هوش مصنوعی و علم داده به فارسی: post #3115 — TG.ME

نقشه راه مهندسی هوش مصنوعی

‏اگر قصد دارید به صورت حرفه‌ای وارد حوزه مهندسی هوش مصنوعی (AI Engineering) شوید، این منبع جامع یکی از بهترین نقشه‌راه‌ها برای درک مفاهیم از صفر تا صد است. این کتاب تمامی مباحث کلیدی از نحوه عملکرد مدل‌های زبانی (LLM) تا استقرار ایجنت‌های هوشمند را پوشش می‌دهد. جزئیات معماری، قابلیت‌ها و محدودیت‌های فنی در بررسی فنی مدل با دقت بیشتری مرور شده است.

‏مهم‌ترین محورهای آموزشی این کتاب:

‏* مبانی LLM: بررسی معماری ترنسفورمر، توکنایزیشن، کدگذاری موقعیتی (Positional Encoding) و استراتژی‌های آموزش مدل از صفر.
‏* مهندسی پرامپت: تکنیک‌های پیشرفته برای هدایت مدل و استفاده از Verbalized Sampling جهت افزایش تنوع و کیفیت پاسخ‌ها.
‏* مدل‌های MoE: درک معماری Mixture of Experts، نقش Router در انتخاب متخصص‌ها و چالش‌های تعادل در آموزش.
‏* سیستم‌های ایجنتی: پیاده‌سازی ReAct از صفر، الگوهای طراحی ایجنتیک، پروتکل‌های ارتباطی MCP و استراتژی‌های مقیاس‌پذیر برای استقرار ایجنت‌ها.
‏* استراتژی‌های تولید متن: بررسی دقیق روش‌هایی مانند Beam Search و Min-P Sampling برای کنترل خروجی مدل.

📊 DataScience
@DataPlusScience_linkedin_7496240774397906944_01.pdf10.4 MB · PDF
August 27, 2026 234 17