تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی RAG، اپ‌های هوش مصنوعی و عوامل هوش مصنوعی برای امنیت سایبری و شبکه‌ها

دوره آموزشی RAG، اپ‌های هوش مصنوعی و عوامل هوش مصنوعی برای امنیت سایبری و شبکه‌ها

5 ساعت 21 دقیقهمتوسط2025-09-10

مدرسین

Pearson

Pearson

Omar Santos

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

مهارت ها

Natural Language Processing (NLP)Incident ResponseAI Productivity ToolsArtificial Intelligence FoundationsArtificial Intelligence for BusinessNetwork AdministrationCybersecurityArtificial Intelligence (AI)Network and System AdministrationBusiness Software and ToolsOne-Off

سرفصل ها

۰. مقدمه

  • 01 - عامل‌های هوش مصنوعی و RAG عامل‌دار برای امنیت سایبری - مقدمه

۱. مقدمه‌ای بر RAG در امنیت سایبری

  • 02 - اهداف یادگیری
  • 03 - مقدمه‌ای بر تولید افزوده بازیابی (RAG)
  • 04 - بررسی مخازن GitHub و منابع اضافی
  • 05 - جاسازی‌ها و مدل‌های جاسازی
  • 06 - تکنیک‌های فهرست‌بندی
  • 07 - پایگاه‌های داده برداری
  • 08 - استراتژی‌های قطعه‌بندی
  • 09 - RAG در مقابل تنظیم دقیق
  • 10 - RAG، RAG فیوژن و RAPTOR
  • 11 - اجرای مدل‌های وزنه آزاد با اولاما
  • 12 - بررسی Open WebUI و سایر افزونه‌های Ollama
  • 13- مقدمه‌ای بر عامل‌های هوش مصنوعی و پیاده‌سازی‌های عامل‌محور
  • 14- مقدمه‌ای بر RAG عاملی
  • 15- معرفی پروتکل زمینه مدل (MCP)
  • 16- معرفی A2A و AGNTCY

۲. معرفی LangChain، LangGraph و LlamaIndex

  • 17 - اهداف یادگیری
  • 18- معرفی LangChain
  • 19 - LangChain در مقابل LlamaIndex
  • 20 - قالب‌های اعلان و اعلان‌های سیستم
  • 21- معرفی لانگ اسمیت

۳. مثال‌هایی از مهندسی سریع، زنجیره‌های سریع و RAG

  • 22 - اهداف یادگیری
  • 23- تسلط بر مهندسی سریع
  • 24- بررسی مثال‌های اولیه زنجیره اعلان
  • 25 - ایجاد زنجیره‌های شاخه‌بندی سریع
  • 26- بررسی زنجیره‌های اعلان موازی
  • 27 - ایجاد یک برنامه کاربردی RAG پایه
  • 28 - ایجاد یک برنامه کامل RAG

۴. عامل‌های هوش مصنوعی و چارچوب‌های عامل‌محور

  • 29 - اهداف یادگیری
  • 30- مقدمه‌ای بر چارچوب‌های عامل هوش مصنوعی
  • 31- گروه نقشه‌برداری
  • 32- معرفی LangGraph
  • 33- بررسی نمونه‌هایی از LangGraph در عمل
  • 34 - بررسی نمونه‌ای از عامل‌ها با سرورهای MCP
  • 35 - ایمن‌سازی پیاده‌سازی‌های عامل‌محور

نتیجه‌گیری

  • 36 - عامل‌های هوش مصنوعی و RAG عامل‌دار برای امنیت سایبری - خلاصه

دوره های مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal