https://lyndakade.ir/learning/execute-and-evaluate-hugging-face-ai-models 2026-06-14T23:05:34+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/01/Execute%20and%20Evaluate%20Hugging%20Face%20AI%20Models/preview.webp دوره آموزشی اجرا و ارزیابی مدل‌های هوش مصنوعی Hugging Face امروزه استفاده از مدل‌های آماده در پلتفرم‌هایی مثل Hugging Face برای شرکت‌ها یک ضرورت شده تا بتونن خیلی سریع پروژه‌هاشون رو راه بندازن. اما یک خطر بزرگ وجود داره: «سادگی در اجرا» ممکنه باعث بشه ما حواسمون به ریسک‌های احتمالی نباشه! وقتی مدل رو بدون ارزیابی دقیق وارد چرخه کار سازمان می‌کنیم، ممکنه با نتایج غیرقابل‌اعتمادی روبه‌رو بشیم که هزینه‌های سنگینی به دنبال داره. در این دوره، با Kendall Ruber (داده‌شناس خبره) همراه می‌شیم تا یاد بگیریم چطور هوشمندانه مدل انتخاب کنیم، اون‌ها رو به‌درستی پیاده‌سازی کنیم و با یک ارزیابیِ سخت‌گیرانه، مطمئن بشیم که خروجی‌های مدل واقعاً برای نیازهای خاص سازمان ما قابل‌اطمینان هستند. این دوره بهت کمک می‌کنه از سطح یک «کاربر ساده مدل‌های آماده» به یک «متخصص استراتژیک هوش مصنوعی» تبدیل بشی. اهداف یادگیری یادگیری نحوه دانلود و به‌کارگیری مدل‌های پیش‌آموزش‌دیده (Pretrained) از Hugging Face روی مجموعه‌داده‌های اختصاصی شناخت دقیق معیارهای دقت (Accuracy Metrics) در یادگیری ماشین، کاربردها و از همه مهم‌تر، محدودیت‌های هر کدام استفاده از تحلیل طبقه‌بندی‌های اشتباه (Misclassification Analysis) برای شناسایی نقاط ضعف مدل به‌کارگیری تکنیک‌های تحلیل اهمیت ویژگی‌ها (Feature Importance) برای فاین‌تیون کردن (Fine-tuning) و ارتقای چشمگیر عملکرد مدل انتخاب هوشمندانه بهترین مدل برای سناریوهای منحصربه‌فرد کسب‌وکار و آماده‌سازی نهایی آن برای استقرار (Deployment) https://dl.lyndakade.ir/courses/2026/01/Execute%20and%20Evaluate%20Hugging%20Face%20AI%20Models/preview.webp دوره آموزشی اجرا و ارزیابی مدل‌های هوش مصنوعی Hugging Face امروزه استفاده از مدل‌های آماده در پلتفرم‌هایی مثل Hugging Face برای شرکت‌ها یک ضرورت شده تا بتونن خیلی سریع پروژه‌هاشون رو راه بندازن. اما یک خطر بزرگ وجود داره: «سادگی در اجرا» ممکنه باعث بشه ما حواسمون به ریسک‌های احتمالی نباشه! وقتی مدل رو بدون ارزیابی دقیق وارد چرخه کار سازمان می‌کنیم، ممکنه با نتایج غیرقابل‌اعتمادی روبه‌رو بشیم که هزینه‌های سنگینی به دنبال داره. در این دوره، با Kendall Ruber (داده‌شناس خبره) همراه می‌شیم تا یاد بگیریم چطور هوشمندانه مدل انتخاب کنیم، اون‌ها رو به‌درستی پیاده‌سازی کنیم و با یک ارزیابیِ سخت‌گیرانه، مطمئن بشیم که خروجی‌های مدل واقعاً برای نیازهای خاص سازمان ما قابل‌اطمینان هستند. این دوره بهت کمک می‌کنه از سطح یک «کاربر ساده مدل‌های آماده» به یک «متخصص استراتژیک هوش مصنوعی» تبدیل بشی. اهداف یادگیری یادگیری نحوه دانلود و به‌کارگیری مدل‌های پیش‌آموزش‌دیده (Pretrained) از Hugging Face روی مجموعه‌داده‌های اختصاصی شناخت دقیق معیارهای دقت (Accuracy Metrics) در یادگیری ماشین، کاربردها و از همه مهم‌تر، محدودیت‌های هر کدام استفاده از تحلیل طبقه‌بندی‌های اشتباه (Misclassification Analysis) برای شناسایی نقاط ضعف مدل به‌کارگیری تکنیک‌های تحلیل اهمیت ویژگی‌ها (Feature Importance) برای فاین‌تیون کردن (Fine-tuning) و ارتقای چشمگیر عملکرد مدل انتخاب هوشمندانه بهترین مدل برای سناریوهای منحصربه‌فرد کسب‌وکار و آماده‌سازی نهایی آن برای استقرار (Deployment) https://dl.lyndakade.ir/courses/2026/01/Execute%20and%20Evaluate%20Hugging%20Face%20AI%20Models/0.%20Introduction/01%20-%20Speed%20meets%20strategy%20-%20Why%20pretrained%20models%20change%20everything.mp4 45 2026-01-27T00:00:00+03:30 دوره آموزشی اجرا و ارزیابی مدل‌های هوش مصنوعی Hugging Face Execute and Evaluate Hugging Face AI Models Kendall Ruber https://lyndakade.ir/learning/governing-ai-agents-visibility-and-control 2026-06-14T23:07:16+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/01/Governing%20AI%20Agents%20-%20Visibility%20and%20Control/preview.webp دوره آموزشی حکمرانی بر ایجنت‌های هوش مصنوعی: قابلیت مشاهده و کنترل خیلی از ایجنت‌های هوش مصنوعی (AI Agents) وقتی در محیط دمو اجرا می‌شن فوق‌العاده‌ان، اما به محض اینکه پاشون به محیط «پروداکشن» یا همان دنیای واقعی باز می‌شه، به مشکل می‌خورن. در محیط واقعی، دیگه نمی‌شه به شانس تکیه کرد؛ تو به «شفافیت»، «کنترل‌های امنیتی» و «پاسخگویی» برای تک‌تک حرکات ایجنت نیاز داری. در این دوره عملی، Kesha Williams (با بیش از ۲۵ سال تجربه در تکنولوژی‌های یادگیری ماشین)، بهت یاد می‌ده چطور با پایتون، یک ایجنتِ فروشگاهیِ بی‌قانون و سرکش رو به یک سیستمِ تحتِ کنترل و پیش‌بینی‌پذیر تبدیل کنی. با کدنویسی مستقیم در GitHub Codespaces، یاد می‌گیری چطور «لاگ‌گذاری ساختاریافته» برای مشاهده رفتار ایجنت اضافه کنی، «گاردریل‌های زمان اجرا» (Runtime Guardrails) پیاده کنی تا جلوی کارهای خطرناک رو بگیره و حتی «گردش‌کارهای تأیید انسانی» (Human-in-the-loop) برای تغییرات حساس طراحی کنی. فرقی نمی‌کنه اولین ایجنتت رو می‌سازی یا می‌خوای امنیتِ یک سیستم سازمانی پیچیده رو تأمین کنی؛ اینجا یک «جعبه‌ابزار حکمرانی» حرفه‌ای دریافت می‌کنی. اهداف یادگیری بررسی دقیق ساختار و جریان اجرای یک ایجنت هوش مصنوعی پیش‌ساخته برای درک نحوه خواندن داده‌ها، فراخوانی ابزارها و انجام اقدامات پیاده‌سازی گاردریل‌های زمان اجرا برای جلوگیری از اقدامات غیرمجاز، حفاظت از داده‌های حساس و ثبت تخلفات از سیاست‌های امنیتی قبل از اجرای هر ابزار توسط ایجنت اصلاح یک ایجنت فروشگاهی با افزودن لاگ‌گذاری ساختاریافته جهت ثبت دقیق اقدامات، نحوه استفاده از ابزارها و نقاط تصمیم‌گیری برای ردیابی و بررسی‌های پس از اجرا استفاده از لاگ‌ها و بازرسی وضعیت (State Inspection) برای شناسایی، ردیابی و تحلیل اقدامات ناخواسته یا ناامن ایجنت در سناریوهای واقعی شکست https://dl.lyndakade.ir/courses/2026/01/Governing%20AI%20Agents%20-%20Visibility%20and%20Control/preview.webp دوره آموزشی حکمرانی بر ایجنت‌های هوش مصنوعی: قابلیت مشاهده و کنترل خیلی از ایجنت‌های هوش مصنوعی (AI Agents) وقتی در محیط دمو اجرا می‌شن فوق‌العاده‌ان، اما به محض اینکه پاشون به محیط «پروداکشن» یا همان دنیای واقعی باز می‌شه، به مشکل می‌خورن. در محیط واقعی، دیگه نمی‌شه به شانس تکیه کرد؛ تو به «شفافیت»، «کنترل‌های امنیتی» و «پاسخگویی» برای تک‌تک حرکات ایجنت نیاز داری. در این دوره عملی، Kesha Williams (با بیش از ۲۵ سال تجربه در تکنولوژی‌های یادگیری ماشین)، بهت یاد می‌ده چطور با پایتون، یک ایجنتِ فروشگاهیِ بی‌قانون و سرکش رو به یک سیستمِ تحتِ کنترل و پیش‌بینی‌پذیر تبدیل کنی. با کدنویسی مستقیم در GitHub Codespaces، یاد می‌گیری چطور «لاگ‌گذاری ساختاریافته» برای مشاهده رفتار ایجنت اضافه کنی، «گاردریل‌های زمان اجرا» (Runtime Guardrails) پیاده کنی تا جلوی کارهای خطرناک رو بگیره و حتی «گردش‌کارهای تأیید انسانی» (Human-in-the-loop) برای تغییرات حساس طراحی کنی. فرقی نمی‌کنه اولین ایجنتت رو می‌سازی یا می‌خوای امنیتِ یک سیستم سازمانی پیچیده رو تأمین کنی؛ اینجا یک «جعبه‌ابزار حکمرانی» حرفه‌ای دریافت می‌کنی. اهداف یادگیری بررسی دقیق ساختار و جریان اجرای یک ایجنت هوش مصنوعی پیش‌ساخته برای درک نحوه خواندن داده‌ها، فراخوانی ابزارها و انجام اقدامات پیاده‌سازی گاردریل‌های زمان اجرا برای جلوگیری از اقدامات غیرمجاز، حفاظت از داده‌های حساس و ثبت تخلفات از سیاست‌های امنیتی قبل از اجرای هر ابزار توسط ایجنت اصلاح یک ایجنت فروشگاهی با افزودن لاگ‌گذاری ساختاریافته جهت ثبت دقیق اقدامات، نحوه استفاده از ابزارها و نقاط تصمیم‌گیری برای ردیابی و بررسی‌های پس از اجرا استفاده از لاگ‌ها و بازرسی وضعیت (State Inspection) برای شناسایی، ردیابی و تحلیل اقدامات ناخواسته یا ناامن ایجنت در سناریوهای واقعی شکست https://dl.lyndakade.ir/courses/2026/01/Governing%20AI%20Agents%20-%20Visibility%20and%20Control/Governing%20an%20Agent/01%20-%20Examine%20an%20agent.mp4 544 2026-01-27T00:00:00+03:30 دوره آموزشی حکمرانی بر ایجنت‌های هوش مصنوعی: قابلیت مشاهده و کنترل Governing AI Agents: Visibility and Control Kesha Williams