از مدل و داده تا سیستم‌های هوش مصنوعی قابل تحویل، قابل اعتماد و قابل عملیات
این مسیر برای ساختن توان مهندسی در دو نسل از سیستم‌های AI طراحی شده است: ابتدا مدل‌های ML/DL را به سیستم‌های قابل تکرار، تست، استقرار و پایش تبدیل می‌کنید؛ سپس همین نگاه مهندسی را به LLM، RAG و Agentهای ابزارمحور می‌برید. مقصد، جمع‌کردن ابزارها نیست؛ ساخت سیستمی است که بتوانید معماری، کیفیت، محدودیت‌ها و رفتار آن را توضیح دهید و از آن دفاع کنید.
تصویر مقصد
مهندس AI فقط مدل نمی‌سازد؛ چرخه کامل سیستم را می‌بیند
در پایان مسیر باید بتوانید بین مسئله، داده یا Context، مدل، Evaluation، Software Interface، Deployment و Operations ارتباط برقرار کنید و برای کیفیت و شکست سیستم شواهد داشته باشید.
01
مسئله را به قرارداد فنی تبدیل می‌کنید
KPI، ورودی/خروجی، محدودیت، معیار پذیرش و حالت شکست را پیش از انتخاب ابزار روشن می‌کنید.
02
سیستم ML/DL می‌سازید
Data، Training، Evaluation و Inference را در Pipeline و Repository قابل تکرار و تست قرار می‌دهید.
03
مدل را تحویل و عملیات می‌کنید
Versioning، Registry، API، Docker، CI/CD، پایش سیستم و مدل، Alert و راهنمای اقدام عملیاتی را وارد چرخه می‌کنید.
04
LLM را با Evidence مهندسی می‌کنید
Prompt، Evaluation، بردار معنایی، بازیابی اطلاعات و RAG را با Dataset ارزیابی و تحلیل خطا می‌سازید.
05
Agent کنترل‌شده طراحی می‌کنید
Tool، State، Memory، Approval، MCP و Guardrail را با مرز اختیار روشن به سیستم اضافه می‌کنید.
06
از تصمیم‌ها دفاع می‌کنید
موازنه‌های فنی، Trace، Eval، پایش سیستم و مدل، System Card و راهنمای اقدام عملیاتی را برای Review فنی و پورتفولیو مستند می‌کنید.
معماری مسیر
دو گام؛ از Model Engineering تا GenAI Systems
گام اول پایه مهندسی سیستم‌های ML/DL و عملیات مدل را می‌سازد. گام دوم همین منطق را به سیستم‌های مولد می‌برد؛ جایی که Context، Evaluation، Tool Use، Safety و Trace اهمیت بیشتری پیدا می‌کنند.
۱گام ML Engineer
۱۵ هفته · ۲ کورس
- مهندسی سیستم‌های یادگیری | ML & DL Systems، ۹ هفته
- MLOps | مهندسی عملیات یادگیری ماشین، ۶ هفته
- Pipeline، Testing، DVC/MLflow و Registry
- API، Docker، CI/CD، پایش سیستم و مدل و راهنمای اقدام عملیاتی
۲گام GenAI Engineer
۱۵ هفته · ۲ کورس
- مهندسی سامانه‌های LLM و RAG، ۸ هفته
- مهندسی سامانه‌های عامل‌محور | Agentic AI Systems، ۷ هفته
- Evaluation، RAG، تنظیم دقیق مدل/Adaptation و LLMOps
- Agent، Tool/MCP، Approval، Guardrails و ارزیابی عامل هوشمند
یک خط داستانی، نه چهار جزیره آموزشی
هر کورس یک لایه جدید به توان مهندسی شما اضافه می‌کند
Model → System
مسئله، داده، Baseline، Modeling و Evaluation را به Pipeline، Code، Test و معماری سیستم تبدیل می‌کنید.
System → Operations
Versioning، Registry، Service، Container، Release و پایش سیستم و مدل را به چرخه مدل اضافه می‌کنید.
LLM → Grounded Application
قرارداد فنی سامانه مدل زبانی، Eval Dataset، بازیابی اطلاعات/RAG، Application و سازگارکردن مدل را برای پاسخ قابل سنجش می‌سازید.
Application → Controlled Agent
Tool Use، State، Memory، Approval، MCP، Guardrail، Agent Eval و شبیه‌سازی محیط واقعی را وارد سیستم می‌کنید.
یادگیری پروژه‌محور
پروژه‌ها نقش دارند، نه فقط تعداد
پروژه مرجع برای دیدن اجرای کامل است، Lab برای تمرین یک مهارت محدود، Case Study برای مقایسه معماری و پروژه فردی برای ساخت Work of Evidence شما.
از داده حسگر تا سرویس قابل پایش
چرخه کلاسیک ML Engineering
سامانه هشدار زودهنگام خرابی آسانسور با داده‌های حسگر
Temporal Data، Feature Pipeline، Evaluation، Error Analysis و Repository قابل تکرار.
طبقه‌بندی متن با Transformer
تنظیم دقیق مدل و Inference همراه با مقایسه کیفیت، اندازه مدل و Latency.
تبدیل سیستم ML به سرویس قابل عملیات
Versioning، Registry، API، Docker، CI/CD و پایش سیستم و مدل.
از پاسخ مستند تا اقدام کنترل‌شده
دو داستان مرجع برای سیستم‌های GenAI
سامانه پاسخ‌گویی هوشمند پشتیبانی با منابع مستند
از Baseline و Eval Dataset تا بازیابی اطلاعات/RAG، Citation، API، Security، Docker و Trace.
دستیار تحقیق بازار و آماده‌سازی پیام فروش با تأیید انسانی
Research، Tool Use، Review، تأیید انسانی، MCP، Guardrails و پایش سیستم و مدل در محیط کنترل‌شده.
پروژه شخصی، محل تبدیل یادگیری به شواهد توانمندی
در هر گام پروژه فردی با Gate و Review رشد می‌کند
Work of Evidence
به‌جای نمایش یک Demo، داستان مهندسی پروژه را نشان دهید
پورتفولیو باید مسئله، تصمیم‌ها، Evaluation، معماری، Failureها و نحوه تحویل و عملیات را قابل مشاهده کند. در گام GenAI یکی از Trackهای تثبیت‌شده مانند Video، SQL، HR، ورودی چندوجهی، Summarization یا Data انتخاب می‌شود.
- ۱Contract و معیار پذیرش
- ۲Build و Evaluation
- ۳Delivery و Trace
- ۴پایش سیستم و مدل، Documentation و Defense
خروجی قابل نگهداری
پورتفولیو باید نشان دهد سیستم چگونه کار می‌کند و کجا ممکن است شکست بخورد
مخزن کد و خطوط پردازش
کد ماژولار، Config و Workflow قابل تکرار.
شواهد ارزیابی
Dataset ارزیابی، Metric/Rubric، Error Slice و Regression Test.
سرویس و محفظه اجرایی
Interface، Validation، Logging، Health Check و محیط اجرای قابل انتقال.
نسخه‌بندی و انتشار
Registry/Artifact، CI/CD و منطق Release/Rollback.
پاسخ مبتنی بر بازیابی و گردش‌کار عامل
Context، بازیابی اطلاعات یا Tool Flow، Trace، Approval و Guardrail.
شناسنامه سیستم و راهنمای اقدام عملیاتی
معماری، محدودیت، ریسک، پایش سیستم و مدل و Failure Scenario.
از کجا وارد مسیر شوم؟
یک مسیر، اما نه یک نقطه شروع اجباری برای همه
پیش‌زمینه شما تعیین می‌کند کجا به Catch-up نیاز دارید.
DEVاز Software Development می‌آیید
- می‌توانید از ML Engineer وارد شوید.
- Data Preparation، Modeling و Evaluation موردنیاز در بستر پروژه‌ها طی می‌شود.
- آشنایی قبلی با ML مزیت است، نه شرط قطعی.
- برای عمق الگوریتمی، «مدل‌ساز داده‌محور» مسیر مکمل است.
DSاز Data Science / ML می‌آیید
- ML Engineer نقطه ورود طبیعی شماست.
- تمرکز روی Software/System Engineering و MLOps خواهد بود.
- GenAI Engineer لایه LLM/RAG/Agent را اضافه می‌کند.
AIپایه مهندسی معادل دارید و فقط GenAI می‌خواهید
- ورود مستقیم به گام دوم ممکن است.
- باید پروژه Python/API را مستقل اجرا کنید.
- Git/Linux، Docker و Evaluation را در سطح عملی بلد باشید.
- چک‌لیست اختصاصی GenAI را بررسی کنید.
0از صفر برنامه‌نویسی شروع می‌کنید
- این مسیر آموزش Python از صفر نیست.
- گام «تکنسین دیتاساینس» و Linux برای Catch-up فنی مناسب‌ترند.
خودارزیابی پیش از ثبت‌نام
آیا برای شروع ML Engineer آماده‌اید؟
این چک‌لیست آزمون ورودی نیست. هدف، تشخیص آمادگی و Catch-up موردنیاز است.
✓ضروری
- Function، ساختارهای داده و Exceptionهای معمول Python
- خواندن و تغییر کد و دنبال‌کردن Traceback
- Module/Package و Virtual Environment
- Pandas و کار پایه با داده
- CSV/JSON
- Git: clone/status/add/commit/pull/push
- Branch و اجرای Repository از روی README
- Terminal و Commandهای پایه
- Path، Permission و Environment Variable
- HTTP، Request/Response، JSON و REST API
- دنبال‌کردن مستندات فنی انگلیسی، در صورت نیاز با کمک AI
- زمان منظم هفتگی برای تمرین و پروژه
+مزیت و قابل جبران
- Classification و Regression
- Train/Validation/Test و Overfitting
- Precision، Recall، F1 یا Metricهای مشابه
- Cleaning، Encoding و Feature Preparation
- تجربه fit/predict با scikit-learn
- Probability، Statistics و Vector/Matrix در حد کاربردی
- Neural Network، Loss و Training در حد مقدماتی
- Docker، SQL یا ساخت API
Catch-up هدفمند
اگر بخشی از پایه‌ها را ندارید، لازم نیست یک مسیر کامل را دوباره بخوانید
پایه فنی کم‌رنگ است؟
برای Python، Git، منابع داده، API و اجرای End-to-End پروژه، محتوای مرتبط گام تکنسین دیتاساینس و Linux پیشنهاد می‌شود.
ML/DL عمیق‌تر می‌خواهید؟
گام مدل‌ساز داده‌محور با داده‌کاوی و یادگیری ماشین کاربردی و یادگیری عمیق کاربردی، مکمل مناسب برای مهندسی ویژگی، الگوریتم‌ها، Evaluation، Tuning و تحلیل خطاست.
مرزبندی صادقانه
این مسیر چه چیزی هست و چه چیزی نیست؟
| حوزه | جایگاه |
|---|---|
| ML/DL Systems، Pipeline، Testing و بازتولیدپذیری | محوری |
| MLOps، API، Docker، CI/CD و پایش سیستم و مدل | محوری |
| LLM، Evaluation، RAG و Context Engineering | محوری |
| سازگارکردن مدل، SFT، LoRA/PEFT یا API تنظیم دقیق مدل | کاربردی و تصمیم‌محور |
| Agent، Tool/MCP، Approval، Guardrails و ارزیابی عامل هوشمند | محوری |
| آموزش جامع الگوریتم‌های ML/DL از صفر | خارج از هدف اصلی؛ مفاهیم لازم در پروژه پوشش داده می‌شوند. |
| Kubernetes و Cloud Infrastructure پیچیده | خارج از تعهد اصلی مسیر |
| Foundation برنامه‌نویسی از صفر | خارج از Scope؛ Catch-up فنی توصیه می‌شود. |
چهار سیستم می‌سازید؛ هرکدام یک لایه از مهندسی AI
این مسیر با فهرست ابزارها تعریف نمی‌شود. ابتدا یک مدل روی داده واقعی را به سیستم قابل تکرار تبدیل می‌کنید، بعد آن را به سرویس قابل پایش می‌رسانید، سپس یک سامانه پاسخ‌گویی مبتنی بر منابع می‌سازید و در پایان عامل ابزارمحوری طراحی می‌کنید که اختیار و شکست آن قابل مشاهده و کنترل باشد.
در طول مسیر دو پروژه فردی متمایز می‌سازید: یک نمونه‌کار ML Engineering و یک نمونه‌کار GenAI. هر دو باید داستان مهندسی داشته باشند؛ یعنی هدف، معیار پذیرش، تصمیم‌های معماری، ارزیابی، شکست‌ها، محدودیت‌ها و شواهد عملیات آن‌ها قابل ارائه باشد.
پیش از انتخاب مسیر
پرسش‌های پرتکرار
برنامه‌نویسم ولی Machine Learning بلد نیستم؛ می‌توانم شروع کنم؟
بله، اگر Foundation فنی لازم را دارید. در ML Engineer مسیر Data Preparation، Modeling، Evaluation و Error Analysis در متن پروژه‌ها طی می‌شود. آشنایی قبلی با ML مزیت است، نه شرط قطعی؛ اما مسیر جایگزین آموزش جامع الگوریتم‌ها از صفر نیست.
اگر Data Scientist باشم، مسیر چه چیزی اضافه می‌کند؟
عبور از Notebook و Model Training به Software/System Engineering، بازتولیدپذیری، Delivery، MLOps و سپس LLM/RAG/Agent Systems.
اگر ML و DL را عمیق‌تر بخواهم چه کنم؟
گام «مدل‌ساز داده‌محور» برای عمق بیشتر در داده‌کاوی، ML/DL کاربردی، مهندسی ویژگی، Evaluation و Tuning پیشنهاد می‌شود.
می‌توانم مستقیماً از GenAI Engineer شروع کنم؟
اگر پایه مهندسی معادل دارید، بله. توان مستقل اجرای پروژه Python/API، Git/Linux، Docker و Evaluation لازم است و باید چک‌لیست اختصاصی GenAI را بررسی کنید.
تنظیم دقیق مدل مدل‌های LLM در مسیر وجود دارد؟
بله. در LLM & RAG Systems، تصمیم Prompt/RAG/تنظیم دقیق مدل، Dataset Engineering، SFT، LoRA/PEFT یا تنظیم دقیق مدل مبتنی بر API و ارزیابی قبل/بعد پوشش داده می‌شود.
آیا باید هر چهار کورس را یکجا بگذرانم؟
معماری مسیر پیوسته است، اما دو گام مهارتی هویت مستقل دارند. نقطه ورود مناسب به پیش‌زمینه و هدف شما وابسته است و گزینه‌های فعال در صفحه ثبت‌نام اعلام می‌شود.
Kubernetes و Cloud بخش اصلی مسیرند؟
خیر. تمرکز روی اصول و ابزارهای ساخت، تحویل، ارزیابی و عملیات سیستم AI است؛ زیرساخت پیچیده Cloud خارج از تعهد اصلی است.
پایان مسیر یعنی تضمین استخدام؟
خیر. مسیر مهارت و Work of Evidence می‌سازد؛ نتیجه شغلی به کیفیت پروژه، سابقه، بازار، رزومه، مصاحبه و پیگیری فردی نیز وابسته است.
قدم بعدی
نقطه ورود درست را انتخاب کنید، بعد سیستم بسازید
برنامه چهار کورس را بررسی کنید، چک‌لیست آمادگی را با وضعیت خود تطبیق دهید و گزینه‌های ثبت‌نام فعال مسیر یا هر گام را ببینید.
یگانه یحیوی –
دوره بسیار خوبی هست
من وقتی قصد ثبت نام در این دوره رو داشتم سرفصل هایی که قرار بود درس داده بشه رو یا دقت مورد بررسی قرار دادم و بی شک یکی از کامل ترین دوره های موجود در این حوزه است . و مطالب کاملا از سطح مناسبی برخوردار هستن و برای ورود به صنعت و بازار کار مناسب هستند.
اساتیدی هم که در دوره حضور دارن فوق العاده با تجربه هم در تدریس هم در صنعت هستند و بیان بسیار شیوایی دارن و به طور کامل قدرت انتقال مطلب رو به دانشجو ها دارن
امیرشایان علی زرندی –
سلام وقتتون بخیر
حقیقتا یه مقدار شاید زود باشه برای انتقاد یا پیشنهاد چون هنوز در مقدمات هستیم ،به طور کلی خوب هست مباحثی که تاحالا پوشش داده شده خیلی کامل و مفصل هست و همینطور که استاد هم سواد بالایی دارند و هم تجربه دارند و صرفا فقط یه سری مبحث رو حفظ نکردن مثل بقیه دوره های مشابه بیان هر جلسه درس بدن و برن.انتقاد هم فعلا مسئله ی خاصی نیست فقط فعلا پروژه و تمرین خاصی نیست که ما رو درگیر کنه امیدوارم در طول دوره این قسمت بیشتر بهش پرداخته بشه که ما هم فقط صرفا بیننده نباشیم و یه اجبار و محرکی برامون باشه تا پروژه انجام بدیم😅.