دوره آموزشی RAG، اپهای هوش مصنوعی و عوامل هوش مصنوعی برای امنیت سایبری و شبکهها
5 ساعت 21 دقیقهمتوسط2025-09-10
مدرسین

Pearson

Omar Santos
جزئیات دوره
توی این دوره چهار ساعته، یاد میگیری چطور از قدرت Large Language Models (LLMs) توی دنیای امنیت سایبری و شبکهها استفاده کنی، هم برای عملیات حملات (Offensive) و هم برای دفاع (Defensive). این دوره بهت مهارتهای عملی میده که دنیای امنیت و شبکه امروز رو داره متحول میکنه.
با مفاهیم پایهای RAG (Retrieval-Augmented Generation) شروع میکنیم و به مرور مسیر میریم تا ایجاد ایجنتهای پیشرفته با استفاده از فریمورکهای استاندارد صنعتی مثل LangChain، AutoGen و LangGraph رو یاد بگیری.
این دوره فقط تئوری نیست! با مثالهای واقعی و قدمبهقدم کدنویسی با هوش مصنوعی کار میکنیم تا مهارتهای عملیت تقویت بشه. فرقی نمیکنه که:
تو تیم قرمز (Red Team) باشی و بخوای حملات پیشرفته بسازی
یا تیم آبی (Blue Team) باشی و دنبال تقویت دفاعها باشی
یا پژوهشگر امنیتی باشی و بخوای مرزهای AI تو امنیت سایبری رو کشف کنی
یا متخصص شبکه باشی که نیاز به دانش AI داره
این دوره پایهها و مهارتهای کلیدی رو بهت میده که همیشه یک قدم جلوتر باشی.
اهداف یادگیری
یادگیری اصول پایه و کاربرد عملی RAG، LangChain، LangGraph و LlamaIndex
مقایسه پیادهسازیهای مختلف RAG: Traditional RAG، RAG Fusion و RAPTOR برای بهینهسازی بازیابی و پردازش اطلاعات
بررسی مطالعات موردی واقعی و اجرای نمایشهای عملی از عملیات امنیتی و شبکه با کمک هوش مصنوعی
پیادهسازی RAG برای بازیابی پویا، رتبهبندی مجدد و اتوماسیون پیشرفته در سناریوهای امنیت سایبری و شبکه
با مفاهیم پایهای RAG (Retrieval-Augmented Generation) شروع میکنیم و به مرور مسیر میریم تا ایجاد ایجنتهای پیشرفته با استفاده از فریمورکهای استاندارد صنعتی مثل LangChain، AutoGen و LangGraph رو یاد بگیری.
این دوره فقط تئوری نیست! با مثالهای واقعی و قدمبهقدم کدنویسی با هوش مصنوعی کار میکنیم تا مهارتهای عملیت تقویت بشه. فرقی نمیکنه که:
تو تیم قرمز (Red Team) باشی و بخوای حملات پیشرفته بسازی
یا تیم آبی (Blue Team) باشی و دنبال تقویت دفاعها باشی
یا پژوهشگر امنیتی باشی و بخوای مرزهای AI تو امنیت سایبری رو کشف کنی
یا متخصص شبکه باشی که نیاز به دانش AI داره
این دوره پایهها و مهارتهای کلیدی رو بهت میده که همیشه یک قدم جلوتر باشی.
اهداف یادگیری
یادگیری اصول پایه و کاربرد عملی RAG، LangChain، LangGraph و LlamaIndex
مقایسه پیادهسازیهای مختلف RAG: Traditional RAG، RAG Fusion و RAPTOR برای بهینهسازی بازیابی و پردازش اطلاعات
بررسی مطالعات موردی واقعی و اجرای نمایشهای عملی از عملیات امنیتی و شبکه با کمک هوش مصنوعی
پیادهسازی RAG برای بازیابی پویا، رتبهبندی مجدد و اتوماسیون پیشرفته در سناریوهای امنیت سایبری و شبکه
مهارت ها
Orchestrating AI SystemsAI Agents and Agentic SystemsAI Development Tools and PlatformsBuilding with AIIncident ResponseNetwork AdministrationCybersecurityNetwork and System AdministrationOne-Off
سرفصل ها
مقدمه
- عاملهای هوش مصنوعی و RAG عاملدار برای امنیت سایبری - مقدمه
مقدمهای بر RAG در امنیت سایبری
- اهداف یادگیری
- مقدمهای بر تولید افزوده بازیابی (RAG)
- بررسی مخازن GitHub و منابع اضافی
- جاسازیها و مدلهای جاسازی
- تکنیکهای فهرستبندی
- پایگاههای داده برداری
- استراتژیهای قطعهبندی
- RAG در مقابل تنظیم دقیق
- RAG، RAG فیوژن و RAPTOR
- اجرای مدلهای وزنه آزاد با اولاما
- بررسی Open WebUI و سایر افزونههای Ollama
- مقدمهای بر عاملهای هوش مصنوعی و پیادهسازیهای عاملمحور
- مقدمهای بر RAG عاملی
- معرفی پروتکل زمینه مدل (MCP)
- معرفی A2A و AGNTCY
معرفی LangChain، LangGraph و LlamaIndex
- اهداف یادگیری
- معرفی LangChain
- LangChain در مقابل LlamaIndex
- قالبهای اعلان و اعلانهای سیستم
- معرفی لانگ اسمیت
مثالهایی از مهندسی سریع، زنجیرههای سریع و RAG
- اهداف یادگیری
- تسلط بر مهندسی سریع
- بررسی مثالهای اولیه زنجیره اعلان
- ایجاد زنجیرههای شاخهبندی سریع
- بررسی زنجیرههای اعلان موازی
- ایجاد یک برنامه کاربردی RAG پایه
- ایجاد یک برنامه کامل RAG
عاملهای هوش مصنوعی و چارچوبهای عاملمحور
- اهداف یادگیری
- مقدمهای بر چارچوبهای عامل هوش مصنوعی
- گروه نقشهبرداری
- معرفی LangGraph
- بررسی نمونههایی از LangGraph در عمل
- بررسی نمونهای از عاملها با سرورهای MCP
- ایمنسازی پیادهسازیهای عاملمحور
نتیجهگیری
- عاملهای هوش مصنوعی و RAG عاملدار برای امنیت سایبری - خلاصه