنیک grounding
    • درس ۱۳: تکنیک self-verification
  • فصل ششم: اتصال LLM به ابزارها و سیستم‌ها
    • درس ۱۴: مفهوم tool integration و function calling
    • درس ۱۵: بررسی عملی tool integration و function calling
  • فصل هفتم: ارزیابی سیستم‌های پرامپت
    • درس ۱۶: انواع معیار موفقیت پرامپت
    • درس ۱۷: ساخت iterative system
  • فصل هشتم: پروژه عملی
    • درس ۱۸: مقدمات لازم برای شروع پروژه
    • درس ۱۹: مرتب‌سازی و ارزیابی متقاصیان
    • درس ۲۰: امتیازدهی و آنالیز متقاضیان
    • درس ۲۱: نهایی‌سازی خروجی
  • فصل نهم: راهنمایی ادامه مسیر
    • درس ۲۲: جمع‌بندی و نتیجه مباحث
    • درس ۲۳: ادامه یادگیری

سرفصل‌های دوره

  • چکیده
    0:01:02

  • تغییر پارادایم از prompt به LLM system
    رایگان 0:09:59
  • تفاوت مدل‌های زبانی در سطح معماری
    0:09:30
  • انتخاب مدل بر اساس نوع ورک‌فلو (workflow)
    0:06:22
  • تمرین ۱ - ورک‌فلوی ایجنت هوش مصنوعی
  • آزمون ۱

  • مفهوم context و طراحی آن (به عنوان محصول)
    رایگان 0:17:04
  • تکنیک chunking و summarization در جریان داده واقعی
    0:14:00
  • طراحی کانتکست قابل استفاده مجدد
    0:11:38
  • تمرین ۱ - طراحی کانتکست قابل استفاده مجدد
  • آزمون ۲

  • طراحی خروجی ساختاریافته
    رایگان 0:08:36
  • انواع data contract
    0:04:31
  • آزمون ۳

  • تبدیل یک پرامپت به pipeline چندمرحله‌ای
    0:22:04
  • شرط اجرا (trigger condition)
    0:03:00
  • تمرین ۱ - طراحی Pipeline تیکت‌های فروشگاه
  • آزمون ۴

  • انواع خطا در مدل ‌زبانی
    رایگان 0:13:29
  • تکنیک grounding
    0:02:58
  • تکنیک self-verification
    0:05:11
  • تمرین ۱ - شناسایی و اصلاح خطاهای مدل زبانی
  • آزمون ۵

  • مفهوم tool integration و function calling
    0:03:59
  • بررسی عملی tool integration و function calling
    0:10:49
  • آزمون ۶

  • انواع معیار موفقیت پرامپت
    0:07:57
  • ساخت iterative system
    0:01:56
  • آزمون ۷

  • مقدمات لازم برای شروع پروژه
    رایگان 0:07:05
  • مرتب‌سازی و ارزیابی متقاصیان
    0:18:28
  • امتیازدهی و آنالیز متقاضیان
    0:13:54
  • نهایی‌سازی خروجی
    0:15:22
  • آزمون ۸

  • جمع‌بندی و نتیجه مباحث
    0:02:45
  • ادامه یادگیری
    0:05:18
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • آزمون نهایی و دریافت گواهی دوزبانه

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

2,290,000 تومان
458,000 تومان
80% تخفیف

این دوره شامل:
11 فصل آموزشی
3:36:56 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:20:51
تعداد امتیازها: 2
تعداد دانشجو: 22
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: