https://lyndakade.ir/learning/isaca-advanced-in-ai-security-management-aaism-cert-prep
2026-09-05T19:49:47+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/ISACA%20Advanced%20in%20AI%20Security%20Management%20%28AAISM%29%20Cert%20Prep/preview.webp
دوره آموزشی آمادگی آزمون مدیریت پیشرفته امنیت هوش مصنوعی ISACA (AAISM)
با گسترش استفاده از هوش مصنوعی در سازمانها، تنها پیادهسازی و بهرهبرداری از سیستمهای AI کافی نیست؛ سازمانها باید بتوانند این سیستمها را بهصورت ایمن، مسئولانه و مطابق با الزامات قانونی مدیریت و کنترل کنند. این دوره به شما کمک میکند چارچوبی عملی برای حاکمیت (Governance)، مدیریت ریسک و حفاظت از سیستمهای هوش مصنوعی در محیطهای سازمانی ایجاد کنید.
در این دوره با مفاهیم کلیدی حاکمیت و استراتژی هوش مصنوعی (AI Governance & Strategy)، همسوسازی با مقررات (Regulatory Alignment)، مدیریت ریسک (Risk Management) و امنیت داده (Data Security) آشنا میشوید. همچنین اصول ایجاد یک چرخه عمر امن برای سیستمهای AI (Secure AI Lifecycle)، مدیریت رخدادهای امنیتی (Incident Response)، ارزیابی ریسک تأمینکنندگان و ارائهدهندگان فناوری (Vendor Risk) و استفاده مسئولانه از هوش مصنوعی (Responsible AI) را بررسی میکنید.
بخش مهمی از دوره بر تبدیل ریسکهای مرتبط با هوش مصنوعی به کنترلهای امنیتی قابل اجرا و تصمیمهای مبتنی بر اهداف کسبوکار تمرکز دارد. همچنین یاد میگیرید چگونه سیستمهای AI را بهصورت مستمر پایش کنید تا تغییرات، تهدیدها، ریسکهای جدید و مشکلات احتمالی بهموقع شناسایی و مدیریت شوند.
این دوره برای متخصصان امنیت، فناوری اطلاعات، حاکمیت و ریسک و همچنین مدیرانی طراحی شده است که در تصمیمگیری، استقرار یا نظارت بر سیستمهای هوش مصنوعی سازمانی نقش دارند.
اهداف یادگیری
مفاهیم و اصول اصلی حاکمیت هوش مصنوعی در محیطهای سازمانی را تشریح کنید.
استراتژیهای AI را با اهداف کسبوکار، امنیت و الزامات سازمانی همسو کنید.
الزامات قانونی و مقرراتی مرتبط با استفاده از هوش مصنوعی را شناسایی و ارزیابی کنید.
ریسکهای امنیتی، عملیاتی و کسبوکاری سیستمهای هوش مصنوعی را شناسایی و اولویتبندی کنید.
کنترلهای امنیتی متناسب با ریسکهای شناساییشده برای سیستمهای AI طراحی کنید.
اصول امنیت داده و حفاظت از اطلاعات را در چرخه عمر سیستمهای هوش مصنوعی بهکار بگیرید.
شیوههای امن توسعه، استقرار و مدیریت چرخه عمر AI را ارزیابی و اجرا کنید.
فرایندهای واکنش به رخداد (Incident Response) و مدیریت حوادث مرتبط با سیستمهای هوش مصنوعی را سازماندهی کنید.
ریسکهای مرتبط با تأمینکنندگان و سرویسهای شخص ثالث هوش مصنوعی را ارزیابی و مدیریت کنید.
سیستمهای AI را بهصورت مستمر پایش کرده و تصمیمهای امنیتی و کسبوکاری مبتنی بر ریسک اتخاذ کنید.
https://dl.lyndakade.ir/courses/2026/09/ISACA%20Advanced%20in%20AI%20Security%20Management%20%28AAISM%29%20Cert%20Prep/preview.webp
دوره آموزشی آمادگی آزمون مدیریت پیشرفته امنیت هوش مصنوعی ISACA (AAISM)
با گسترش استفاده از هوش مصنوعی در سازمانها، تنها پیادهسازی و بهرهبرداری از سیستمهای AI کافی نیست؛ سازمانها باید بتوانند این سیستمها را بهصورت ایمن، مسئولانه و مطابق با الزامات قانونی مدیریت و کنترل کنند. این دوره به شما کمک میکند چارچوبی عملی برای حاکمیت (Governance)، مدیریت ریسک و حفاظت از سیستمهای هوش مصنوعی در محیطهای سازمانی ایجاد کنید.
در این دوره با مفاهیم کلیدی حاکمیت و استراتژی هوش مصنوعی (AI Governance & Strategy)، همسوسازی با مقررات (Regulatory Alignment)، مدیریت ریسک (Risk Management) و امنیت داده (Data Security) آشنا میشوید. همچنین اصول ایجاد یک چرخه عمر امن برای سیستمهای AI (Secure AI Lifecycle)، مدیریت رخدادهای امنیتی (Incident Response)، ارزیابی ریسک تأمینکنندگان و ارائهدهندگان فناوری (Vendor Risk) و استفاده مسئولانه از هوش مصنوعی (Responsible AI) را بررسی میکنید.
بخش مهمی از دوره بر تبدیل ریسکهای مرتبط با هوش مصنوعی به کنترلهای امنیتی قابل اجرا و تصمیمهای مبتنی بر اهداف کسبوکار تمرکز دارد. همچنین یاد میگیرید چگونه سیستمهای AI را بهصورت مستمر پایش کنید تا تغییرات، تهدیدها، ریسکهای جدید و مشکلات احتمالی بهموقع شناسایی و مدیریت شوند.
این دوره برای متخصصان امنیت، فناوری اطلاعات، حاکمیت و ریسک و همچنین مدیرانی طراحی شده است که در تصمیمگیری، استقرار یا نظارت بر سیستمهای هوش مصنوعی سازمانی نقش دارند.
اهداف یادگیری
مفاهیم و اصول اصلی حاکمیت هوش مصنوعی در محیطهای سازمانی را تشریح کنید.
استراتژیهای AI را با اهداف کسبوکار، امنیت و الزامات سازمانی همسو کنید.
الزامات قانونی و مقرراتی مرتبط با استفاده از هوش مصنوعی را شناسایی و ارزیابی کنید.
ریسکهای امنیتی، عملیاتی و کسبوکاری سیستمهای هوش مصنوعی را شناسایی و اولویتبندی کنید.
کنترلهای امنیتی متناسب با ریسکهای شناساییشده برای سیستمهای AI طراحی کنید.
اصول امنیت داده و حفاظت از اطلاعات را در چرخه عمر سیستمهای هوش مصنوعی بهکار بگیرید.
شیوههای امن توسعه، استقرار و مدیریت چرخه عمر AI را ارزیابی و اجرا کنید.
فرایندهای واکنش به رخداد (Incident Response) و مدیریت حوادث مرتبط با سیستمهای هوش مصنوعی را سازماندهی کنید.
ریسکهای مرتبط با تأمینکنندگان و سرویسهای شخص ثالث هوش مصنوعی را ارزیابی و مدیریت کنید.
سیستمهای AI را بهصورت مستمر پایش کرده و تصمیمهای امنیتی و کسبوکاری مبتنی بر ریسک اتخاذ کنید.
https://dl.lyndakade.ir/courses/2026/09/ISACA%20Advanced%20in%20AI%20Security%20Management%20%28AAISM%29%20Cert%20Prep/0.%20Introduction/01%20-%20About%20the%20AAISM%20exam.mp4
270
2026-09-01T00:00:00+03:30
دوره آموزشی آمادگی آزمون مدیریت پیشرفته امنیت هوش مصنوعی ISACA (AAISM)
ISACA Advanced in AI Security Management (AAISM) Cert Prep
Total Seminars
https://lyndakade.ir/learning/leveraged-buyout-lbo-modeling-sources-and-uses-by-corporate-finance-institute
2026-09-05T19:51:46+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/Leveraged%20Buyout%20%28LBO%29%20Modeling%20-%20Sources%20and%20Uses%20by%20Corporate%20Finance%20Institute/preview.webp
دوره آموزشی مدلسازی خرید اهرمی (LBO): منابع و مصارف مالی
مدل خرید اهرمی (Leveraged Buyout یا LBO) یکی از مهمترین ابزارهای مورد استفاده در بانکداری سرمایهگذاری (Investment Banking) و سرمایهگذاری خصوصی (Private Equity) است. این دوره با ارائه یک پایه مفهومی و کاربردی، شما را با نحوه ساختاردهی، ارزشگذاری و تأمین مالی معاملات LBO آشنا میکند و دید مناسبی برای ورود به مدلسازی کامل این نوع معاملات در اختیار شما قرار میدهد.
در این دوره یاد میگیرید چگونه ساختار Sources & Uses یا منابع و مصارف وجوه را ایجاد کنید، قیمت خرید یک شرکت را با استفاده از ارزش بنگاه (Enterprise Value) و مضربهای EBITDA تعیین کنید و فرضیات تأمین مالی را در انواع مختلف سرمایه بررسی و تحلیل کنید. همچنین با مفاهیم کلیدی ارزشگذاری (Valuation) و ساختار سرمایه (Capital Structure) که در معاملات خرید اهرمی مورد استفاده قرار میگیرند آشنا میشوید.
تمرکز دوره بر درک منطق پشت یک معامله LBO است؛ از تعیین ارزش و قیمت خرید گرفته تا نحوه ترکیب بدهی و سرمایه برای تأمین مالی معامله. در پایان، درک پایهای و منسجمی از نحوه ساختاربندی، ارزشگذاری و تأمین مالی معاملات LBO خواهید داشت و میتوانید مسیر خود را برای ساخت یک مدل کامل LBO ادامه دهید.
اهداف یادگیری
مفهوم خرید اهرمی (Leveraged Buyout) و کاربرد آن در بانکداری سرمایهگذاری و سرمایهگذاری خصوصی را توضیح دهید.
اجزای اصلی ساختار یک معامله LBO و نقش هر بخش را شناسایی کنید.
جدول Sources & Uses را برای نمایش منابع و مصارف مالی یک معامله ایجاد کنید.
ارزش بنگاه (Enterprise Value) را برای تعیین ارزش یک شرکت در معامله محاسبه و تفسیر کنید.
قیمت خرید شرکت را با استفاده از مضربهای EBITDA تعیین و تحلیل کنید.
مفاهیم کلیدی ارزشگذاری و نحوه استفاده از مضربهای مالی را بررسی کنید.
انواع سرمایه و روشهای مختلف تأمین مالی مورد استفاده در معاملات LBO را مقایسه کنید.
مفروضات تأمین مالی را در ارتباط با ساختار سرمایه معامله تحلیل کنید.
ارتباط میان ارزش شرکت، قیمت خرید، بدهی و سرمایه در ساختار یک معامله LBO را ارزیابی کنید.
دانش پایه موردنیاز برای حرکت به سمت ساخت و تحلیل یک مدل کامل LBO را بهکار بگیرید.
https://dl.lyndakade.ir/courses/2026/09/Leveraged%20Buyout%20%28LBO%29%20Modeling%20-%20Sources%20and%20Uses%20by%20Corporate%20Finance%20Institute/preview.webp
دوره آموزشی مدلسازی خرید اهرمی (LBO): منابع و مصارف مالی
مدل خرید اهرمی (Leveraged Buyout یا LBO) یکی از مهمترین ابزارهای مورد استفاده در بانکداری سرمایهگذاری (Investment Banking) و سرمایهگذاری خصوصی (Private Equity) است. این دوره با ارائه یک پایه مفهومی و کاربردی، شما را با نحوه ساختاردهی، ارزشگذاری و تأمین مالی معاملات LBO آشنا میکند و دید مناسبی برای ورود به مدلسازی کامل این نوع معاملات در اختیار شما قرار میدهد.
در این دوره یاد میگیرید چگونه ساختار Sources & Uses یا منابع و مصارف وجوه را ایجاد کنید، قیمت خرید یک شرکت را با استفاده از ارزش بنگاه (Enterprise Value) و مضربهای EBITDA تعیین کنید و فرضیات تأمین مالی را در انواع مختلف سرمایه بررسی و تحلیل کنید. همچنین با مفاهیم کلیدی ارزشگذاری (Valuation) و ساختار سرمایه (Capital Structure) که در معاملات خرید اهرمی مورد استفاده قرار میگیرند آشنا میشوید.
تمرکز دوره بر درک منطق پشت یک معامله LBO است؛ از تعیین ارزش و قیمت خرید گرفته تا نحوه ترکیب بدهی و سرمایه برای تأمین مالی معامله. در پایان، درک پایهای و منسجمی از نحوه ساختاربندی، ارزشگذاری و تأمین مالی معاملات LBO خواهید داشت و میتوانید مسیر خود را برای ساخت یک مدل کامل LBO ادامه دهید.
اهداف یادگیری
مفهوم خرید اهرمی (Leveraged Buyout) و کاربرد آن در بانکداری سرمایهگذاری و سرمایهگذاری خصوصی را توضیح دهید.
اجزای اصلی ساختار یک معامله LBO و نقش هر بخش را شناسایی کنید.
جدول Sources & Uses را برای نمایش منابع و مصارف مالی یک معامله ایجاد کنید.
ارزش بنگاه (Enterprise Value) را برای تعیین ارزش یک شرکت در معامله محاسبه و تفسیر کنید.
قیمت خرید شرکت را با استفاده از مضربهای EBITDA تعیین و تحلیل کنید.
مفاهیم کلیدی ارزشگذاری و نحوه استفاده از مضربهای مالی را بررسی کنید.
انواع سرمایه و روشهای مختلف تأمین مالی مورد استفاده در معاملات LBO را مقایسه کنید.
مفروضات تأمین مالی را در ارتباط با ساختار سرمایه معامله تحلیل کنید.
ارتباط میان ارزش شرکت، قیمت خرید، بدهی و سرمایه در ساختار یک معامله LBO را ارزیابی کنید.
دانش پایه موردنیاز برای حرکت به سمت ساخت و تحلیل یک مدل کامل LBO را بهکار بگیرید.
https://dl.lyndakade.ir/courses/2026/09/Leveraged%20Buyout%20%28LBO%29%20Modeling%20-%20Sources%20and%20Uses%20by%20Corporate%20Finance%20Institute/0.%20Introduction/01%20-%20Introduction.mp4
229
2026-09-01T00:00:00+03:30
دوره آموزشی مدلسازی خرید اهرمی (LBO): منابع و مصارف مالی
Leveraged Buyout (LBO) Modeling: Sources and Uses by Corporate Finance Institute
Corporate Finance Institute (CFI)
https://lyndakade.ir/learning/ai-evaluations-in-n8n-building-high-quality-outputs-you-can-trust
2026-09-05T19:55:04+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/AI%20Evaluations%20in%20n8n%20-%20Building%20High-Quality%20Outputs%20You%20Can%20Trust/preview.webp
دوره آموزشی ارزیابیهای هوش مصنوعی در n8n: ساخت خروجیهای باکیفیت و قابلاعتماد
با انتقال سازمانها از مرحله آزمایش مدلهای زبانی بزرگ (LLM) به استفاده از Workflowهای هوش مصنوعی در محیط تولید، ارزیابی عملکرد AI به یک مهارت ضروری تبدیل شده است. یک Workflow ممکن است در ابتدا عملکرد مناسبی داشته باشد، اما با تغییر پرامپتها، منابع داده یا نسخه مدل، دچار خطا، افت کیفیت یا توهمگویی (Hallucination) شود. بنابراین، تیمهای توسعه و سازنده سیستمهای AI به روشی قابل اعتماد برای اندازهگیری کیفیت و شناسایی این تغییرات نیاز دارند.
این دوره به شما نشان میدهد چگونه یک Pipeline ارزیابی قدرتمند و قابل اتکا در n8n ایجاد کنید تا بتوانید بهصورت مستمر عملکرد Workflowهای هوش مصنوعی خود را اندازهگیری و کنترل کنید. برای شروع، یک Workflow واقعی پرسشوپاسخ مبتنی بر RAG را بهعنوان سیستم تحت آزمایش قرار میدهید و یک Golden Dataset ایجاد میکنید. سپس با استفاده از معیارهای داخلی مانند Exact Match و Contains، خروجیها را ارزیابی میکنید و یاد میگیرید هر معیار چه اطلاعاتی در اختیار شما قرار میدهد و چه محدودیتهایی دارد.
در ادامه، وارد ارزیابی مبتنی بر LLM-as-a-Judge میشوید؛ روشی که در آن یک مدل زبانی عملکرد خروجی مدل دیگر را بر اساس معیارهای مشخص ارزیابی میکند. در این بخش، نحوه طراحی Judge Promptهای ساختاریافته، ایجاد Rubric یا معیار امتیازدهی، بررسی Faithfulness و افزایش سازگاری و کاهش سوگیری ارزیاب را یاد میگیرید.
در پایان، همه اجزای ارزیابی را در یک Pipeline یکپارچه قرار میدهید که میتواند معیارها را اجرا کند، امتیازها را تجمیع و خلاصه کند، هشدارهای خودکار ارسال کند و نتایج اجرای Workflowها را در یک محل ذخیرهسازی پایدار ثبت کند. به این ترتیب، ارزیابی از یک بررسی مقطعی به بخشی زنده و مستمر از فرایند توسعه، انتشار و نگهداری سیستمهای هوش مصنوعی تبدیل میشود.
اهداف یادگیری
مفهوم ارزیابی Workflowهای هوش مصنوعی و اهمیت آن در محیطهای Production را توضیح دهید.
یک Golden Dataset برای ارزیابی سیستمهای AI و Workflowهای مبتنی بر RAG ایجاد کنید.
خروجیهای هوش مصنوعی را با معیارهای مبتنی بر قانون مانند Exact Match و Contains اعتبارسنجی کنید.
محدودیتها و کاربردهای هر یک از معیارهای Rule-Based Evaluation را تحلیل کنید.
از روش LLM-as-a-Judge برای ارزیابی Correctness، Faithfulness و ظرافتهای تخصصی خروجیها استفاده کنید.
Judge Promptهای ساختاریافته را با استفاده از Scoring Rubric در نود LLM ابزار n8n طراحی کنید.
بررسیهای Faithfulness را برای شناسایی پاسخهای نادرست یا فاقد پشتوانه در Workflowهای RAG ایجاد کنید.
سازگاری ارزیابیکننده را بهبود دهید و عوامل ایجاد سوگیری در فرایند LLM-as-a-Judge را کاهش دهید.
یک Pipeline ارزیابی End-to-End در n8n برای اجرای معیارها و تولید خلاصه امتیازها طراحی کنید.
هشدارها و ثبت نتایج را بهصورت خودکار اجرا کنید تا روند کیفیت Workflowهای هوش مصنوعی در طول زمان قابل پایش باشد.
https://dl.lyndakade.ir/courses/2026/09/AI%20Evaluations%20in%20n8n%20-%20Building%20High-Quality%20Outputs%20You%20Can%20Trust/preview.webp
دوره آموزشی ارزیابیهای هوش مصنوعی در n8n: ساخت خروجیهای باکیفیت و قابلاعتماد
با انتقال سازمانها از مرحله آزمایش مدلهای زبانی بزرگ (LLM) به استفاده از Workflowهای هوش مصنوعی در محیط تولید، ارزیابی عملکرد AI به یک مهارت ضروری تبدیل شده است. یک Workflow ممکن است در ابتدا عملکرد مناسبی داشته باشد، اما با تغییر پرامپتها، منابع داده یا نسخه مدل، دچار خطا، افت کیفیت یا توهمگویی (Hallucination) شود. بنابراین، تیمهای توسعه و سازنده سیستمهای AI به روشی قابل اعتماد برای اندازهگیری کیفیت و شناسایی این تغییرات نیاز دارند.
این دوره به شما نشان میدهد چگونه یک Pipeline ارزیابی قدرتمند و قابل اتکا در n8n ایجاد کنید تا بتوانید بهصورت مستمر عملکرد Workflowهای هوش مصنوعی خود را اندازهگیری و کنترل کنید. برای شروع، یک Workflow واقعی پرسشوپاسخ مبتنی بر RAG را بهعنوان سیستم تحت آزمایش قرار میدهید و یک Golden Dataset ایجاد میکنید. سپس با استفاده از معیارهای داخلی مانند Exact Match و Contains، خروجیها را ارزیابی میکنید و یاد میگیرید هر معیار چه اطلاعاتی در اختیار شما قرار میدهد و چه محدودیتهایی دارد.
در ادامه، وارد ارزیابی مبتنی بر LLM-as-a-Judge میشوید؛ روشی که در آن یک مدل زبانی عملکرد خروجی مدل دیگر را بر اساس معیارهای مشخص ارزیابی میکند. در این بخش، نحوه طراحی Judge Promptهای ساختاریافته، ایجاد Rubric یا معیار امتیازدهی، بررسی Faithfulness و افزایش سازگاری و کاهش سوگیری ارزیاب را یاد میگیرید.
در پایان، همه اجزای ارزیابی را در یک Pipeline یکپارچه قرار میدهید که میتواند معیارها را اجرا کند، امتیازها را تجمیع و خلاصه کند، هشدارهای خودکار ارسال کند و نتایج اجرای Workflowها را در یک محل ذخیرهسازی پایدار ثبت کند. به این ترتیب، ارزیابی از یک بررسی مقطعی به بخشی زنده و مستمر از فرایند توسعه، انتشار و نگهداری سیستمهای هوش مصنوعی تبدیل میشود.
اهداف یادگیری
مفهوم ارزیابی Workflowهای هوش مصنوعی و اهمیت آن در محیطهای Production را توضیح دهید.
یک Golden Dataset برای ارزیابی سیستمهای AI و Workflowهای مبتنی بر RAG ایجاد کنید.
خروجیهای هوش مصنوعی را با معیارهای مبتنی بر قانون مانند Exact Match و Contains اعتبارسنجی کنید.
محدودیتها و کاربردهای هر یک از معیارهای Rule-Based Evaluation را تحلیل کنید.
از روش LLM-as-a-Judge برای ارزیابی Correctness، Faithfulness و ظرافتهای تخصصی خروجیها استفاده کنید.
Judge Promptهای ساختاریافته را با استفاده از Scoring Rubric در نود LLM ابزار n8n طراحی کنید.
بررسیهای Faithfulness را برای شناسایی پاسخهای نادرست یا فاقد پشتوانه در Workflowهای RAG ایجاد کنید.
سازگاری ارزیابیکننده را بهبود دهید و عوامل ایجاد سوگیری در فرایند LLM-as-a-Judge را کاهش دهید.
یک Pipeline ارزیابی End-to-End در n8n برای اجرای معیارها و تولید خلاصه امتیازها طراحی کنید.
هشدارها و ثبت نتایج را بهصورت خودکار اجرا کنید تا روند کیفیت Workflowهای هوش مصنوعی در طول زمان قابل پایش باشد.
https://dl.lyndakade.ir/courses/2026/09/AI%20Evaluations%20in%20n8n%20-%20Building%20High-Quality%20Outputs%20You%20Can%20Trust/Welcome/01%20-%20Welcome.mp4
58
2026-09-02T00:00:00+03:30
دوره آموزشی ارزیابیهای هوش مصنوعی در n8n: ساخت خروجیهای باکیفیت و قابلاعتماد
AI Evaluations in n8n: Building High-Quality Outputs You Can Trust
Tobias Zwingmann
https://lyndakade.ir/learning/ai-for-customer-success-from-ai-academy-by-smarterx
2026-09-05T19:57:32+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/AI%20for%20Customer%20Success%20from%20AI%20Academy%20by%20SmarterX/preview.webp
دوره آموزشی هوش مصنوعی برای موفقیت مشتری
مدیریت موفقیت مشتری (Customer Success) همیشه تا حد زیادی به ظرفیت انسانی وابسته بوده است؛ تعداد حسابهایی که یک مدیر موفقیت مشتری (CSM) میتواند زیر نظر داشته باشد، تماسهایی که میتواند بررسی کند و ریسکهایی که پیش از تبدیلشدن به مشکل شناسایی کند، همگی محدودیتهایی واقعی هستند. هوش مصنوعی در حال تغییر این معادله است و به تیمهای Customer Success کمک میکند با منابع یکسان، مشتریان بیشتری را بهشکل مؤثرتر و پیشنگرانه مدیریت کنند.
این دوره نشان میدهد چگونه از مدیریت واکنشی حسابها به سمت ایجاد ارزش پیشدستانه حرکت کنید و هوش مصنوعی را بهعنوان یک شریک کاری در نظر بگیرید، نه جایگزینی برای نیروی انسانی. در ابتدا بررسی میکنید که AI امروزه چگونه در بخش Customer Success مورد استفاده قرار میگیرد؛ از پایش مداوم حسابهای مشتریان گرفته تا شناسایی زودهنگام ریسکها و ایجاد تعاملات شخصیسازیشده در مقیاس بزرگ.
سپس نقش خود بهعنوان یک متخصص Customer Success را به وظایف و فعالیتهای مشخص تقسیم میکنید و هر وظیفه را بر اساس میزان ارزش و توانایی هوش مصنوعی در انجام یا پشتیبانی از آن ارزیابی میکنید. در ادامه، یک Workbook کاربردی ایجاد میکنید که به شما نشان میدهد روی کدام فعالیتها باید در اولویت تمرکز کنید و استفاده از AI در کدام بخشها بیشترین ارزش را ایجاد میکند.
پس از مشخصشدن اولویتها، با روشی ساده و کاربردی برای انتخاب ابزار مناسب برای هر Use Case آشنا میشوید. بسته به نیاز، ممکن است بهترین انتخاب، قابلیتهای هوش مصنوعی موجود در CRM سازمان، یک مدل پیشرفته (Frontier Model) مانند ChatGPT یا Claude، یا یک محصول تخصصی از یک شرکت ارائهدهنده نرمافزار باشد.
در پایان، دیدگاه روشنتری نسبت به فرصتهای استفاده از AI در Customer Success خواهید داشت و میتوانید فعالیتهای روزمره خود را هوشمندانهتر اولویتبندی کنید، ریسک مشتریان را زودتر شناسایی کنید و با استفاده هدفمند از ابزارهای هوش مصنوعی، ارزش بیشتری برای مشتری و سازمان ایجاد کنید.
اهداف یادگیری
نقش هوش مصنوعی در تحول فرایندهای Customer Success را تشریح کنید.
فرصتهای استفاده از AI برای پایش مستمر حسابهای مشتریان را شناسایی کنید.
ریسکهای مرتبط با مشتریان را زودتر شناسایی و برای مدیریت آنها اقدام کنید.
فعالیتها و وظایف روزمره خود در نقش Customer Success Manager را تفکیک و دستهبندی کنید.
وظایف Customer Success را بر اساس ارزش کسبوکاری و قابلیت استفاده از AI ارزیابی کنید.
یک Workbook برای اولویتبندی فرصتهای استفاده از هوش مصنوعی ایجاد کنید.
فعالیتهایی را که بیشترین ظرفیت برای اتوماسیون یا تقویت با AI دارند، اولویتبندی کنید.
قابلیتهای هوش مصنوعی موجود در CRM را با مدلهای پیشرفته و ابزارهای تخصصی مقایسه کنید.
برای هر Use Case، ابزار هوش مصنوعی مناسب را بر اساس نیاز و ارزش مورد انتظار انتخاب کنید.
از AI بهعنوان یک شریک کاری برای حرکت از مدیریت واکنشی مشتری به ایجاد ارزش پیشدستانه استفاده کنید.
https://dl.lyndakade.ir/courses/2026/09/AI%20for%20Customer%20Success%20from%20AI%20Academy%20by%20SmarterX/preview.webp
دوره آموزشی هوش مصنوعی برای موفقیت مشتری
مدیریت موفقیت مشتری (Customer Success) همیشه تا حد زیادی به ظرفیت انسانی وابسته بوده است؛ تعداد حسابهایی که یک مدیر موفقیت مشتری (CSM) میتواند زیر نظر داشته باشد، تماسهایی که میتواند بررسی کند و ریسکهایی که پیش از تبدیلشدن به مشکل شناسایی کند، همگی محدودیتهایی واقعی هستند. هوش مصنوعی در حال تغییر این معادله است و به تیمهای Customer Success کمک میکند با منابع یکسان، مشتریان بیشتری را بهشکل مؤثرتر و پیشنگرانه مدیریت کنند.
این دوره نشان میدهد چگونه از مدیریت واکنشی حسابها به سمت ایجاد ارزش پیشدستانه حرکت کنید و هوش مصنوعی را بهعنوان یک شریک کاری در نظر بگیرید، نه جایگزینی برای نیروی انسانی. در ابتدا بررسی میکنید که AI امروزه چگونه در بخش Customer Success مورد استفاده قرار میگیرد؛ از پایش مداوم حسابهای مشتریان گرفته تا شناسایی زودهنگام ریسکها و ایجاد تعاملات شخصیسازیشده در مقیاس بزرگ.
سپس نقش خود بهعنوان یک متخصص Customer Success را به وظایف و فعالیتهای مشخص تقسیم میکنید و هر وظیفه را بر اساس میزان ارزش و توانایی هوش مصنوعی در انجام یا پشتیبانی از آن ارزیابی میکنید. در ادامه، یک Workbook کاربردی ایجاد میکنید که به شما نشان میدهد روی کدام فعالیتها باید در اولویت تمرکز کنید و استفاده از AI در کدام بخشها بیشترین ارزش را ایجاد میکند.
پس از مشخصشدن اولویتها، با روشی ساده و کاربردی برای انتخاب ابزار مناسب برای هر Use Case آشنا میشوید. بسته به نیاز، ممکن است بهترین انتخاب، قابلیتهای هوش مصنوعی موجود در CRM سازمان، یک مدل پیشرفته (Frontier Model) مانند ChatGPT یا Claude، یا یک محصول تخصصی از یک شرکت ارائهدهنده نرمافزار باشد.
در پایان، دیدگاه روشنتری نسبت به فرصتهای استفاده از AI در Customer Success خواهید داشت و میتوانید فعالیتهای روزمره خود را هوشمندانهتر اولویتبندی کنید، ریسک مشتریان را زودتر شناسایی کنید و با استفاده هدفمند از ابزارهای هوش مصنوعی، ارزش بیشتری برای مشتری و سازمان ایجاد کنید.
اهداف یادگیری
نقش هوش مصنوعی در تحول فرایندهای Customer Success را تشریح کنید.
فرصتهای استفاده از AI برای پایش مستمر حسابهای مشتریان را شناسایی کنید.
ریسکهای مرتبط با مشتریان را زودتر شناسایی و برای مدیریت آنها اقدام کنید.
فعالیتها و وظایف روزمره خود در نقش Customer Success Manager را تفکیک و دستهبندی کنید.
وظایف Customer Success را بر اساس ارزش کسبوکاری و قابلیت استفاده از AI ارزیابی کنید.
یک Workbook برای اولویتبندی فرصتهای استفاده از هوش مصنوعی ایجاد کنید.
فعالیتهایی را که بیشترین ظرفیت برای اتوماسیون یا تقویت با AI دارند، اولویتبندی کنید.
قابلیتهای هوش مصنوعی موجود در CRM را با مدلهای پیشرفته و ابزارهای تخصصی مقایسه کنید.
برای هر Use Case، ابزار هوش مصنوعی مناسب را بر اساس نیاز و ارزش مورد انتظار انتخاب کنید.
از AI بهعنوان یک شریک کاری برای حرکت از مدیریت واکنشی مشتری به ایجاد ارزش پیشدستانه استفاده کنید.
https://dl.lyndakade.ir/courses/2026/09/AI%20for%20Customer%20Success%20from%20AI%20Academy%20by%20SmarterX/0.%20Introduction/01%20-%20Introduction%20-%20AI%20for%20Customer%20Success.mp4
211
2026-09-02T00:00:00+03:30
دوره آموزشی هوش مصنوعی برای موفقیت مشتری
AI for Customer Success from AI Academy by SmarterX.
AI Academy by SmarterX
https://lyndakade.ir/learning/ai-for-insurance-from-ai-academy-by-smarterx
2026-09-05T19:59:41+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/AI%20for%20Insurance%20from%20AI%20Academy%20by%20SmarterX/preview.webp
دوره آموزشی هوش مصنوعی برای صنعت بیمه
هوش مصنوعی در حال تغییر شیوه قیمتگذاری، ارزیابی ریسک، صدور بیمهنامه، ارائه خدمات و رسیدگی به خسارت در صنعت بیمه است. برای متخصصان این حوزه، مسئله اصلی دیگر صرفاً شناخت فناوریهای جدید نیست؛ بلکه این است که بتوانند تشخیص دهند AI دقیقاً در کدام بخش از کارشان بیشترین ارزش را ایجاد میکند و چگونه آن را بهصورت عملی به کار بگیرند.
این دوره یک چارچوب کاربردی و قابل تکرار برای استفاده از هوش مصنوعی در نقشهای مختلف صنعت بیمه ارائه میدهد؛ بدون اینکه لازم باشد به دنبال هر ابزار یا فناوری جدیدی باشید. ابتدا با قابلیتهای امروزی AI آشنا میشوید و سه تغییر ساختاری مهم در صنعت بیمه را بررسی میکنید: حرکت از نگاه گذشتهنگر به آیندهنگر، گذار از عملیات دستی به عملیات خودکار و تبدیل فعالیتهای اداری به تخصص تقویتشده با هوش مصنوعی.
در ادامه، نقش شغلی خود را به وظایف و فعالیتهای مستقل تقسیم میکنید و هر وظیفه را بر اساس ارزش ایجادشده و میزان توانایی AI در انجام یا پشتیبانی از آن ارزیابی میکنید. سپس یاد میگیرید چگونه مهمترین و پُربازدهترین Use Caseهای هوش مصنوعی را شناسایی و برای اجرای آنها اولویتبندی کنید.
یکی از بخشهای کلیدی دوره، انتخاب فناوری مناسب برای هر Use Case است. در این بخش، سه سطح از ابزارها را بررسی میکنید: قابلیتهای هوش مصنوعی و نرمافزارهایی که سازمان از قبل در اختیار دارد، مدلهای پیشرفته (Frontier Models) مانند ChatGPT و Claude، و راهکارهای تخصصی ارائهشده توسط شرکتهای فعال در صنعت بیمه.
در پایان، به یک روش منظم و قابل تکرار برای تبدیل فرصتهای AI به اقدامات واقعی دست پیدا میکنید؛ روشی که میتوانید در نقشهای مختلف بیمهای و با تغییر فناوریها نیز از آن استفاده کنید.
اهداف یادگیری
تأثیر هوش مصنوعی بر قیمتگذاری، ارزیابی ریسک، صدور بیمهنامه، خدمات و رسیدگی به خسارت را تشریح کنید.
قابلیتهای کاربردی و امروزی هوش مصنوعی در صنعت بیمه را شناسایی و ارزیابی کنید.
سه تغییر ساختاری مهم صنعت بیمه از گذشتهنگری به آیندهنگری، از عملیات دستی به خودکار و از کار اداری به تخصص تقویتشده را تحلیل کنید.
نقش شغلی خود را به وظایف و فعالیتهای مشخص و قابل ارزیابی تقسیم کنید.
هر وظیفه را بر اساس ارزش کسبوکاری و توانایی AI در انجام یا تقویت آن ارزیابی کنید.
Use Caseهای با بیشترین ظرفیت برای ایجاد ارزش از طریق هوش مصنوعی را شناسایی کنید.
فرصتهای استفاده از AI را بر اساس میزان تأثیر و اولویت کسبوکاری رتبهبندی کنید.
قابلیتهای ابزارهای موجود سازمان را با مدلهای پیشرفتهای مانند ChatGPT و Claude مقایسه کنید.
ابزارها و راهکارهای تخصصی شرکتهای فناوری بیمه (InsurTech) را برای Use Caseهای مناسب ارزیابی کنید.
یک روش قابل تکرار برای تبدیل فرصتهای هوش مصنوعی به اقدامات عملی و ارزشآفرین در محیط کار ایجاد کنید.
https://dl.lyndakade.ir/courses/2026/09/AI%20for%20Insurance%20from%20AI%20Academy%20by%20SmarterX/preview.webp
دوره آموزشی هوش مصنوعی برای صنعت بیمه
هوش مصنوعی در حال تغییر شیوه قیمتگذاری، ارزیابی ریسک، صدور بیمهنامه، ارائه خدمات و رسیدگی به خسارت در صنعت بیمه است. برای متخصصان این حوزه، مسئله اصلی دیگر صرفاً شناخت فناوریهای جدید نیست؛ بلکه این است که بتوانند تشخیص دهند AI دقیقاً در کدام بخش از کارشان بیشترین ارزش را ایجاد میکند و چگونه آن را بهصورت عملی به کار بگیرند.
این دوره یک چارچوب کاربردی و قابل تکرار برای استفاده از هوش مصنوعی در نقشهای مختلف صنعت بیمه ارائه میدهد؛ بدون اینکه لازم باشد به دنبال هر ابزار یا فناوری جدیدی باشید. ابتدا با قابلیتهای امروزی AI آشنا میشوید و سه تغییر ساختاری مهم در صنعت بیمه را بررسی میکنید: حرکت از نگاه گذشتهنگر به آیندهنگر، گذار از عملیات دستی به عملیات خودکار و تبدیل فعالیتهای اداری به تخصص تقویتشده با هوش مصنوعی.
در ادامه، نقش شغلی خود را به وظایف و فعالیتهای مستقل تقسیم میکنید و هر وظیفه را بر اساس ارزش ایجادشده و میزان توانایی AI در انجام یا پشتیبانی از آن ارزیابی میکنید. سپس یاد میگیرید چگونه مهمترین و پُربازدهترین Use Caseهای هوش مصنوعی را شناسایی و برای اجرای آنها اولویتبندی کنید.
یکی از بخشهای کلیدی دوره، انتخاب فناوری مناسب برای هر Use Case است. در این بخش، سه سطح از ابزارها را بررسی میکنید: قابلیتهای هوش مصنوعی و نرمافزارهایی که سازمان از قبل در اختیار دارد، مدلهای پیشرفته (Frontier Models) مانند ChatGPT و Claude، و راهکارهای تخصصی ارائهشده توسط شرکتهای فعال در صنعت بیمه.
در پایان، به یک روش منظم و قابل تکرار برای تبدیل فرصتهای AI به اقدامات واقعی دست پیدا میکنید؛ روشی که میتوانید در نقشهای مختلف بیمهای و با تغییر فناوریها نیز از آن استفاده کنید.
اهداف یادگیری
تأثیر هوش مصنوعی بر قیمتگذاری، ارزیابی ریسک، صدور بیمهنامه، خدمات و رسیدگی به خسارت را تشریح کنید.
قابلیتهای کاربردی و امروزی هوش مصنوعی در صنعت بیمه را شناسایی و ارزیابی کنید.
سه تغییر ساختاری مهم صنعت بیمه از گذشتهنگری به آیندهنگری، از عملیات دستی به خودکار و از کار اداری به تخصص تقویتشده را تحلیل کنید.
نقش شغلی خود را به وظایف و فعالیتهای مشخص و قابل ارزیابی تقسیم کنید.
هر وظیفه را بر اساس ارزش کسبوکاری و توانایی AI در انجام یا تقویت آن ارزیابی کنید.
Use Caseهای با بیشترین ظرفیت برای ایجاد ارزش از طریق هوش مصنوعی را شناسایی کنید.
فرصتهای استفاده از AI را بر اساس میزان تأثیر و اولویت کسبوکاری رتبهبندی کنید.
قابلیتهای ابزارهای موجود سازمان را با مدلهای پیشرفتهای مانند ChatGPT و Claude مقایسه کنید.
ابزارها و راهکارهای تخصصی شرکتهای فناوری بیمه (InsurTech) را برای Use Caseهای مناسب ارزیابی کنید.
یک روش قابل تکرار برای تبدیل فرصتهای هوش مصنوعی به اقدامات عملی و ارزشآفرین در محیط کار ایجاد کنید.
https://dl.lyndakade.ir/courses/2026/09/AI%20for%20Insurance%20from%20AI%20Academy%20by%20SmarterX/0.%20Introduction/01%20-%20Introduction%20-%20AI%20for%20Insurance.mp4
93
2026-09-02T00:00:00+03:30
دوره آموزشی هوش مصنوعی برای صنعت بیمه
AI for Insurance from AI Academy by SmarterX
AI Academy by SmarterX
https://lyndakade.ir/learning/mastering-the-updated-langchain-framework-agents-tools-and-modern-python-workflows
2026-09-05T20:01:41+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/Mastering%20the%20Updated%20LangChain%20Framework%20-%20Agents%2C%20Tools%2C%20and%20Modern%20Python%20Workflows/preview.webp
دوره آموزشی تسلط بر چارچوب بهروزشده LangChain: عاملها، ابزارها و گردشکارهای مدرن Python
اکوسیستم توسعه هوش مصنوعی با سرعت زیادی در حال تغییر است و بهروزماندن با قابلیتها، سینتکسها و مستندات جدید ابزارهایی مانند LangChain، LangGraph و Python برای توسعهدهندگان اهمیت زیادی دارد. این دوره به شما کمک میکند با جدیدترین قابلیتها و رویکردهای توسعه Workflowهای ساختاریافته و برنامههای مبتنی بر Agent آشنا شوید و دانش خود را با ابزارهای مدرن این حوزه بهروز کنید.
در این دوره، ساختارهای جدید، ماژولها، ابزارها و شیوه طراحی Workflowهای هوش مصنوعی را بررسی میکنید و با فرایند توسعه Agentها، اتصال مدلهای مختلف و یکپارچهسازی ابزارها آشنا میشوید. همچنین نحوه مدیریت خروجیها و پیامها و ساخت Workflowهای منظم و قابل توسعه را یاد میگیرید.
بخش دیگری از دوره به ابزارهای مدرن مدیریت پروژه و محیط توسعه اختصاص دارد. با UV، ابزار مدیریت پکیج و محیطهای Python مبتنی بر Rust، آشنا میشوید و یاد میگیرید چگونه پروژههای Python را سریعتر ایجاد و مدیریت کنید. همچنین استفاده از IDEهای مدرن و AI-centric مانند Google IDX، Visual Studio Code و Cursor را برای افزایش سرعت و بهرهوری در کدنویسی بررسی خواهید کرد.
در طول دوره، تمرکز بر ترکیب ابزارها و قابلیتهای جدید برای ایجاد یک محیط توسعه کارآمدتر است؛ محیطی که در آن بتوانید پروژههای AI را ساختاریافتهتر مدیریت کنید، مدلها و ابزارهای مختلف را به یکدیگر متصل کنید و توسعه Agentها و Workflowهای هوشمند را با رویکردی مدرنتر پیش ببرید.
اهداف یادگیری
مفاهیم Short-Term Memory، Streaming، Middleware و Guardrails را در Workflowهای هوش مصنوعی تعریف و تشریح کنید.
تفاوت Middlewareهای داخلی (Built-in) و سفارشی (Custom) را بررسی و در Workflowهای مناسب بهکار بگیرید.
Guardrails را برای کنترل رفتار و خروجی سیستمهای مبتنی بر AI طراحی و استفاده کنید.
چندین مدل هوش مصنوعی متفاوت را با استفاده از Call Tools بهشکل مؤثر یکپارچه کنید.
ساختار Workflowها، ماژولها و ابزارهای مورد استفاده در توسعه برنامههای AI را سازماندهی کنید.
Agentهای هوش مصنوعی را با استفاده از قابلیتهای مدرن LangChain و LangGraph توسعه دهید.
مدیریت خروجیها و پیامها را در Workflowهای مبتنی بر مدلهای زبانی پیادهسازی کنید.
از UV، ابزار مدیریت پکیج مبتنی بر Rust، برای مدیریت سریع پروژههای Python و ایجاد محیطهای توسعه استفاده کنید.
از IDEهای مدرن و AI-centric مانند Google IDX، VS Code و Cursor برای افزایش بهرهوری در کدنویسی استفاده کنید.
یک محیط توسعه مدرن و ساختاریافته برای مدیریت پروژههای Python و توسعه Workflowها و Agentهای هوش مصنوعی ایجاد کنید.
https://dl.lyndakade.ir/courses/2026/09/Mastering%20the%20Updated%20LangChain%20Framework%20-%20Agents%2C%20Tools%2C%20and%20Modern%20Python%20Workflows/preview.webp
دوره آموزشی تسلط بر چارچوب بهروزشده LangChain: عاملها، ابزارها و گردشکارهای مدرن Python
اکوسیستم توسعه هوش مصنوعی با سرعت زیادی در حال تغییر است و بهروزماندن با قابلیتها، سینتکسها و مستندات جدید ابزارهایی مانند LangChain، LangGraph و Python برای توسعهدهندگان اهمیت زیادی دارد. این دوره به شما کمک میکند با جدیدترین قابلیتها و رویکردهای توسعه Workflowهای ساختاریافته و برنامههای مبتنی بر Agent آشنا شوید و دانش خود را با ابزارهای مدرن این حوزه بهروز کنید.
در این دوره، ساختارهای جدید، ماژولها، ابزارها و شیوه طراحی Workflowهای هوش مصنوعی را بررسی میکنید و با فرایند توسعه Agentها، اتصال مدلهای مختلف و یکپارچهسازی ابزارها آشنا میشوید. همچنین نحوه مدیریت خروجیها و پیامها و ساخت Workflowهای منظم و قابل توسعه را یاد میگیرید.
بخش دیگری از دوره به ابزارهای مدرن مدیریت پروژه و محیط توسعه اختصاص دارد. با UV، ابزار مدیریت پکیج و محیطهای Python مبتنی بر Rust، آشنا میشوید و یاد میگیرید چگونه پروژههای Python را سریعتر ایجاد و مدیریت کنید. همچنین استفاده از IDEهای مدرن و AI-centric مانند Google IDX، Visual Studio Code و Cursor را برای افزایش سرعت و بهرهوری در کدنویسی بررسی خواهید کرد.
در طول دوره، تمرکز بر ترکیب ابزارها و قابلیتهای جدید برای ایجاد یک محیط توسعه کارآمدتر است؛ محیطی که در آن بتوانید پروژههای AI را ساختاریافتهتر مدیریت کنید، مدلها و ابزارهای مختلف را به یکدیگر متصل کنید و توسعه Agentها و Workflowهای هوشمند را با رویکردی مدرنتر پیش ببرید.
اهداف یادگیری
مفاهیم Short-Term Memory، Streaming، Middleware و Guardrails را در Workflowهای هوش مصنوعی تعریف و تشریح کنید.
تفاوت Middlewareهای داخلی (Built-in) و سفارشی (Custom) را بررسی و در Workflowهای مناسب بهکار بگیرید.
Guardrails را برای کنترل رفتار و خروجی سیستمهای مبتنی بر AI طراحی و استفاده کنید.
چندین مدل هوش مصنوعی متفاوت را با استفاده از Call Tools بهشکل مؤثر یکپارچه کنید.
ساختار Workflowها، ماژولها و ابزارهای مورد استفاده در توسعه برنامههای AI را سازماندهی کنید.
Agentهای هوش مصنوعی را با استفاده از قابلیتهای مدرن LangChain و LangGraph توسعه دهید.
مدیریت خروجیها و پیامها را در Workflowهای مبتنی بر مدلهای زبانی پیادهسازی کنید.
از UV، ابزار مدیریت پکیج مبتنی بر Rust، برای مدیریت سریع پروژههای Python و ایجاد محیطهای توسعه استفاده کنید.
از IDEهای مدرن و AI-centric مانند Google IDX، VS Code و Cursor برای افزایش بهرهوری در کدنویسی استفاده کنید.
یک محیط توسعه مدرن و ساختاریافته برای مدیریت پروژههای Python و توسعه Workflowها و Agentهای هوش مصنوعی ایجاد کنید.
https://dl.lyndakade.ir/courses/2026/09/Mastering%20the%20Updated%20LangChain%20Framework%20-%20Agents%2C%20Tools%2C%20and%20Modern%20Python%20Workflows/0.%20Introduction/01%20-%20Introduction%20-%20LangChain%20updates.mp4
233
2026-09-02T00:00:00+03:30
دوره آموزشی تسلط بر چارچوب بهروزشده LangChain: عاملها، ابزارها و گردشکارهای مدرن Python
Mastering the Updated LangChain Framework: Agents, Tools, and Modern Python Workflows
Krish Naik
https://lyndakade.ir/learning/practical-deep-agents-implementing-autonomous-problem-solving-loops
2026-09-05T20:03:36+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/Practical%20Deep%20Agents%20-%20Implementing%20Autonomous%20Problem-Solving%20Loops/preview.webp
دوره آموزشی عاملهای عمیق عملی: پیادهسازی حلقههای حل مسئله خودکار
توسعه هوش مصنوعی در حال حرکت از مدلهای زبانی بزرگ (LLM) به سمت عاملهای مستقل، سیستمهای چندعاملی (Multi-Agent) و نسل جدیدی از Agentهای پیشرفته موسوم به Deep Agents یا Deep Research Agents است. این دوره یک دیدگاه مفهومی و کاربردی برای درک این مسیر تکاملی ارائه میدهد و به شما کمک میکند تفاوت میان Agentهای ساده و سیستمهای هوشمندتر و خودمختارتر را بهتر درک کنید.
در ابتدا با مفهوم Shallow Agent یا عامل ساده آشنا میشوید؛ سیستمی که از یک LLM بهعنوان «مغز» استفاده میکند تا بتواند با ابزارها و APIهای خارجی مانند سرویسهای جستوجو یا آبوهوا تعامل داشته باشد. سپس اجزای اصلی این Agentها و نحوه تولید پاسخ توسط مدل و فراخوانی ابزارهای خارجی را بررسی میکنید.
در ادامه، محدودیتهای Agentهای ساده را بررسی خواهید کرد؛ از جمله ضعف در برنامهریزی صریح (Planning)، محدودیت حافظه و نگهداری Context و دشواری در مدیریت پرسوجوهای پیچیده و چندبخشی. درک این محدودیتها به شما نشان میدهد چرا برای حل مسائل پیچیدهتر، معماریهای پیشرفتهتری مانند Deep Agents مورد نیاز هستند.
یکی از موضوعات مهم دوره، نحوه تجزیه یک پرسوجوی پیچیده به مجموعهای از Sub-queryهای کوچکتر و قابل مدیریت است. با استفاده از توضیحات مفهومی و نمونههای کدنویسی، با اصولی آشنا میشوید که زیربنای توسعه Agentهای عمیق و خودمختار را تشکیل میدهند.
در پایان دوره، درک مناسبی از مسیر تحول LLMها به Agentهای مستقل، Multi-Agentها و Deep Agents خواهید داشت و برای ورود به پیادهسازی راهکارهای پیشرفتهتر و خودمختار هوش مصنوعی آمادگی بیشتری پیدا میکنید.
اهداف یادگیری
مسیر تکامل توسعه هوش مصنوعی از LLMها به Agentهای مستقل، سیستمهای Multi-Agent و Deep Agents را تشریح کنید.
مفهوم Shallow Agent و نحوه عملکرد آن در تعامل با مدلهای زبانی را توضیح دهید.
مفهوم Deep Agent یا Deep Research Agent و تفاوت آن با Shallow Agent را تعریف کنید.
اجزای اصلی یک Agent ساده و نقش LLM بهعنوان مغز سیستم را شناسایی کنید.
نحوه تعامل Agentها با ابزارها و APIهای خارجی مانند سرویسهای جستوجو و آبوهوا را توضیح دهید.
محدودیتهای Shallow Agentها در زمینه Planning، Memory و مدیریت Context را تحلیل کنید.
چالشهای Agentهای ساده در پردازش پرسوجوهای پیچیده و چندبخشی را شناسایی کنید.
پرسوجوهای پیچیده را به Sub-queryهای کوچکتر و قابل مدیریت تجزیه کنید.
نمونههای کدنویسی مرتبط با ایجاد Deep Agentها را بررسی و مفاهیم بنیادی آنها را تشریح کنید.
اصول معماری Deep Agentها را برای حرکت به سمت پیادهسازی راهکارهای خودمختار و پیشرفته هوش مصنوعی بهکار بگیرید.
https://dl.lyndakade.ir/courses/2026/09/Practical%20Deep%20Agents%20-%20Implementing%20Autonomous%20Problem-Solving%20Loops/preview.webp
دوره آموزشی عاملهای عمیق عملی: پیادهسازی حلقههای حل مسئله خودکار
توسعه هوش مصنوعی در حال حرکت از مدلهای زبانی بزرگ (LLM) به سمت عاملهای مستقل، سیستمهای چندعاملی (Multi-Agent) و نسل جدیدی از Agentهای پیشرفته موسوم به Deep Agents یا Deep Research Agents است. این دوره یک دیدگاه مفهومی و کاربردی برای درک این مسیر تکاملی ارائه میدهد و به شما کمک میکند تفاوت میان Agentهای ساده و سیستمهای هوشمندتر و خودمختارتر را بهتر درک کنید.
در ابتدا با مفهوم Shallow Agent یا عامل ساده آشنا میشوید؛ سیستمی که از یک LLM بهعنوان «مغز» استفاده میکند تا بتواند با ابزارها و APIهای خارجی مانند سرویسهای جستوجو یا آبوهوا تعامل داشته باشد. سپس اجزای اصلی این Agentها و نحوه تولید پاسخ توسط مدل و فراخوانی ابزارهای خارجی را بررسی میکنید.
در ادامه، محدودیتهای Agentهای ساده را بررسی خواهید کرد؛ از جمله ضعف در برنامهریزی صریح (Planning)، محدودیت حافظه و نگهداری Context و دشواری در مدیریت پرسوجوهای پیچیده و چندبخشی. درک این محدودیتها به شما نشان میدهد چرا برای حل مسائل پیچیدهتر، معماریهای پیشرفتهتری مانند Deep Agents مورد نیاز هستند.
یکی از موضوعات مهم دوره، نحوه تجزیه یک پرسوجوی پیچیده به مجموعهای از Sub-queryهای کوچکتر و قابل مدیریت است. با استفاده از توضیحات مفهومی و نمونههای کدنویسی، با اصولی آشنا میشوید که زیربنای توسعه Agentهای عمیق و خودمختار را تشکیل میدهند.
در پایان دوره، درک مناسبی از مسیر تحول LLMها به Agentهای مستقل، Multi-Agentها و Deep Agents خواهید داشت و برای ورود به پیادهسازی راهکارهای پیشرفتهتر و خودمختار هوش مصنوعی آمادگی بیشتری پیدا میکنید.
اهداف یادگیری
مسیر تکامل توسعه هوش مصنوعی از LLMها به Agentهای مستقل، سیستمهای Multi-Agent و Deep Agents را تشریح کنید.
مفهوم Shallow Agent و نحوه عملکرد آن در تعامل با مدلهای زبانی را توضیح دهید.
مفهوم Deep Agent یا Deep Research Agent و تفاوت آن با Shallow Agent را تعریف کنید.
اجزای اصلی یک Agent ساده و نقش LLM بهعنوان مغز سیستم را شناسایی کنید.
نحوه تعامل Agentها با ابزارها و APIهای خارجی مانند سرویسهای جستوجو و آبوهوا را توضیح دهید.
محدودیتهای Shallow Agentها در زمینه Planning، Memory و مدیریت Context را تحلیل کنید.
چالشهای Agentهای ساده در پردازش پرسوجوهای پیچیده و چندبخشی را شناسایی کنید.
پرسوجوهای پیچیده را به Sub-queryهای کوچکتر و قابل مدیریت تجزیه کنید.
نمونههای کدنویسی مرتبط با ایجاد Deep Agentها را بررسی و مفاهیم بنیادی آنها را تشریح کنید.
اصول معماری Deep Agentها را برای حرکت به سمت پیادهسازی راهکارهای خودمختار و پیشرفته هوش مصنوعی بهکار بگیرید.
https://dl.lyndakade.ir/courses/2026/09/Practical%20Deep%20Agents%20-%20Implementing%20Autonomous%20Problem-Solving%20Loops/Practical%20Deep%20Agents/01%20-%20Deep%20agents%20-%20Part%20one.mp4
2649
2026-09-02T00:00:00+03:30
دوره آموزشی عاملهای عمیق عملی: پیادهسازی حلقههای حل مسئله خودکار
Practical Deep Agents: Implementing Autonomous Problem-Solving Loops
Krish Naik
https://lyndakade.ir/learning/mergers-and-acquisitions-m-a-modeling-in-excel-model-setup-and-transaction-adjustments-by-corporate-finance-in
2026-09-07T20:00:37+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/Mergers%20and%20Acquisitions%20%28M%26A%29%20Modeling%20in%20Excel%20-%20Model%20Setup%20and%20Transaction%20Adjustments%20by%20Corporate%20Finance%20Institute/preview.webp
دوره آموزشی مدلسازی ادغام و تملک (M&A) در Excel: راهاندازی مدل و تعدیلات معامله
ادغام و تملیک (Mergers & Acquisitions - M&A) از پیچیدهترین معاملات در حوزه مالی هستند و توانایی ساخت یک مدل مالی قابل اتکا برای این نوع معاملات، یکی از مهارتهای مهم برای بسیاری از متخصصان مالی به شمار میرود. در این دوره، با مراحل پایه ساخت یک مدل M&A در Excel آشنا میشوید و یاد میگیرید چگونه ساختار مدل را بهگونهای طراحی کنید که منطق اقتصادی و حسابداری معامله را بهدرستی منعکس کند.
در ابتدای دوره، نحوه سازماندهی و ساختاربندی کاربرگ مدل را بررسی میکنید و سپس با تنظیم فرضیات (Assumptions)، محرکهای مالی (Drivers) و تعدیلات مورد نیاز برای معامله آشنا میشوید. هدف این است که بتوانید اجزای اصلی یک مدل M&A را به شکلی منظم و قابل توسعه در Excel ایجاد کنید.
در ادامه، محاسبه تعدیلات قیمت خرید (Purchase Price Adjustments) و سرقفلی (Goodwill) را یاد میگیرید تا ارزش اقتصادی و آثار حسابداری معامله بهدرستی در مدل منعکس شود. همچنین با نحوه اعمال تعدیلات مرتبط با معامله برای تهیه صورت مالی ترکیبی پس از انجام معامله آشنا خواهید شد.
در پایان دوره، ساختار اولیه یک مدل عملی M&A را در Excel ایجاد کرده و یک ترازنامه پیشبینیشده پس از معامله (Post-Transaction Pro Forma Balance Sheet) تهیه خواهید کرد. این دوره میتواند پایه مناسبی برای ادامه مسیر و ساخت مدلهای کاملتر در حوزه ادغام و تملیک و مدلسازی مالی باشد.
اهداف یادگیری
ساختار یک مدل M&A را در Excel بهصورت منظم و قابل توسعه طراحی کنید.
فرضیات کلیدی و محرکهای مالی مورد نیاز برای مدلسازی معامله را تنظیم کنید.
ساختار Workbook را برای مدیریت مؤثر اطلاعات و محاسبات معامله سازماندهی کنید.
آثار اقتصادی و مالی اصلی یک معامله ادغام یا تملیک را در مدل شناسایی کنید.
تعدیلات قیمت خرید (Purchase Price Adjustments) را محاسبه کنید.
Goodwill یا سرقفلی ایجادشده در معامله را محاسبه و در مدل اعمال کنید.
تعدیلات حسابداری مرتبط با معامله را بهدرستی در مدل مالی وارد کنید.
آثار معامله را بر صورتهای مالی پس از انجام M&A تحلیل کنید.
ترازنامه Pro Forma پس از معامله را با استفاده از تعدیلات صحیح تهیه کنید.
ساختار پایه یک مدل M&A قابل اتکا را برای توسعه مدلهای مالی پیشرفتهتر ایجاد کنید.
https://dl.lyndakade.ir/courses/2026/09/Mergers%20and%20Acquisitions%20%28M%26A%29%20Modeling%20in%20Excel%20-%20Model%20Setup%20and%20Transaction%20Adjustments%20by%20Corporate%20Finance%20Institute/preview.webp
دوره آموزشی مدلسازی ادغام و تملک (M&A) در Excel: راهاندازی مدل و تعدیلات معامله
ادغام و تملیک (Mergers & Acquisitions - M&A) از پیچیدهترین معاملات در حوزه مالی هستند و توانایی ساخت یک مدل مالی قابل اتکا برای این نوع معاملات، یکی از مهارتهای مهم برای بسیاری از متخصصان مالی به شمار میرود. در این دوره، با مراحل پایه ساخت یک مدل M&A در Excel آشنا میشوید و یاد میگیرید چگونه ساختار مدل را بهگونهای طراحی کنید که منطق اقتصادی و حسابداری معامله را بهدرستی منعکس کند.
در ابتدای دوره، نحوه سازماندهی و ساختاربندی کاربرگ مدل را بررسی میکنید و سپس با تنظیم فرضیات (Assumptions)، محرکهای مالی (Drivers) و تعدیلات مورد نیاز برای معامله آشنا میشوید. هدف این است که بتوانید اجزای اصلی یک مدل M&A را به شکلی منظم و قابل توسعه در Excel ایجاد کنید.
در ادامه، محاسبه تعدیلات قیمت خرید (Purchase Price Adjustments) و سرقفلی (Goodwill) را یاد میگیرید تا ارزش اقتصادی و آثار حسابداری معامله بهدرستی در مدل منعکس شود. همچنین با نحوه اعمال تعدیلات مرتبط با معامله برای تهیه صورت مالی ترکیبی پس از انجام معامله آشنا خواهید شد.
در پایان دوره، ساختار اولیه یک مدل عملی M&A را در Excel ایجاد کرده و یک ترازنامه پیشبینیشده پس از معامله (Post-Transaction Pro Forma Balance Sheet) تهیه خواهید کرد. این دوره میتواند پایه مناسبی برای ادامه مسیر و ساخت مدلهای کاملتر در حوزه ادغام و تملیک و مدلسازی مالی باشد.
اهداف یادگیری
ساختار یک مدل M&A را در Excel بهصورت منظم و قابل توسعه طراحی کنید.
فرضیات کلیدی و محرکهای مالی مورد نیاز برای مدلسازی معامله را تنظیم کنید.
ساختار Workbook را برای مدیریت مؤثر اطلاعات و محاسبات معامله سازماندهی کنید.
آثار اقتصادی و مالی اصلی یک معامله ادغام یا تملیک را در مدل شناسایی کنید.
تعدیلات قیمت خرید (Purchase Price Adjustments) را محاسبه کنید.
Goodwill یا سرقفلی ایجادشده در معامله را محاسبه و در مدل اعمال کنید.
تعدیلات حسابداری مرتبط با معامله را بهدرستی در مدل مالی وارد کنید.
آثار معامله را بر صورتهای مالی پس از انجام M&A تحلیل کنید.
ترازنامه Pro Forma پس از معامله را با استفاده از تعدیلات صحیح تهیه کنید.
ساختار پایه یک مدل M&A قابل اتکا را برای توسعه مدلهای مالی پیشرفتهتر ایجاد کنید.
https://dl.lyndakade.ir/courses/2026/09/Mergers%20and%20Acquisitions%20%28M%26A%29%20Modeling%20in%20Excel%20-%20Model%20Setup%20and%20Transaction%20Adjustments%20by%20Corporate%20Finance%20Institute/0.%20Introduction/01%20-%20Course%20introduction.mp4
113
2026-09-03T00:00:00+03:30
دوره آموزشی مدلسازی ادغام و تملک (M&A) در Excel: راهاندازی مدل و تعدیلات معامله
Mergers and Acquisitions (M&A) Modeling in Excel: Model Setup and Transaction Adjustments by Corporate Finance Institute
Corporate Finance Institute (CFI)
https://lyndakade.ir/learning/building-ai-apps-and-agents-with-microsoft-foundry-using-visual-studio-code
2026-09-07T20:04:04+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/Building%20AI%20Apps%20and%20Agents%20with%20Microsoft%20Foundry%20Using%20Visual%20Studio%20Code/preview.webp
دوره آموزشی ساخت اپلیکیشنها و عاملهای هوش مصنوعی با Microsoft Foundry و Visual Studio Code
با استفاده از ابزارهای Microsoft Foundry میتوانید اپلیکیشنها و Agentهای هوش مصنوعی را مستقیماً در Visual Studio Code توسعه دهید و بخشهای مختلف فرایند توسعه، از انتخاب مدل و طراحی Prompt گرفته تا ارزیابی و استقرار را در یک محیط واحد مدیریت کنید. این دوره کوتاه شما را با ترکیب Foundry Toolkit، GitHub Copilot و Microsoft Foundry Skill آشنا میکند تا بتوانید یک Workflow یکپارچه برای توسعه Agentic AI ایجاد کنید.
در ابتدا با Foundry Toolkit در VS Code کار میکنید و نحوه استفاده از Model Catalog و Playground را برای انتخاب، آزمایش و مقایسه مدلهای هوش مصنوعی مولد (Generative AI) متناسب با سناریوی موردنظر یاد میگیرید. سپس با استفاده از Agent Builder یک Agent کمکد (Low-Code) میسازید که ورودیهای یک کمپین را به محتوای آماده انتشار برای کانالهای مختلف شبکههای اجتماعی تبدیل میکند.
در ادامه، نحوه اتصال Agent به منابع داده تأییدشده از طریق MCP Serverها و اجرای ارزیابیهای مبتنی بر قضاوت هوش مصنوعی (AI-Judged Evaluations) را بررسی میکنید. این بخش به شما کمک میکند کیفیت خروجی Agent را قبل از استفاده در محیط واقعی ارزیابی کنید.
در بخش پایانی، از یک رویکرد کدنویسیشده برای ساخت Agent استفاده میکنید و با GitHub Copilot CLI و Microsoft Foundry Skill کار خواهید کرد. همچنین نحوه پیکربندی Foundry Toolbox، اشکالزدایی Agent با Agent Inspector و در نهایت استقرار آن بهعنوان یک Hosted Agent در Microsoft Foundry را یاد میگیرید.
در پایان دوره، یک دید عملی از مسیر توسعه Agentهای هوش مصنوعی در VS Code خواهید داشت؛ از انتخاب مدل و ساخت Agent گرفته تا اتصال به داده، ارزیابی، اشکالزدایی و استقرار.
اهداف یادگیری
Foundry Toolkit را در محیط Visual Studio Code راهاندازی و برای توسعه AI استفاده کنید.
مدلهای هوش مصنوعی مولد را با استفاده از Model Catalog و Playground انتخاب و مقایسه کنید.
مناسبترین مدل را بر اساس نیاز و سناریوی کاربردی پروژه انتخاب کنید.
یک Agent کمکد را با استفاده از Agent Builder طراحی و پیادهسازی کنید.
ورودیهای یک کمپین را به محتوای آماده انتشار برای کانالهای مختلف شبکههای اجتماعی تبدیل کنید.
Agentها را از طریق MCP Serverها به منابع داده تأییدشده متصل کنید.
ارزیابیهای مبتنی بر قضاوت هوش مصنوعی را برای بررسی کیفیت خروجی Agent اجرا کنید.
Agentهای کدنویسیشده را با GitHub Copilot CLI و Microsoft Foundry Skill توسعه دهید.
Foundry Toolbox را پیکربندی و Agentها را با Agent Inspector اشکالزدایی کنید.
Agentهای توسعهیافته را بهعنوان Hosted Agent در Microsoft Foundry مستقر و آماده اجرا کنید.
https://dl.lyndakade.ir/courses/2026/09/Building%20AI%20Apps%20and%20Agents%20with%20Microsoft%20Foundry%20Using%20Visual%20Studio%20Code/preview.webp
دوره آموزشی ساخت اپلیکیشنها و عاملهای هوش مصنوعی با Microsoft Foundry و Visual Studio Code
با استفاده از ابزارهای Microsoft Foundry میتوانید اپلیکیشنها و Agentهای هوش مصنوعی را مستقیماً در Visual Studio Code توسعه دهید و بخشهای مختلف فرایند توسعه، از انتخاب مدل و طراحی Prompt گرفته تا ارزیابی و استقرار را در یک محیط واحد مدیریت کنید. این دوره کوتاه شما را با ترکیب Foundry Toolkit، GitHub Copilot و Microsoft Foundry Skill آشنا میکند تا بتوانید یک Workflow یکپارچه برای توسعه Agentic AI ایجاد کنید.
در ابتدا با Foundry Toolkit در VS Code کار میکنید و نحوه استفاده از Model Catalog و Playground را برای انتخاب، آزمایش و مقایسه مدلهای هوش مصنوعی مولد (Generative AI) متناسب با سناریوی موردنظر یاد میگیرید. سپس با استفاده از Agent Builder یک Agent کمکد (Low-Code) میسازید که ورودیهای یک کمپین را به محتوای آماده انتشار برای کانالهای مختلف شبکههای اجتماعی تبدیل میکند.
در ادامه، نحوه اتصال Agent به منابع داده تأییدشده از طریق MCP Serverها و اجرای ارزیابیهای مبتنی بر قضاوت هوش مصنوعی (AI-Judged Evaluations) را بررسی میکنید. این بخش به شما کمک میکند کیفیت خروجی Agent را قبل از استفاده در محیط واقعی ارزیابی کنید.
در بخش پایانی، از یک رویکرد کدنویسیشده برای ساخت Agent استفاده میکنید و با GitHub Copilot CLI و Microsoft Foundry Skill کار خواهید کرد. همچنین نحوه پیکربندی Foundry Toolbox، اشکالزدایی Agent با Agent Inspector و در نهایت استقرار آن بهعنوان یک Hosted Agent در Microsoft Foundry را یاد میگیرید.
در پایان دوره، یک دید عملی از مسیر توسعه Agentهای هوش مصنوعی در VS Code خواهید داشت؛ از انتخاب مدل و ساخت Agent گرفته تا اتصال به داده، ارزیابی، اشکالزدایی و استقرار.
اهداف یادگیری
Foundry Toolkit را در محیط Visual Studio Code راهاندازی و برای توسعه AI استفاده کنید.
مدلهای هوش مصنوعی مولد را با استفاده از Model Catalog و Playground انتخاب و مقایسه کنید.
مناسبترین مدل را بر اساس نیاز و سناریوی کاربردی پروژه انتخاب کنید.
یک Agent کمکد را با استفاده از Agent Builder طراحی و پیادهسازی کنید.
ورودیهای یک کمپین را به محتوای آماده انتشار برای کانالهای مختلف شبکههای اجتماعی تبدیل کنید.
Agentها را از طریق MCP Serverها به منابع داده تأییدشده متصل کنید.
ارزیابیهای مبتنی بر قضاوت هوش مصنوعی را برای بررسی کیفیت خروجی Agent اجرا کنید.
Agentهای کدنویسیشده را با GitHub Copilot CLI و Microsoft Foundry Skill توسعه دهید.
Foundry Toolbox را پیکربندی و Agentها را با Agent Inspector اشکالزدایی کنید.
Agentهای توسعهیافته را بهعنوان Hosted Agent در Microsoft Foundry مستقر و آماده اجرا کنید.
https://dl.lyndakade.ir/courses/2026/09/Building%20AI%20Apps%20and%20Agents%20with%20Microsoft%20Foundry%20Using%20Visual%20Studio%20Code/1.%20Your%20Entire%20Agentic%20AI%20Workflow%20Now%20Inside%20VS%20Code/01%20-%20Your%20entire%20agentic%20AI%20workflow%20now%20inside%20VS%20Code.mp4
545
2026-09-04T00:00:00+03:30
دوره آموزشی ساخت اپلیکیشنها و عاملهای هوش مصنوعی با Microsoft Foundry و Visual Studio Code
Building AI Apps and Agents with Microsoft Foundry Using Visual Studio Code
Microsoft Developer
https://lyndakade.ir/learning/claude-code-in-action
2026-09-07T20:07:24+03:30
weekly
1
https://dl.lyndakade.ir/courses/2026/09/Claude%20Code%20in%20Action/preview.webp
دوره آموزشی یادگیری عملی Claude Code
وقتی پروژههای کدنویسی با Claude Code طولانیتر و پیچیدهتر میشوند، صرفاً استفاده از یک مدل هوش مصنوعی کافی نیست؛ باید بتوانید نحوه اجرای کار، سطح دسترسی، قوانین، فرایندهای بررسی و خودکارسازی آن را نیز کنترل کنید. این دوره مجموعهای از تکنیکهای عملی را برای هدایت جلسات طولانی Claude Code و ساخت Workflowهای قابل اعتماد و تکرارپذیر ارائه میدهد.
در ابتدا با روش مدیریت جلسات طولانی با استفاده از Plan Mode، دستورات Goal و Loop و همچنین Worktreeها آشنا میشوید. سپس یاد میگیرید چگونه فایل CLAUDE.md را به شکلی مختصر و قابل اجرا تنظیم کنید، دستورالعملها و فرایندهای تکرارشونده را با Imports و Skills سازماندهی کنید و با استفاده از Hooks قوانین مشخصی را بهصورت خودکار اعمال کنید.
بخش دیگری از دوره به اجرای خودکار و بدون دخالت مستقیم اختصاص دارد. با Permission Modeها آشنا میشوید و یاد میگیرید بر اساس نوع کار، سطح دسترسی مناسب را انتخاب کنید. همچنین نحوه استفاده از Routineها، Headless Mode و Agent SDK برای خودکارسازی وظایف تکراری و اتصال Claude Code به Pipelineهای اختصاصی را بررسی میکنید.
در ادامه، روش استفاده از Code Review و GitHub Action مربوط به Claude برای واگذاری بررسی Pull Requestها را یاد میگیرید. همچنین با تکنیکهای بررسی اجرای بدون نظارت، از جمله تحلیل Diffها، Stop Hookها و دریافت نظر دوم مستقل (Second Opinion) آشنا میشوید تا میزان اطمینان به خروجیهای خودکار متناسب با سطح نظارت شما باشد.
در پایان، یاد میگیرید چگونه تنظیمات و Workflow مورد اعتماد خود را به یک Plugin تبدیل کنید تا تمام اعضای تیم بتوانند از یک محیط توسعه استاندارد، کنترلشده و قابل اعتماد استفاده کنند.
اهداف یادگیری
جلسات طولانی Claude Code را با استفاده از Plan Mode و روشهای مناسب هدایت و مدیریت کنید.
با استفاده از Compaction و Rewind، اطلاعات مهم را حفظ کرده و هنگام تغییر مسیر پروژه تصمیمهای قبلی را اصلاح کنید.
بین هدایت مستقیم و اجرای خودکار با Goal و Loop Commands بر اساس نوع کار انتخاب کنید.
فایل CLAUDE.md را به شکلی مختصر، شفاف و قابل اجرا تنظیم کنید.
رویههای تکرارشونده را بهصورت Skills سازماندهی و برای Claude Code قابل استفاده کنید.
Permission Mode مناسب را برای اجرای دستی، نیمهخودکار یا بدون نظارت انتخاب کنید.
با استفاده از Hookها قوانین غیرقابل مذاکره و Guardrailهای قطعی را در Workflow اعمال کنید.
Workflowهای خودکار را با Routines، Headless Mode و Agent SDK طراحی و اجرا کنید.
بررسی Pull Requestها را با Code Review و GitHub Action به Claude واگذار و اجرای بدون نظارت را با Test Results، Diff، Stop Hook و Second Opinion اعتبارسنجی کنید.
تنظیمات و Workflow مورد اعتماد خود را به یک Plugin قابل نصب برای استفاده یکپارچه توسط کل تیم تبدیل کنید.
https://dl.lyndakade.ir/courses/2026/09/Claude%20Code%20in%20Action/preview.webp
دوره آموزشی یادگیری عملی Claude Code
وقتی پروژههای کدنویسی با Claude Code طولانیتر و پیچیدهتر میشوند، صرفاً استفاده از یک مدل هوش مصنوعی کافی نیست؛ باید بتوانید نحوه اجرای کار، سطح دسترسی، قوانین، فرایندهای بررسی و خودکارسازی آن را نیز کنترل کنید. این دوره مجموعهای از تکنیکهای عملی را برای هدایت جلسات طولانی Claude Code و ساخت Workflowهای قابل اعتماد و تکرارپذیر ارائه میدهد.
در ابتدا با روش مدیریت جلسات طولانی با استفاده از Plan Mode، دستورات Goal و Loop و همچنین Worktreeها آشنا میشوید. سپس یاد میگیرید چگونه فایل CLAUDE.md را به شکلی مختصر و قابل اجرا تنظیم کنید، دستورالعملها و فرایندهای تکرارشونده را با Imports و Skills سازماندهی کنید و با استفاده از Hooks قوانین مشخصی را بهصورت خودکار اعمال کنید.
بخش دیگری از دوره به اجرای خودکار و بدون دخالت مستقیم اختصاص دارد. با Permission Modeها آشنا میشوید و یاد میگیرید بر اساس نوع کار، سطح دسترسی مناسب را انتخاب کنید. همچنین نحوه استفاده از Routineها، Headless Mode و Agent SDK برای خودکارسازی وظایف تکراری و اتصال Claude Code به Pipelineهای اختصاصی را بررسی میکنید.
در ادامه، روش استفاده از Code Review و GitHub Action مربوط به Claude برای واگذاری بررسی Pull Requestها را یاد میگیرید. همچنین با تکنیکهای بررسی اجرای بدون نظارت، از جمله تحلیل Diffها، Stop Hookها و دریافت نظر دوم مستقل (Second Opinion) آشنا میشوید تا میزان اطمینان به خروجیهای خودکار متناسب با سطح نظارت شما باشد.
در پایان، یاد میگیرید چگونه تنظیمات و Workflow مورد اعتماد خود را به یک Plugin تبدیل کنید تا تمام اعضای تیم بتوانند از یک محیط توسعه استاندارد، کنترلشده و قابل اعتماد استفاده کنند.
اهداف یادگیری
جلسات طولانی Claude Code را با استفاده از Plan Mode و روشهای مناسب هدایت و مدیریت کنید.
با استفاده از Compaction و Rewind، اطلاعات مهم را حفظ کرده و هنگام تغییر مسیر پروژه تصمیمهای قبلی را اصلاح کنید.
بین هدایت مستقیم و اجرای خودکار با Goal و Loop Commands بر اساس نوع کار انتخاب کنید.
فایل CLAUDE.md را به شکلی مختصر، شفاف و قابل اجرا تنظیم کنید.
رویههای تکرارشونده را بهصورت Skills سازماندهی و برای Claude Code قابل استفاده کنید.
Permission Mode مناسب را برای اجرای دستی، نیمهخودکار یا بدون نظارت انتخاب کنید.
با استفاده از Hookها قوانین غیرقابل مذاکره و Guardrailهای قطعی را در Workflow اعمال کنید.
Workflowهای خودکار را با Routines، Headless Mode و Agent SDK طراحی و اجرا کنید.
بررسی Pull Requestها را با Code Review و GitHub Action به Claude واگذار و اجرای بدون نظارت را با Test Results، Diff، Stop Hook و Second Opinion اعتبارسنجی کنید.
تنظیمات و Workflow مورد اعتماد خود را به یک Plugin قابل نصب برای استفاده یکپارچه توسط کل تیم تبدیل کنید.
https://dl.lyndakade.ir/courses/2026/09/Claude%20Code%20in%20Action/Steer%20the%20Work/01%20-%20Steering%20long%20sessions.mp4
226
2026-09-04T00:00:00+03:30
دوره آموزشی یادگیری عملی Claude Code
Claude Code in Action
Anthropic