https://lyndakade.ir/learning/ai-model-trends-the-latest-you-need-to-know
2026-05-28T21:41:44+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/05/AI%20Model%20Trends%20-%20The%20Latest%20You%20Need%20to%20Know/preview.webp
دوره آموزشی روندهای مدلهای هوش مصنوعی: آخرین اطلاعاتی که باید بدانید
ارائهدهندگان بزرگ هوش مصنوعی مدلهای جدید رو با سرعتی منتشر میکنن که دنبال کردنش سخته. این دوره یه مرجع قابلاعتماد و جامع رو در اختیارتون قرار میده تا بتونید همهچیز رو درک کنید. با پوشش مدلهای OpenAI، Anthropic، Google Gemini و بهترین مدلهای متنباز (open-weight)، هر ویدیو به جزئیات تازهها میپردازه. بررسی میکنیم که عملکرد مدلها چطوره، قابلیتهاشون چطور کار میکنن، هزینههاشون چقدره و آیا این بهروزرسانیها برای پروژههای شما اهمیت دارن یا نه.
نگاهی به موارد استفاده توسعهدهندگانمحور، مقایسههای بنچمارک و ارزیابیهای صادقانه در مورد ریسک منسوخ شدن (deprecation risk) خواهیم داشت. برای دریافت آخرین اخبار با ما همراه باشید — این دوره بهطور منظم بهروزرسانی میشه تا محتواش همیشه جدید و کاربردی بمونه.
اهداف یادگیری
تفاوتهای کلیدی بین خانوادههای اصلی مدلهای هوش مصنوعی از OpenAI، Anthropic، Google و ارائهدهندگان پیشرو متنباز را شناسایی کنید.
عملکرد مدلهای هوش مصنوعی را با استفاده از بنچمارکها، معیارهای سرعت و قیمتگذاری ارزیابی کنید تا بهترین گزینه را برای یک پروژه معین تعیین کنید.
تغییرات در هر نسخه جدید مدل را توصیف کنید و ارتقاهای معنیدار را از بهروزرسانیهای جزئی تشخیص دهید.
از مثالها و موارد استفاده عملی برای انتخاب مدل مناسب برای وظایفی مانند تولید کد، گردش کار چندوجهی و ویژگیهای عاملی استفاده کنید.
چشمانداز رقابتی بین OpenAI، Anthropic، Google Gemini و اکوسیستم متنباز را توضیح دهید.
تعیین کنید که چه زمانی یک نسخه جدید مدل نیاز به اقدام فوری دارد در مقابل چه زمانی امن است که منتظر بمانید.
https://dl.lyndakade.ir/courses/2026/05/AI%20Model%20Trends%20-%20The%20Latest%20You%20Need%20to%20Know/preview.webp
دوره آموزشی روندهای مدلهای هوش مصنوعی: آخرین اطلاعاتی که باید بدانید
ارائهدهندگان بزرگ هوش مصنوعی مدلهای جدید رو با سرعتی منتشر میکنن که دنبال کردنش سخته. این دوره یه مرجع قابلاعتماد و جامع رو در اختیارتون قرار میده تا بتونید همهچیز رو درک کنید. با پوشش مدلهای OpenAI، Anthropic، Google Gemini و بهترین مدلهای متنباز (open-weight)، هر ویدیو به جزئیات تازهها میپردازه. بررسی میکنیم که عملکرد مدلها چطوره، قابلیتهاشون چطور کار میکنن، هزینههاشون چقدره و آیا این بهروزرسانیها برای پروژههای شما اهمیت دارن یا نه.
نگاهی به موارد استفاده توسعهدهندگانمحور، مقایسههای بنچمارک و ارزیابیهای صادقانه در مورد ریسک منسوخ شدن (deprecation risk) خواهیم داشت. برای دریافت آخرین اخبار با ما همراه باشید — این دوره بهطور منظم بهروزرسانی میشه تا محتواش همیشه جدید و کاربردی بمونه.
اهداف یادگیری
تفاوتهای کلیدی بین خانوادههای اصلی مدلهای هوش مصنوعی از OpenAI، Anthropic، Google و ارائهدهندگان پیشرو متنباز را شناسایی کنید.
عملکرد مدلهای هوش مصنوعی را با استفاده از بنچمارکها، معیارهای سرعت و قیمتگذاری ارزیابی کنید تا بهترین گزینه را برای یک پروژه معین تعیین کنید.
تغییرات در هر نسخه جدید مدل را توصیف کنید و ارتقاهای معنیدار را از بهروزرسانیهای جزئی تشخیص دهید.
از مثالها و موارد استفاده عملی برای انتخاب مدل مناسب برای وظایفی مانند تولید کد، گردش کار چندوجهی و ویژگیهای عاملی استفاده کنید.
چشمانداز رقابتی بین OpenAI، Anthropic، Google Gemini و اکوسیستم متنباز را توضیح دهید.
تعیین کنید که چه زمانی یک نسخه جدید مدل نیاز به اقدام فوری دارد در مقابل چه زمانی امن است که منتظر بمانید.
https://dl.lyndakade.ir/courses/2026/05/AI%20Model%20Trends%20-%20The%20Latest%20You%20Need%20to%20Know/0.%20Introduction/01%20-%20Welcome%20to%20AI%20Model%20Trends.mp4
50
2026-05-04T00:00:00+03:30
دوره آموزشی روندهای مدلهای هوش مصنوعی: آخرین اطلاعاتی که باید بدانید
AI Model Trends: The Latest You Need to Know
Ray Villalobos
https://lyndakade.ir/learning/data-cleaning-with-claude
2026-05-28T21:35:26+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/05/Data%20Cleaning%20with%20Claude/preview.webp
دوره آموزشی پاکسازی دادهها با Claude
وقتی دادهها ناهماهنگ، ناقص یا غیرقابلاعتماد باشن، کل کار دادهمحور ممکنه بههم بریزه. توی این دوره، کریس فرنچ (Chris French)، تحلیلگر داده، به شما نشون میده چطور یک فایل CSV واقعی رو داخل Claude آپلود کنید و با یه گفتوگوی ساختاریافته، از صفر تا صد تمیزش کنید؛ طوری که همون حس و دقتی رو بسازید که توی تحلیلهای حرفهای و تولیدی بهش نیاز دارید.
یاد میگیرید چطور از Claude بخواید یه دیتاست رو پروفایل کنه، مشکلاتی رو که روی متریکهای پاییندستی اثر میذارن تشخیص بده، مقادیر گمشده و دادههای تکراری رو رفع کنه، فیلدهای بههمریخته رو استاندارد کنه و نتیجه رو با چکهای هدفمند اعتبارسنجی کنه. علاوه بر این، یاد میگیرید تصمیمهاتون رو مستندسازی کنید و پرامپتهاتون رو به یه گردشکار تکرارپذیر تبدیل کنید که بشه توی خروجیهای ذینفعان، تحلیلهای موردی، و تحویلدادن داده به پایپلاینها دوباره ازش استفاده کرد.
اهداف یادگیری
از Claude بخواهید یک دیتاست CSV را بررسی و پروفایل کند و ساختار، نوع دادهها، الگوهای null و ناسازگاریها را شناسایی کند.
مشکلات رایج کیفیت داده شامل دادههای تکراری، مقادیر گمشده، ناسازگاریهای فرمت و دادههای پرت را تشخیص دهید و اولویتبندی کنید.
استراتژیهای مناسب پاکسازی برای دادههای تکراری و مقادیر گمشده را بر اساس هدف تحلیل و ملاحظات انتخاب و اجرا کنید.
فیلدهای بههمریخته شامل دادههای متنی، دستهبندیشده، تاریخ و عددی را با الگوهای پرامپتنویسی قابلاستفادهمجدد استاندارد و تبدیل کنید.
دیتاست پاکسازیشده را با بررسیهای پس از پاکسازی و چکهای هدفمند اعتبارسنجی کنید تا برای تحلیل آماده باشد.
یک گردشکار پاکسازی تکرارپذیر و مستند بسازید، همراه با لاگ واضح تصمیمها برای شفافیت و استفاده مجدد.
https://dl.lyndakade.ir/courses/2026/05/Data%20Cleaning%20with%20Claude/preview.webp
دوره آموزشی پاکسازی دادهها با Claude
وقتی دادهها ناهماهنگ، ناقص یا غیرقابلاعتماد باشن، کل کار دادهمحور ممکنه بههم بریزه. توی این دوره، کریس فرنچ (Chris French)، تحلیلگر داده، به شما نشون میده چطور یک فایل CSV واقعی رو داخل Claude آپلود کنید و با یه گفتوگوی ساختاریافته، از صفر تا صد تمیزش کنید؛ طوری که همون حس و دقتی رو بسازید که توی تحلیلهای حرفهای و تولیدی بهش نیاز دارید.
یاد میگیرید چطور از Claude بخواید یه دیتاست رو پروفایل کنه، مشکلاتی رو که روی متریکهای پاییندستی اثر میذارن تشخیص بده، مقادیر گمشده و دادههای تکراری رو رفع کنه، فیلدهای بههمریخته رو استاندارد کنه و نتیجه رو با چکهای هدفمند اعتبارسنجی کنه. علاوه بر این، یاد میگیرید تصمیمهاتون رو مستندسازی کنید و پرامپتهاتون رو به یه گردشکار تکرارپذیر تبدیل کنید که بشه توی خروجیهای ذینفعان، تحلیلهای موردی، و تحویلدادن داده به پایپلاینها دوباره ازش استفاده کرد.
اهداف یادگیری
از Claude بخواهید یک دیتاست CSV را بررسی و پروفایل کند و ساختار، نوع دادهها، الگوهای null و ناسازگاریها را شناسایی کند.
مشکلات رایج کیفیت داده شامل دادههای تکراری، مقادیر گمشده، ناسازگاریهای فرمت و دادههای پرت را تشخیص دهید و اولویتبندی کنید.
استراتژیهای مناسب پاکسازی برای دادههای تکراری و مقادیر گمشده را بر اساس هدف تحلیل و ملاحظات انتخاب و اجرا کنید.
فیلدهای بههمریخته شامل دادههای متنی، دستهبندیشده، تاریخ و عددی را با الگوهای پرامپتنویسی قابلاستفادهمجدد استاندارد و تبدیل کنید.
دیتاست پاکسازیشده را با بررسیهای پس از پاکسازی و چکهای هدفمند اعتبارسنجی کنید تا برای تحلیل آماده باشد.
یک گردشکار پاکسازی تکرارپذیر و مستند بسازید، همراه با لاگ واضح تصمیمها برای شفافیت و استفاده مجدد.
https://dl.lyndakade.ir/courses/2026/05/Data%20Cleaning%20with%20Claude/1.%20Clean%20Data%20with%20Claude/01%20-%20Audit%20your%20data.mp4
328
2026-05-04T00:00:00+03:30
دوره آموزشی پاکسازی دادهها با Claude
Data Cleaning with Claude
Chris French
https://lyndakade.ir/learning/using-spatial-data-in-ai-workflows
2026-05-28T21:32:34+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/05/Using%20Spatial%20Data%20in%20AI%20Workflows/preview.webp
دوره آموزشی استفاده از دادههای مکانی در گردشکارهای هوش مصنوعی
هوش مصنوعی (AI) داره نحوهی تحلیل، تفسیر و تعامل ما با دادههای مکانی (spatial data) رو متحول میکنه، و این دوره به شما نشون میده چطور در خط مقدم این تغییر قرار بگیرید. با مت فورست (Matt Forrest)، متخصص دادههای ژئواسپشیال، همراه بشید تا یاد بگیرید مدلهای زبانی (language models) چطور کار میکنن، چه مزایایی دارن و چه محدودیتهایی موقع استفاده برای دادههای مکانی دارن.
شما یاد میگیرید چطور یه ابزار مکانی مبتنی بر هوش مصنوعی رو طراحی و محدودهبندی (scope) کنید؛ ابزاری که معماری واضح، مرزهای منطقی و مرحلهی بازبینی انسانی داشته باشه. راههایی رو برای ساخت یه یکپارچهسازی MCP (MCP integration) کشف میکنید که به Claude اجازه میده اطلاعات مکانی رو تحلیل و به اونها پاسخ بده. همچنین، یه گردش کار عاملی (agentic workflow) میسازید که بینشهای مبتنی بر مکان رو به وظایف مبتنی بر زبان متصل میکنه. در نهایت، یاد میگیرید چطور یه اپلیکیشن نقشه پویا (dynamic map application) بسازید که از هوش مصنوعی برای فیلتر کردن نتایج و تعامل لحظهای با دادههای مکانی استفاده میکنه. این دوره برای توسعهدهندگان هوش مصنوعی، تحلیلگران داده، و متخصصان ژئواسپشیال و GIS ایدهآل هست.
اهداف یادگیری
درک نحوهی کار مدلهای زبانی و مزایا و محدودیتهای آنها در کار با دادههای مکانی
ایجاد و طراحی دامنه (scope) برای یک ابزار مکانی مبتنی بر هوش مصنوعی با دامنه کامل، معماری، محدودیتهای منطقی و بازبینی انسانی
توسعه و ساخت یکپارچهسازی MCP برای تحلیل و ارائه اطلاعات مکانی با Claude
ساخت یک گردش کار عاملی برای اتصال بینشهای مبتنی بر مکان به یک گردش کار مبتنی بر زبان
ایجاد یک اپلیکیشن نقشه که از هوش مصنوعی برای فیلتر کردن نتایج و جابجایی نقشه استفاده میکند
https://dl.lyndakade.ir/courses/2026/05/Using%20Spatial%20Data%20in%20AI%20Workflows/preview.webp
دوره آموزشی استفاده از دادههای مکانی در گردشکارهای هوش مصنوعی
هوش مصنوعی (AI) داره نحوهی تحلیل، تفسیر و تعامل ما با دادههای مکانی (spatial data) رو متحول میکنه، و این دوره به شما نشون میده چطور در خط مقدم این تغییر قرار بگیرید. با مت فورست (Matt Forrest)، متخصص دادههای ژئواسپشیال، همراه بشید تا یاد بگیرید مدلهای زبانی (language models) چطور کار میکنن، چه مزایایی دارن و چه محدودیتهایی موقع استفاده برای دادههای مکانی دارن.
شما یاد میگیرید چطور یه ابزار مکانی مبتنی بر هوش مصنوعی رو طراحی و محدودهبندی (scope) کنید؛ ابزاری که معماری واضح، مرزهای منطقی و مرحلهی بازبینی انسانی داشته باشه. راههایی رو برای ساخت یه یکپارچهسازی MCP (MCP integration) کشف میکنید که به Claude اجازه میده اطلاعات مکانی رو تحلیل و به اونها پاسخ بده. همچنین، یه گردش کار عاملی (agentic workflow) میسازید که بینشهای مبتنی بر مکان رو به وظایف مبتنی بر زبان متصل میکنه. در نهایت، یاد میگیرید چطور یه اپلیکیشن نقشه پویا (dynamic map application) بسازید که از هوش مصنوعی برای فیلتر کردن نتایج و تعامل لحظهای با دادههای مکانی استفاده میکنه. این دوره برای توسعهدهندگان هوش مصنوعی، تحلیلگران داده، و متخصصان ژئواسپشیال و GIS ایدهآل هست.
اهداف یادگیری
درک نحوهی کار مدلهای زبانی و مزایا و محدودیتهای آنها در کار با دادههای مکانی
ایجاد و طراحی دامنه (scope) برای یک ابزار مکانی مبتنی بر هوش مصنوعی با دامنه کامل، معماری، محدودیتهای منطقی و بازبینی انسانی
توسعه و ساخت یکپارچهسازی MCP برای تحلیل و ارائه اطلاعات مکانی با Claude
ساخت یک گردش کار عاملی برای اتصال بینشهای مبتنی بر مکان به یک گردش کار مبتنی بر زبان
ایجاد یک اپلیکیشن نقشه که از هوش مصنوعی برای فیلتر کردن نتایج و جابجایی نقشه استفاده میکند
https://dl.lyndakade.ir/courses/2026/05/Using%20Spatial%20Data%20in%20AI%20Workflows/0.%20Introduction/01%20-%20Unlocking%20the%20power%20of%20spatial%20data%20in%20AI%20workflows.mp4
52
2026-05-04T00:00:00+03:30
دوره آموزشی استفاده از دادههای مکانی در گردشکارهای هوش مصنوعی
Using Spatial Data in AI Workflows
Matt Forrest
https://lyndakade.ir/learning/ai-evaluations-for-product-leaders-and-ai-pms
2026-05-28T21:30:03+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/05/AI%20Evaluations%20for%20Product%20Leaders%20and%20AI%20PMs/preview.webp
دوره آموزشی ارزیابیهای هوش مصنوعی برای رهبران محصول و مدیران محصول هوش مصنوعی
محصولات مبتنی بر هوش مصنوعی (AI) کلاً با نرمافزارهای معمولی فرق دارن. چون ذاتاً احتمالاتی (probabilistic) هستن، نمیشه با قطعیت گفت خروجیشون چی قراره باشه. همین قضیه باعث میشه روشهای سنتی تست کیفیت (QA) دیگه کافی نباشن و نتونن جواب بدن. توی این دوره، دو تا از رهبران محصولات هوش مصنوعی، یعنی Chantal Cox و Aman Khan، شما رو راهنمایی میکنن تا سیستمهای ارزیابی (evaluation) بسازید که هم باعث ایجاد اعتماد بشن و هم به لانچ موفقیتآمیز محصولات هوش مصنوعی کمک کنن.
این دوره با یه فرمت گفتگومحور شبیه پادکست، پر از مطالعات موردی واقعی از شرکتهایی مثل LTK و Prime Video، به شما یاد میده چطور استراتژیهای ارزیابی رو طراحی کنید، پایپلاینهای مقیاسپذیر با استفاده از ریتِرهای انسانی و مدلهای ارزیابی پیادهسازی کنید، و چطور معیارهای فنی رو به تأثیر تجاری (business impact) ترجمه کنید. فرقی نمیکنه که دارید یه قابلیت تولید متن (language generation)، یه عامل هوش مصنوعی (AI agent)، یا یه سیستم چندوجهی (multimodal system) رو ارزیابی میکنید؛ این دوره یه چارچوب کامل رو ارائه میده تا بتونید چیزهایی رو که واقعاً مهمن اندازه بگیرید و با اطمینان تصمیمات لانچ بگیرید.
اهداف یادگیری
توضیح چرایی شکست رویکردهای سنتی QA برای محصولات هوش مصنوعی و چگونگی ایجاد چارچوبهای ارزیابی برای ایجاد اعتماد، تکرار و استقرار ایمن سیستمهای احتمالی
طراحی استراتژیهای جامع ارزیابی برای قابلیتهای هوش مصنوعی با انتخاب معیارها، مجموعه دادهها و روشهای ارزیابی مناسب که کیفیت مدل را با نتایج کسبوکار مرتبط میکنند
پیادهسازی پایپلاینهای ارزیابی مقیاسپذیر با استفاده از ارزیابهای مبتنی بر کد، رویکردهای LLM-as-judge و حاشیهنویسی انسانی، و تعیین زمان استفاده از هر نوع ریتِر
ترجمه نتایج ارزیابی به تصمیمات محصول با تعیین آستانههای راهاندازی، ساخت داشبوردهای نظارتی و برقراری ارتباط یافتههای فنی با ذینفعان اجرایی
ایجاد یک برنامه ارزیابی کامل برای قابلیت هوش مصنوعی خودتان شامل معیارها، روبریکها، معیارهای آمادگی راهاندازی و استراتژیهای نظارت پس از استقرار
https://dl.lyndakade.ir/courses/2026/05/AI%20Evaluations%20for%20Product%20Leaders%20and%20AI%20PMs/preview.webp
دوره آموزشی ارزیابیهای هوش مصنوعی برای رهبران محصول و مدیران محصول هوش مصنوعی
محصولات مبتنی بر هوش مصنوعی (AI) کلاً با نرمافزارهای معمولی فرق دارن. چون ذاتاً احتمالاتی (probabilistic) هستن، نمیشه با قطعیت گفت خروجیشون چی قراره باشه. همین قضیه باعث میشه روشهای سنتی تست کیفیت (QA) دیگه کافی نباشن و نتونن جواب بدن. توی این دوره، دو تا از رهبران محصولات هوش مصنوعی، یعنی Chantal Cox و Aman Khan، شما رو راهنمایی میکنن تا سیستمهای ارزیابی (evaluation) بسازید که هم باعث ایجاد اعتماد بشن و هم به لانچ موفقیتآمیز محصولات هوش مصنوعی کمک کنن.
این دوره با یه فرمت گفتگومحور شبیه پادکست، پر از مطالعات موردی واقعی از شرکتهایی مثل LTK و Prime Video، به شما یاد میده چطور استراتژیهای ارزیابی رو طراحی کنید، پایپلاینهای مقیاسپذیر با استفاده از ریتِرهای انسانی و مدلهای ارزیابی پیادهسازی کنید، و چطور معیارهای فنی رو به تأثیر تجاری (business impact) ترجمه کنید. فرقی نمیکنه که دارید یه قابلیت تولید متن (language generation)، یه عامل هوش مصنوعی (AI agent)، یا یه سیستم چندوجهی (multimodal system) رو ارزیابی میکنید؛ این دوره یه چارچوب کامل رو ارائه میده تا بتونید چیزهایی رو که واقعاً مهمن اندازه بگیرید و با اطمینان تصمیمات لانچ بگیرید.
اهداف یادگیری
توضیح چرایی شکست رویکردهای سنتی QA برای محصولات هوش مصنوعی و چگونگی ایجاد چارچوبهای ارزیابی برای ایجاد اعتماد، تکرار و استقرار ایمن سیستمهای احتمالی
طراحی استراتژیهای جامع ارزیابی برای قابلیتهای هوش مصنوعی با انتخاب معیارها، مجموعه دادهها و روشهای ارزیابی مناسب که کیفیت مدل را با نتایج کسبوکار مرتبط میکنند
پیادهسازی پایپلاینهای ارزیابی مقیاسپذیر با استفاده از ارزیابهای مبتنی بر کد، رویکردهای LLM-as-judge و حاشیهنویسی انسانی، و تعیین زمان استفاده از هر نوع ریتِر
ترجمه نتایج ارزیابی به تصمیمات محصول با تعیین آستانههای راهاندازی، ساخت داشبوردهای نظارتی و برقراری ارتباط یافتههای فنی با ذینفعان اجرایی
ایجاد یک برنامه ارزیابی کامل برای قابلیت هوش مصنوعی خودتان شامل معیارها، روبریکها، معیارهای آمادگی راهاندازی و استراتژیهای نظارت پس از استقرار
https://dl.lyndakade.ir/courses/2026/05/AI%20Evaluations%20for%20Product%20Leaders%20and%20AI%20PMs/0.%20Introduction/01%20-%20Evals%20for%20the%20AI%20product%20manager.mp4
49
2026-05-05T00:00:00+03:30
دوره آموزشی ارزیابیهای هوش مصنوعی برای رهبران محصول و مدیران محصول هوش مصنوعی
AI Evaluations for Product Leaders and AI PMs
Aman Khan
Chantal Cox
https://lyndakade.ir/learning/post-quantum-security-for-ai-resilient-digital-security-in-the-age-of-artificial-general-intelligence-and-tech
2026-05-28T21:27:10+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/05/Post-Quantum%20Security%20for%20AI%20-%20Resilient%20Digital%20Security%20in%20the%20Age%20of%20Artificial%20General%20Intelligence%20and%20Technological%20Singularity%20by%20Pearson/preview.webp
دوره آموزشی امنیت پساکوانتومی برای هوش مصنوعی: امنیت دیجیتال تابآور در عصر هوش مصنوعی عمومی و تکینگی فناورانه
با سرعت گرفتن پیشرفت هوش عمومی مصنوعی (AGI) و رایانش کوانتومی (Quantum Computing)، دیگه روشهای امنیتی امروزی بهتنهایی کافی نیستن. این دو فناوری دارن دنیای دیجیتال رو از پایه تغییر میدن و همزمان با اینکه فرصتهای جدیدی ایجاد میکنن، تهدیدهای تازه و جدی هم به وجود میارن. توی این دوره، همه چیز با زبون ساده و قابلفهم توضیح داده میشه تا دقیقاً بفهمی این فناوریها چی هستن، چطور با هم تداخل پیدا میکنن، و چرا میتونن باعث ایجاد آسیبپذیریهای جدید بشن.
این دوره فقط روی تهدیدها تمرکز نمیکنه، بلکه بهت نشون میده چطور میتونی سیستمهایی مقاوم، امن و quantum-safe بسازی؛ یعنی سیستمهایی که در برابر تهدیدهای آینده هم دوام بیارن. با استفاده از مثالهای عملی، سناریوهای واقعی و آموزشهای تخصصی، یاد میگیری چطور از هویت دیجیتال، دادهها و زیرساختها در برابر حملات پرریسک و در حال تکامل محافظت کنی.
یکی از بخشهای مهم این دوره، آشنایی با روشهای رمزنگاری پساکوانتومی (Post-Quantum Cryptography) هست؛ مخصوصاً تکنیکهایی مثل رمزنگاری مبتنی بر شبکههای عددی یا lattice-based methods که برای دنیای بعد از کوانتوم طراحی شدن. علاوه بر این، یاد میگیری چطور از بلاکچین، اثباتهای دانش صفر (Zero-Knowledge Proofs) و مدلهای هویت غیرمتمرکز برای افزایش مقاومت و امنیت استفاده کنی.
از طرفی، چون تهدیدهای جدید دارن با کمک هوش مصنوعی هوشمندتر و تطبیقپذیرتر میشن، این دوره بهت کمک میکنه استراتژیهایی بسازی که بتونن سیستمها رو در برابر اکسپلویتهای هوشمند، تطبیقی و AI-driven محافظت کنن. یعنی فقط با حملههای ساده طرف نیستی، بلکه باید برای تهدیدهایی آماده باشی که خودشون رو با شرایط جدید تطبیق میدن.
در نهایت، این دوره بهت کمک میکنه نگاهت به امنیت سایبری رو بهروز کنی و برای آیندهای آماده بشی که در اون AGI و رایانش کوانتومی نقش بسیار مهمی در امنیت دیجیتال دارن. اگر میخوای سیستمهای مقاومتر و آیندهنگرتر بسازی، این دوره میتونه یه انتخاب خیلی ارزشمند برات باشه.
اهداف یادگیری
شناسایی و ارزیابی ریسکهای امنیتی ناشی از AGI و رایانش کوانتومی
درک تأثیر فناوریهای نوظهور بر امنیت دیجیتال
یادگیری و بهکارگیری تکنیکهای رمزنگاری پساکوانتومی
آشنایی با روشهای مبتنی بر lattice در رمزنگاری
استفاده از بلاکچین برای افزایش مقاومت امنیتی
بهکارگیری Zero-Knowledge Proofs در حفاظت از داده
شناخت مدلهای هویت غیرمتمرکز و کاربرد آنها
طراحی استراتژی دفاعی در برابر حملات هوشمند و تطبیقی
ساخت سیستمهای quantum-safe و مقاوم در برابر تهدیدهای آینده
تقویت مهارتهای دفاع سایبری در برابر حملات مبتنی بر هوش مصنوعی
https://dl.lyndakade.ir/courses/2026/05/Post-Quantum%20Security%20for%20AI%20-%20Resilient%20Digital%20Security%20in%20the%20Age%20of%20Artificial%20General%20Intelligence%20and%20Technological%20Singularity%20by%20Pearson/preview.webp
دوره آموزشی امنیت پساکوانتومی برای هوش مصنوعی: امنیت دیجیتال تابآور در عصر هوش مصنوعی عمومی و تکینگی فناورانه
با سرعت گرفتن پیشرفت هوش عمومی مصنوعی (AGI) و رایانش کوانتومی (Quantum Computing)، دیگه روشهای امنیتی امروزی بهتنهایی کافی نیستن. این دو فناوری دارن دنیای دیجیتال رو از پایه تغییر میدن و همزمان با اینکه فرصتهای جدیدی ایجاد میکنن، تهدیدهای تازه و جدی هم به وجود میارن. توی این دوره، همه چیز با زبون ساده و قابلفهم توضیح داده میشه تا دقیقاً بفهمی این فناوریها چی هستن، چطور با هم تداخل پیدا میکنن، و چرا میتونن باعث ایجاد آسیبپذیریهای جدید بشن.
این دوره فقط روی تهدیدها تمرکز نمیکنه، بلکه بهت نشون میده چطور میتونی سیستمهایی مقاوم، امن و quantum-safe بسازی؛ یعنی سیستمهایی که در برابر تهدیدهای آینده هم دوام بیارن. با استفاده از مثالهای عملی، سناریوهای واقعی و آموزشهای تخصصی، یاد میگیری چطور از هویت دیجیتال، دادهها و زیرساختها در برابر حملات پرریسک و در حال تکامل محافظت کنی.
یکی از بخشهای مهم این دوره، آشنایی با روشهای رمزنگاری پساکوانتومی (Post-Quantum Cryptography) هست؛ مخصوصاً تکنیکهایی مثل رمزنگاری مبتنی بر شبکههای عددی یا lattice-based methods که برای دنیای بعد از کوانتوم طراحی شدن. علاوه بر این، یاد میگیری چطور از بلاکچین، اثباتهای دانش صفر (Zero-Knowledge Proofs) و مدلهای هویت غیرمتمرکز برای افزایش مقاومت و امنیت استفاده کنی.
از طرفی، چون تهدیدهای جدید دارن با کمک هوش مصنوعی هوشمندتر و تطبیقپذیرتر میشن، این دوره بهت کمک میکنه استراتژیهایی بسازی که بتونن سیستمها رو در برابر اکسپلویتهای هوشمند، تطبیقی و AI-driven محافظت کنن. یعنی فقط با حملههای ساده طرف نیستی، بلکه باید برای تهدیدهایی آماده باشی که خودشون رو با شرایط جدید تطبیق میدن.
در نهایت، این دوره بهت کمک میکنه نگاهت به امنیت سایبری رو بهروز کنی و برای آیندهای آماده بشی که در اون AGI و رایانش کوانتومی نقش بسیار مهمی در امنیت دیجیتال دارن. اگر میخوای سیستمهای مقاومتر و آیندهنگرتر بسازی، این دوره میتونه یه انتخاب خیلی ارزشمند برات باشه.
اهداف یادگیری
شناسایی و ارزیابی ریسکهای امنیتی ناشی از AGI و رایانش کوانتومی
درک تأثیر فناوریهای نوظهور بر امنیت دیجیتال
یادگیری و بهکارگیری تکنیکهای رمزنگاری پساکوانتومی
آشنایی با روشهای مبتنی بر lattice در رمزنگاری
استفاده از بلاکچین برای افزایش مقاومت امنیتی
بهکارگیری Zero-Knowledge Proofs در حفاظت از داده
شناخت مدلهای هویت غیرمتمرکز و کاربرد آنها
طراحی استراتژی دفاعی در برابر حملات هوشمند و تطبیقی
ساخت سیستمهای quantum-safe و مقاوم در برابر تهدیدهای آینده
تقویت مهارتهای دفاع سایبری در برابر حملات مبتنی بر هوش مصنوعی
https://dl.lyndakade.ir/courses/2026/05/Post-Quantum%20Security%20for%20AI%20-%20Resilient%20Digital%20Security%20in%20the%20Age%20of%20Artificial%20General%20Intelligence%20and%20Technological%20Singularity%20by%20Pearson/0.%20Introduction/01%20-%20Welcome%20to%20the%20course.mp4
97
2026-05-05T00:00:00+03:30
دوره آموزشی امنیت پساکوانتومی برای هوش مصنوعی: امنیت دیجیتال تابآور در عصر هوش مصنوعی عمومی و تکینگی فناورانه
Post-Quantum Security for AI: Resilient Digital Security in the Age of Artificial General Intelligence and Technological Singularity by Pearson
Pearson
https://lyndakade.ir/learning/software-engineering-principles-by-pearson
2026-05-28T21:20:46+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/05/Software%20Engineering%20Principles%20by%20Pearson/preview.webp
دوره آموزشی اصول مهندسی نرمافزار
مهندسی نرمافزار فقط نوشتن کد نیست؛ این یعنی ساختن سیستمهایی که پایدار، قابل توسعه (Scalable)، قابل نگهداری (Maintainable) و قابل اطمینان (Reliable) باشن و در طولانیمدت کار کنن. اگه میخوای واقعاً یه مهندس نرمافزار حرفهای بشی، باید فراتر از کد زدن رو یاد بگیری.
تو این دوره، با اصول اساسی مهندسی نرمافزار آشنا میشی و میفهمی چطور این اصول رو توی پروژههای واقعی پیاده کنی. شان واسل (Shaun Wassell)، مربی این دوره، قدم به قدم تو رو راهنمایی میکنه تا تفاوت کلیدی بین مهندسی نرمافزار (Software Engineering) و توسعه نرمافزار (Software Development) رو درک کنی. خیلیها این دو رو با هم اشتباه میگیرن، ولی مهندسی نرمافزار یه رویکرد سیستمی و اصولی داره که توسعه نرمافزار رو به یه سطح بالاتر میبره.
همچنین یاد میگیری که چطور از ابزارهای یک مهندس نرمافزار استفاده کنی؛ ابزارهایی که بهت کمک میکنن منظمتر، کارآمدتر و حرفهایتر کار کنی. علاوه بر این، ویژگیهای مهمی که یه مهندس نرمافزار رو “عالی” میکنه، بررسی میشن. این فقط مربوط به دانش فنی نیست، بلکه مهارتهای نرم، تفکر سیستمی و حل مسئله هم نقش مهمی دارن.
تو این دوره، یه مرور جامع از کل چرخه حیات توسعه نرمافزار (SDLC - Software Development Lifecycle) خواهی داشت. از مراحل اولیه مثل برنامهریزی و طراحی گرفته تا مراحل نهایی مثل تست و استقرار (Deployment)، همه چیز پوشش داده میشه. میفهمی که هر مرحله چقدر مهمه و چطور به مراحل دیگه وصل میشه.
نکته جالب دیگه اینه که میفهمی چطور ابزارهای هوش مصنوعی (AI Tools) میتونن به فرآیندهای مهندسی نرمافزارت کمک کنن. این دوره تأکید داره که هوش مصنوعی ابزار کمکی قدرتمندیه، اما هرگز نمیتونه جایگزین مهارتهای اساسی انسانی مثل تفکر انتقادی، خلاقیت و توانایی حل مسئله پیچیده بشه.
در نهایت، با ابزارهای همکاری (Collaboration Tools)، گردش کار (Workflows) و بهترین شیوههای (Best Practices) لازم مجهز میشی که به خودت و تیمت کمک میکنه تا نتایج قابل اطمینانتر و قابل نگهداریتری تولید کنید. اگه میخوای حرفهایتر کد بزنی، سیستمهای بهتری بسازی و توی دنیای رقابتی نرمافزار موفق باشی، این دوره برای توئه!
اهداف یادگیری
درک عمیق تفاوت بین مهندسی نرمافزار و توسعه نرمافزار
آشنایی با اصول کلیدی مهندسی نرمافزار مانند مقیاسپذیری، قابلیت نگهداری و قابلیت اطمینان
یادگیری نحوه استفاده از ابزارهای کاربردی مهندسی نرمافزار
شناخت ویژگیهای کلیدی یک مهندس نرمافزار موفق
مرور جامع چرخه حیات توسعه نرمافزار (SDLC) از ابتدا تا انتها
آشنایی با کاربرد ابزارهای هوش مصنوعی در مهندسی نرمافزار
درک اهمیت مهارتهای انسانی در کنار ابزارهای AI
کسب دانش در مورد ابزارهای همکاری تیمی و گردش کار مؤثر
بهبود توانایی تولید نرمافزارهای قابل اطمینان و قابل نگهداری
آمادگی برای به کارگیری بهترین شیوهها در پروژههای نرمافزاری واقعی
https://dl.lyndakade.ir/courses/2026/05/Software%20Engineering%20Principles%20by%20Pearson/preview.webp
دوره آموزشی اصول مهندسی نرمافزار
مهندسی نرمافزار فقط نوشتن کد نیست؛ این یعنی ساختن سیستمهایی که پایدار، قابل توسعه (Scalable)، قابل نگهداری (Maintainable) و قابل اطمینان (Reliable) باشن و در طولانیمدت کار کنن. اگه میخوای واقعاً یه مهندس نرمافزار حرفهای بشی، باید فراتر از کد زدن رو یاد بگیری.
تو این دوره، با اصول اساسی مهندسی نرمافزار آشنا میشی و میفهمی چطور این اصول رو توی پروژههای واقعی پیاده کنی. شان واسل (Shaun Wassell)، مربی این دوره، قدم به قدم تو رو راهنمایی میکنه تا تفاوت کلیدی بین مهندسی نرمافزار (Software Engineering) و توسعه نرمافزار (Software Development) رو درک کنی. خیلیها این دو رو با هم اشتباه میگیرن، ولی مهندسی نرمافزار یه رویکرد سیستمی و اصولی داره که توسعه نرمافزار رو به یه سطح بالاتر میبره.
همچنین یاد میگیری که چطور از ابزارهای یک مهندس نرمافزار استفاده کنی؛ ابزارهایی که بهت کمک میکنن منظمتر، کارآمدتر و حرفهایتر کار کنی. علاوه بر این، ویژگیهای مهمی که یه مهندس نرمافزار رو “عالی” میکنه، بررسی میشن. این فقط مربوط به دانش فنی نیست، بلکه مهارتهای نرم، تفکر سیستمی و حل مسئله هم نقش مهمی دارن.
تو این دوره، یه مرور جامع از کل چرخه حیات توسعه نرمافزار (SDLC - Software Development Lifecycle) خواهی داشت. از مراحل اولیه مثل برنامهریزی و طراحی گرفته تا مراحل نهایی مثل تست و استقرار (Deployment)، همه چیز پوشش داده میشه. میفهمی که هر مرحله چقدر مهمه و چطور به مراحل دیگه وصل میشه.
نکته جالب دیگه اینه که میفهمی چطور ابزارهای هوش مصنوعی (AI Tools) میتونن به فرآیندهای مهندسی نرمافزارت کمک کنن. این دوره تأکید داره که هوش مصنوعی ابزار کمکی قدرتمندیه، اما هرگز نمیتونه جایگزین مهارتهای اساسی انسانی مثل تفکر انتقادی، خلاقیت و توانایی حل مسئله پیچیده بشه.
در نهایت، با ابزارهای همکاری (Collaboration Tools)، گردش کار (Workflows) و بهترین شیوههای (Best Practices) لازم مجهز میشی که به خودت و تیمت کمک میکنه تا نتایج قابل اطمینانتر و قابل نگهداریتری تولید کنید. اگه میخوای حرفهایتر کد بزنی، سیستمهای بهتری بسازی و توی دنیای رقابتی نرمافزار موفق باشی، این دوره برای توئه!
اهداف یادگیری
درک عمیق تفاوت بین مهندسی نرمافزار و توسعه نرمافزار
آشنایی با اصول کلیدی مهندسی نرمافزار مانند مقیاسپذیری، قابلیت نگهداری و قابلیت اطمینان
یادگیری نحوه استفاده از ابزارهای کاربردی مهندسی نرمافزار
شناخت ویژگیهای کلیدی یک مهندس نرمافزار موفق
مرور جامع چرخه حیات توسعه نرمافزار (SDLC) از ابتدا تا انتها
آشنایی با کاربرد ابزارهای هوش مصنوعی در مهندسی نرمافزار
درک اهمیت مهارتهای انسانی در کنار ابزارهای AI
کسب دانش در مورد ابزارهای همکاری تیمی و گردش کار مؤثر
بهبود توانایی تولید نرمافزارهای قابل اطمینان و قابل نگهداری
آمادگی برای به کارگیری بهترین شیوهها در پروژههای نرمافزاری واقعی
https://dl.lyndakade.ir/courses/2026/05/Software%20Engineering%20Principles%20by%20Pearson/0.%20Introduction/01%20-%20Course%20intro.mp4
132
2026-05-05T00:00:00+03:30
دوره آموزشی اصول مهندسی نرمافزار
Software Engineering Principles by Pearson
Pearson