دوره آموزشی هوش مصنوعی مولد برای توسعهدهندگان پرمشغله جاوا
4 ساعت 19 دقیقهمتوسط2026-03-10
مدرسین

Pearson
جزئیات دوره
هوش مصنوعی مولد (Generative AI) و یادگیری ماشین (Machine Learning) در حال تغییر شیوه توسعه نرمافزار هستند و برنامهنویسان امروزی نیاز دارند علاوه بر مهارتهای سنتی کدنویسی، توانایی استفاده از مدلهای هوش مصنوعی در فرآیند طراحی و ساخت نرمافزار را نیز کسب کنند. زبان Java با اکوسیستم گسترده خود، یکی از بسترهای مهم برای توسعه برنامههای سازمانی است و ترکیب آن با فناوریهای هوش مصنوعی میتواند امکان ساخت برنامههای هوشمند، دستیارهای مبتنی بر AI و سیستمهای پردازش دانش پیشرفته را فراهم کند.
این دوره یک راهنمای عملی برای استفاده از ابزارهای Machine Learning و Generative AI در فرآیند توسعه نرمافزار مبتنی بر Java ارائه میدهد. در طول دوره یاد میگیرید چگونه سرویسهای هوش مصنوعی مدرن مانند OpenAI ChatGPT، Google Gemini و Anthropic Claude را با برنامههای Java یکپارچه کنید و با استفاده از LangChain4j API برنامههای هوشمند و کاربردی ایجاد نمایید.
در بخش ابتدایی دوره، با مفاهیم پایه هوش مصنوعی مولد، مدلهای زبانی بزرگ (Large Language Models - LLMs) و تفاوت میان انواع اصلی یادگیری عمیق (Deep Learning) آشنا میشوید. سپس نحوه تعامل مؤثر با مدلهای هوش مصنوعی از طریق طراحی پرامپت (Prompt Engineering) بررسی میشود و یاد میگیرید چگونه ساختار درخواستها را به گونهای طراحی کنید که خروجیهای دقیقتر و کاربردیتری دریافت نمایید.
یکی از بخشهای کلیدی دوره به مفاهیم فنی موردنیاز برای ساخت برنامههای مبتنی بر LLM اختصاص دارد. در این بخش با Context Management (مدیریت زمینه)، Embeddings (بردارهای معنایی)، REST APIs، پردازش Streaming و معماری Retrieval-Augmented Generation (RAG) آشنا میشوید. این مفاهیم پایه ساخت سیستمهایی هستند که میتوانند اطلاعات اختصاصی سازمانی یا مجموعهای از اسناد خصوصی را درک کرده و پاسخهای هوشمند ارائه دهند.
در ادامه، نحوه استفاده از Embeddingها برای سناریوهای مختلف مانند جستجوی معنایی (Semantic Search)، بازیابی اطلاعات و ساخت سیستمهای مبتنی بر دانش بررسی میشود. همچنین یاد میگیرید چگونه یک پایگاه داده برداری (Vector Database) مناسب انتخاب کنید، دادههای موردنیاز را در آن ذخیره نمایید و از آن برای افزایش کیفیت پاسخهای مدلهای هوش مصنوعی استفاده کنید.
بخش عملی دوره شامل نمونههای متعدد کدنویسی با Java است که تکنیکهای مختلف Prompting، اتصال به مدلهای هوش مصنوعی و معماری برنامههای GenAI را نمایش میدهد. در پایان دوره، نحوه طراحی و پیادهسازی یک Chatbot هوشمند آموزش داده میشود که قادر است مجموعهای از اسناد خصوصی را پردازش کرده و بر اساس محتوای آنها پاسخهای مرتبط ارائه دهد.
این دوره برای توسعهدهندگان Java، مهندسان نرمافزار، برنامهنویسان Backend و افرادی طراحی شده است که قصد دارند مهارتهای خود را در زمینه توسعه برنامههای هوشمند و استفاده حرفهای از هوش مصنوعی مولد در پروژههای نرمافزاری ارتقا دهند.
پس از پایان این دوره، توانایی ساخت برنامههای مبتنی بر Generative AI با Java، استفاده از LangChain4j، طراحی Promptهای مؤثر، مدیریت Context، کار با Embeddingها و پیادهسازی سیستمهای RAG و Chatbotهای هوشمند را خواهید داشت.
🎯 اهداف یادگیری
تشریح تفاوت میان انواع اصلی Deep Learning و نقش آنها در توسعه سیستمهای هوشمند
طراحی و ساختاردهی Promptها برای دریافت خروجیهای دقیق و کاربردی از مدلهای هوش مصنوعی
ایجاد برنامههای کاربردی Generative AI با استفاده از Java و LangChain4j API
یکپارچهسازی سرویسهای هوش مصنوعی مانند ChatGPT، Gemini و Claude در برنامههای Java
استفاده از Embeddings برای حل مسائل مختلف پردازش و بازیابی اطلاعات
مدیریت Context برای بهبود کیفیت پاسخهای Large Language Models
پیادهسازی معماری Retrieval-Augmented Generation (RAG) برای کار با دادههای اختصاصی
انتخاب و استفاده مناسب از Vector Database برای ذخیره و جستجوی دادههای معنایی
طراحی و توسعه Chatbotهای هوشمند مبتنی بر اسناد و منابع خصوصی
بهکارگیری تکنیکهای پیشرفته Generative AI در فرآیند توسعه نرمافزار Java
این دوره یک راهنمای عملی برای استفاده از ابزارهای Machine Learning و Generative AI در فرآیند توسعه نرمافزار مبتنی بر Java ارائه میدهد. در طول دوره یاد میگیرید چگونه سرویسهای هوش مصنوعی مدرن مانند OpenAI ChatGPT، Google Gemini و Anthropic Claude را با برنامههای Java یکپارچه کنید و با استفاده از LangChain4j API برنامههای هوشمند و کاربردی ایجاد نمایید.
در بخش ابتدایی دوره، با مفاهیم پایه هوش مصنوعی مولد، مدلهای زبانی بزرگ (Large Language Models - LLMs) و تفاوت میان انواع اصلی یادگیری عمیق (Deep Learning) آشنا میشوید. سپس نحوه تعامل مؤثر با مدلهای هوش مصنوعی از طریق طراحی پرامپت (Prompt Engineering) بررسی میشود و یاد میگیرید چگونه ساختار درخواستها را به گونهای طراحی کنید که خروجیهای دقیقتر و کاربردیتری دریافت نمایید.
یکی از بخشهای کلیدی دوره به مفاهیم فنی موردنیاز برای ساخت برنامههای مبتنی بر LLM اختصاص دارد. در این بخش با Context Management (مدیریت زمینه)، Embeddings (بردارهای معنایی)، REST APIs، پردازش Streaming و معماری Retrieval-Augmented Generation (RAG) آشنا میشوید. این مفاهیم پایه ساخت سیستمهایی هستند که میتوانند اطلاعات اختصاصی سازمانی یا مجموعهای از اسناد خصوصی را درک کرده و پاسخهای هوشمند ارائه دهند.
در ادامه، نحوه استفاده از Embeddingها برای سناریوهای مختلف مانند جستجوی معنایی (Semantic Search)، بازیابی اطلاعات و ساخت سیستمهای مبتنی بر دانش بررسی میشود. همچنین یاد میگیرید چگونه یک پایگاه داده برداری (Vector Database) مناسب انتخاب کنید، دادههای موردنیاز را در آن ذخیره نمایید و از آن برای افزایش کیفیت پاسخهای مدلهای هوش مصنوعی استفاده کنید.
بخش عملی دوره شامل نمونههای متعدد کدنویسی با Java است که تکنیکهای مختلف Prompting، اتصال به مدلهای هوش مصنوعی و معماری برنامههای GenAI را نمایش میدهد. در پایان دوره، نحوه طراحی و پیادهسازی یک Chatbot هوشمند آموزش داده میشود که قادر است مجموعهای از اسناد خصوصی را پردازش کرده و بر اساس محتوای آنها پاسخهای مرتبط ارائه دهد.
این دوره برای توسعهدهندگان Java، مهندسان نرمافزار، برنامهنویسان Backend و افرادی طراحی شده است که قصد دارند مهارتهای خود را در زمینه توسعه برنامههای هوشمند و استفاده حرفهای از هوش مصنوعی مولد در پروژههای نرمافزاری ارتقا دهند.
پس از پایان این دوره، توانایی ساخت برنامههای مبتنی بر Generative AI با Java، استفاده از LangChain4j، طراحی Promptهای مؤثر، مدیریت Context، کار با Embeddingها و پیادهسازی سیستمهای RAG و Chatbotهای هوشمند را خواهید داشت.
🎯 اهداف یادگیری
تشریح تفاوت میان انواع اصلی Deep Learning و نقش آنها در توسعه سیستمهای هوشمند
طراحی و ساختاردهی Promptها برای دریافت خروجیهای دقیق و کاربردی از مدلهای هوش مصنوعی
ایجاد برنامههای کاربردی Generative AI با استفاده از Java و LangChain4j API
یکپارچهسازی سرویسهای هوش مصنوعی مانند ChatGPT، Gemini و Claude در برنامههای Java
استفاده از Embeddings برای حل مسائل مختلف پردازش و بازیابی اطلاعات
مدیریت Context برای بهبود کیفیت پاسخهای Large Language Models
پیادهسازی معماری Retrieval-Augmented Generation (RAG) برای کار با دادههای اختصاصی
انتخاب و استفاده مناسب از Vector Database برای ذخیره و جستجوی دادههای معنایی
طراحی و توسعه Chatbotهای هوشمند مبتنی بر اسناد و منابع خصوصی
بهکارگیری تکنیکهای پیشرفته Generative AI در فرآیند توسعه نرمافزار Java
سرفصل ها
مقدمه
- GenAI برای توسعهدهندگان جاوا - مقدمه
ریشههای هوش مصنوعی، الگوها و طبقهبندی هوش مصنوعی و یادگیری ماشین را کشف کنید
- اهداف یادگیری
- سیر تکامل تاریخی الگوها، هوش مصنوعی و یادگیری ماشینی را شرح دهید
- تفاوت بین GenAI و PredAI را توضیح دهید
- شناسایی الگوهای رایج مورد استفاده در توسعه نرمافزار
در مورد شبکههای عصبی، وزنها و LLMها اطلاعات کسب کنید
- اهداف یادگیری
- ساختار یک شبکه عصبی پایه را نشان دهید
- نقش وزنها را در فرآیند یادگیری توضیح دهید
- اصطلاحات پایه GenAI را تعریف کنید
- فرآیند آموزش و ماهیت تصادفی مدلهای GenAI را شرح دهید
- مقایسه برنامهنویسی قطعی سنتی با مدلهای احتمالی GenAI
از مهندسی سریع و زمینهسازی استفاده کنید
- اهداف یادگیری
- با استفاده از تکنیکهای صفر-شلیک، چند-شلیک و زنجیرهی افکار، دستورالعملهای مؤثر طراحی کنید
- اهمیت زمینه را در موفقیت سریع و ثبات نتیجه توضیح دهید
- پنجره زمینه و ماهیت بدون وضعیت یک اتصال LLM را توضیح دهید
- مقایسه نقشهای مختلف پیام - سیستم، کاربر و دستیار
- چند شیوه مفید و مناسب برای زمینهسازی را شرح دهید.
یادگیری APIهای GenAI برای توسعهدهندگان جاوا - REST و APIهای جاوا
- اهداف یادگیری
- انواع مختلف دسترسی برنامهنویسیشده به سرویسهای GenAI را شرح دهید
- مقایسه فراخوانیهای مختلف REST از ارائهدهندگان محبوب GenAI
- نمایش فراخوانیهای REST و کامپوننتهای پیام
- تاریخچه LangChain4j را توضیح دهید
- مشخص کنید که چرا یک API انتزاعی برای توسعهدهندگان جاوا مفید است
- مثالهای ساده LangChain4j را نشان دهید
اصول اولیه LangChain4j را کشف کنید
- اهداف یادگیری
- تعریف اجزای اصلی LangChain4j
- نصب و پیکربندی LangChain4j در یک پروژه جاوا با استفاده از Gradle Maven
- نحوه ارسال پیامهای کاربری و پیامهای سیستمی به یک LLM را نشان دهید
- یک چتبات ساده با متن سریع پیادهسازی کنید
- نشان دهید که چگونه میتوان از دادههای خارجی به عنوان زمینه برای چتبات استفاده کرد.
- اعمال حافظه برای حفظ وضعیت مکالمه
- پیادهسازی یک چتبات پایه با استفاده از ChatMemory
از قالبهای آماده استفاده کنید
- اهداف یادگیری
- مشخص کنید که چرا قالبها مفید هستند
- ایجاد قالبهای اعلان قابل استفاده مجدد با استفاده از LangChain4j
- نمایش ترکیب سریع پویا با استفاده از متغیرهای جاوا
- مزایا و معایب قالبهای آماده را مشخص کنید
معماری چتبات را درک کنید
- اهداف یادگیری
- نمودار ساختار معماری یک چتبات را رسم کنید
- نقشهای پیامهای سیستم، کاربر و دستیار را با یک ربات چت مشخص کنید
- کاربرد AiService مربوط به LangChain4j را توضیح دهید
- زمینه و هزینههای چتبات را ارزیابی کنید
- یک چتبات را نشان دهید که زمینه مکالمه را حفظ میکند
بازیابی یادگیری با تولید افزوده (RAG)
- اهداف یادگیری
- روشهای اساسی برای وادار کردن یک LLM به برگرداندن یک نتیجه مفید را درک کنید
- انگیزه و معماری پشت RAG را توضیح دهید.
- فرآیند بازیابی و تزریق سند را شرح دهید
- مزایای سیستم مبتنی بر RAG را مشخص کنید.
- شناسایی مشکلات بالقوه و حالتهای خرابی سیستمهای مبتنی بر بازیابی
درک بردارهای جاسازی شده و شباهت
- اهداف یادگیری
- درک کنید که چرا شباهت برای GenAI مورد نیاز است
- تعریف جاسازیها و نمایش ریاضی آنها
- مقایسه جاسازیهای دوبعدی، سهبعدی و Nd
- نحوه ایجاد جاسازی متن را نشان دهید
- مدل جاسازی LangChain4j را شرح دهید
- محاسبه شباهت بین بردارها برای رتبهبندی ارتباط متن
درباره فروشگاههای وکتور اطلاعات کسب کنید
- اهداف یادگیری
- توضیح دهید که چرا به فروشگاههای وکتور نیاز است؟
- گزینههای مختلف فروشگاه وکتور را طبقهبندی کنید
- اهمیت استراتژی قطعهبندی را درک کنید
- معماری EmbeddingStore و data ingestion در LangChain4j را شرح دهید.
- ساخت یک فهرست و جستجو روی آن با استفاده از جاسازی شباهت
اصول اولیه Agentها را درک کنید
- اهداف یادگیری
- مشخص کردن اینکه ابزار چیست (فراخوانی تابع)
- رابطه بین مدلهای استدلال و ابزارها را درک کنید
- نحوه استفاده از ابزار با AiService را نشان دهید
- تعریف کنید که یک عامل چیست؟
- چارچوبهای فعلی و وضعیت فعلی عاملها را شرح دهید
جمعبندی و مراحل بعدی
- اهداف یادگیری
- خلاصه مفاهیم اصلی هر فصل را بیان کنید.
- ابزارها، کتابخانهها و منابع مورد استفاده در دوره را فهرست کنید
- بررسی کنید که GenAI در کدام قسمت از گردشهای کاری توسعه جاوا به بهترین شکل جای میگیرد
- حوزههای پیشرفته برای مطالعه عمیقتر را شناسایی کنید
خلاصه
- GenAI برای توسعهدهندگان پرمشغله جاوا - خلاصه