بوتکمپ هوش مصنوعی از پایتون تا صنعت2

دومین بوتکمپ مسئله محور
هوش مصنوعی

سفر به دنیای جذاب متن(NLP)
در یک فرصت تابستانه

امکان عقد قرار داد تا سقف ۳۰ میلیون تومان برای هر تیم موفق

تیم‌های برگزیده این بوت‌کمپ وارد همکاری با ما می‌شوند و طی ۳ قرارداد دیگر به ارزش مجموعاً ۶۰۰ میلیون تومان در مسیر کارآفرینی گام برمیدارند

بوتکمپ هوش مصنوعی فخرا یک دوره آموزشی معمولی نیست، جاییه که قراره به شما این فرصت را بدهد تا به صورت تخصصی و گام به گام برنامه نویسی رو در کنار متخصصین و اساتید با تجربه یاد بگیری و روی پروژه های واقعی صنعت کار کنی و با چالش ها و تکنیک هاش آشنا بشی و مهارت کسب کنی.
علاوه بر این میتونی کلی مهارت های نرم رو یاد بگیری و در مسیر کار آفرینی گام برداری، راستی این بوت کمپ فرصت کارآموزی برای کسانی که میخوان مهارت کسب کنن رو هم داره. همین حالا اقدام کن و جای خودت را در این بوت‌کمپ رزرو کن. زمان ثبت‌نام محدود!

گزارش بوت کمپ هوش مصنوعی فخرا

نظرات شرکت کنندگان بوتکمپ از پایتون تا صنعت ۱

اختتمایه بوتکمپ هوش مصنوعی از پایتون تا صنعت ۱

۵۰ ساعت آموزش تخصصی و نرم

۱۵۰ ساعت انجام تسک‌های پروژه

۳۲ ساعت منتورینگ حضوری

نوع برگزاری: حضوری

نوع انجام پروژه: تیمی – ۲ تا ۳ نفره

ظرفیت (محدود)

مکان برگزاری: دانشگاه قم

شروع مسیر کارآفرینی

ثبت نام فردی: فقط ۲ میلیون تومان
ثبت نام تیمی (۲ نفره): به ازای هر نفر فقط ۱.۸ میلیون تومان
۲۰ جلسه آموزشی | مدت: ۱۳ هفته
امکان پرداخت به صورت اقساط: در ۵ قسط (۳۶۰ هزار تومان برای تیم ها)

مراحل ثبت نام

اگر تصمیم به ثبت‌نام در بوت‌کمپ‌های فخرا گرفته‌اید، اولین قدم انجام پیش‌ثبت‌نام است. بعد از آن، در زمان مقرر با شما تماس گرفته می‌شود و به یک وبینار مجازی برای آشنایی با دوره دعوت خواهید شد. سپس یک ارزیابی مجازی از شما به عمل می‌آید و برگزیدگان این مرحله به مصاحبه‌ی حضوری دعوت می‌شوند. در نهایت، افرادی که در مصاحبه موفق شوند، به‌طور رسمی به بوت‌کمپ راه پیدا می‌کنند و به دوره دعوت می‌شوند.

مرحله	عنوان رویداد	تاریخ
۱	ثبت نام اولیه	تا ۲۱ خرداد
۲	وبینار آشنایی	۲۸ خرداد
۳	ارزیابی مجازی	۲۸-۳۰ خرداد
۴	مصاحبه	۶-۱۱ تیر
۵	داوری و اعلام نتایج	۱۳ و ۱۴ تیر
۶	ثبت نام نهایی	۱۴ تیر
۷	شروع دوره‌ها	۱۵ تیر
۸	پایان دوره	آخر شهریور تا هفته اول مهر

برای مشاهده کلیک کنید

دانشجویان و فارغ‌التحصیلان رشته‌های مهندسی کامپیوتر، علوم کامپیوتر، مهندسی برق ، مهندسی مکانیک، مهندسی صنایع، مهندسی پزشکی و سایر رشته‌های مرتبط که علاقه‌ و انگیزه بالایی برای یادگیری و کار در حوزه هوش مصنوعی دارند.

آشنایی مقدماتی با پایتون (در حد پایه)

لپتاپ جهت کدنویسی

مهم‌تر از هر چیز: انگیزه و تلاشت برای یادگیری

اختصاص زمان مناسب برای شرکت فعال

حضور در تمام کارگاه‌های آموزشی الزامی می‌باشد

آموزش جامع حضوری و پروژه محور
همراه با منتورینگ و پشتیبانی تخصصی
سرفصل های متناسب با صنعت(آمادگی برای گام نهادن در صنعت هوش مصنوعی)
حمایت جهت ورود به دنیای کسب و کارهای دانش بنیان و استارتاپی
تا ۳۰ میلیون تومان جایزه نقدی برای تیم های موفق در انجام پروژه
امکان عقد قرار داد های پژوهشی
معرفی افراد برگزیده به شرکت های استارتاپی در حوزه هوش مصنوعی
تیم سازی افراد فعال و منتخب دوره
ارائه گواهی کارورزی

سر فصل های آموزشی بوتکمپ

۲۰ جلسه آموزشی

جلسه ۱ – مبانی پردازش زبان طبیعی و مدل‌های زبانی

• NLP چیست؟ تفاوت زبان انسان و ماشین
• چالش‌های اصلی: ابهام، وابستگی به زمینه، تنوع زبانی
• تاریخچه مختصر: از قاعده‌محور تا آماری تا عصبی
• مفاهیم پایه: توکن، توکن‌ایزر، embedding، مدل زبانی
• کاربردهای واقعی: چت‌بات، خلاصه‌سازی، ترجمه، تحلیل احساس
• آشنایی با Hugging Face و مدل‌های آماده

جلسه ۲ – معماری Transformer و آشنایی با مدل‌های زبانی بزرگ

• چرا RNNها و LSTMها محدودیت داشتند؟
• مفهوم Attention Mechanism (به زبان ساده)
• معماری Transformer: Encoder و Decoder
• تفاوت مدل‌های encoder-only (BERT)، decoder-only (GPT)، encoder-decoder (T5)
• مرور مدل‌های معروف: GPT، Llama، Claude، Gemini، Mistral
• مفاهیم pre-training و fine-tuning و in-context learning

جلسه ۳ – راه‌اندازی و فراخوانی مدل

• نصب و راه‌اندازی کتابخانه‌های مورد نیاز (openai، requests، ollama)
• گرفتن API key و تنظیم محیط
• ساخت اولین درخواست (ChatCompletion)
• خواندن و مدیریت پاسخ
• مدیریت خطاهای رایج (rate limit، authentication)
• ذخیره و لاگ کردن درخواست‌ها

جلسه ۴ – مهندسی پرامپت پایه

• پرامپت چیست و از چه بخش‌هایی تشکیل شده (نقش، زمینه، دستور، خروجی)
• تکنیک zero-shot
• تکنیک few-shot (دادن مثال)
• تعیین نقش (system prompt)
• کنترل طول خروجی و فرمت
• جلوگیری از توهم مدل

جلسه ۵ – پرامپت‌نویسی پیشرفته

• Chain-of-Thought (فکر کردن قدم به قدم)
• درخواست خروجی ساختاریافته (JSON، XML، CSV، جدول)
• تنظیم پارامترهای خلاقیت (temperature، top_p، frequency_penalty)
• محدود کردن طول خروجی (max_tokens)
• مدیریت مواردی که مدل دستور را نادیده می‌گیرد

جلسه ۶ – زنجیره‌ای کردن پرامپت‌ها (Chaining)

• چرا یک پرامپت بزرگ جواب نمی‌دهد؟
• شکستن کار پیچیده به چند مرحله
• انتقال خروجی مرحله قبل به مرحله بعد
• پیاده‌سازی با حلقه ساده در پایتون
• کاربردها: خلاصه‌سازی پیشرونده، تحلیل چندمرحله‌ای

جلسه ۷ – مدیریت حافظه و مکالمه

• ساختار تاریخچه مکالمه (لیستی از دیکشنری‌های role و content)
• محدودیت طول توکن مدل‌ها
• روش ساده: برش (trimming) از ابتدا
• روش هوشمندانه: خلاصه‌سازی خودکار تاریخچه
• پیاده‌سازی یک چت‌بات ساده با حافظه
• ذخیره و بارگذاری تاریخچه در فایل

جلسه ۸ – مفاهیم Embedding و جستجوی برداری

• Embedding چیست و چه تفاوتی با one-hot دارد؟
• مدل‌های embedding محبوب (OpenAI، BGE، MiniLM)
• محاسبه تشابه: شباهت کسینوسی (cosine similarity) و فاصله اقلیدسی
• ساخت یک وکتور استور ساده در حافظه (با لیست)
• جستجوی برداری دستی (بدون کتابخانه)

جلسه ۹ – آشنایی با RAG (بازیابی همراه با تولید)

• مشکل مدل‌های زبانی: دانش قدیمی و عمومی
• راهکار RAG: آوردن دانش جدید از بیرون
• مراحل RAG: بازیابی (Retrieval) ← تقویت (Augmentation) ← تولید (Generation)
• معرفی کتابخانه FAISS و Chroma
• پیاده‌سازی یک RAG دستی ساده

جلسه ۱۰ – بهبود RAG (Chunking، متادیتا، جستجوی ترکیبی)

• روش‌های مختلف chunking (کاراکتری، کلمه‌ای، جمله‌ای، معنایی)
• اهمیت همپوشانی (overlap)
• اضافه کردن متادیتا به هر chunk (منبع، شماره صفحه)
• جستجوی ترکیبی (برداری + کلیدواژه‌ای) با BM25
• انتخاب بهترین chunking برای کاربردهای مختلف

جلسه ۱۱ – ارزیابی و اشکال‌زدایی در RAG

• معیارهای ساده ارزیابی RAG (پاسخ‌دهی، ارتباط، دقت)
• ایجاد مجموعه ارزیابی (test set)
• تشخیص علت خطا: بازیابی بد vs تولید بد vs سوال خارج از دامنه
• روش‌های بهبود بازیابی (بهبود embedding، افزایش chunks)
• روش‌های بهبود تولید (بهبود پرامپت، اضافه کردن دستورالعمل)

جلسه ۱۲ – مفهوم Agent و Tool Use

• Agent چیست؟ تفاوت با چت‌بات ساده
• مفهوم Tool (ابزار) و Function Calling
• نحوه آموزش مدل برای تشخیص زمان نیاز به ابزار
• فرمت‌های استاندارد خروجی برای فراخوانی ابزار
• پیاده‌سازی یک ابزار ساده (محلی)

جلسه ۱۳ – پیاده‌سازی حلقه Agent (ReAct pattern)

• الگوی ReAct (Reasoning + Acting)
• ساختار حلقه Agent (Think → Act → Observe → Repeat)
• مدیریت حداکثر تعداد مراحل (max steps)
• مدیریت خطا در اجرای ابزار
• ذخیره تاریخچه اقدامات (actions) برای ارسال به مدل

جلسه ۱۴ – Agent با چند ابزار و حافظه

• ترکیب ابزارهای مختلف در یک Agent
• انتقال خروجی یک ابزار به ابزار دیگر
• مدیریت همزمان حافظه مکالمه و ابزارها
• محدودیت‌ها و چالش‌های Agents (هزینه، زمان، حلقه بی‌نهایت)
• معرفی فریمورک‌های ساده (LangChain، AutoGen، یا پیاده‌سازی دستی)

جلسه ۱۵ – مقدمه‌ای بر Fine-tuning

• تفاوت fine-tuning با RAG و با prompt engineering
• چه زمانی به fine-tuning نیاز داریم؟ (سبک، لحن، فرمت خاص، دانش اختصاصی)
• داده‌های مورد نیاز: حجم، کیفیت، تنوع
• فرمت داده برای fine-tuning (مثال: JSONL با ساختار instruction، input، output)
• split داده‌ها به train، validation، test

جلسه ۱۶ – اجرای Fine-tuning عملی

• انتخاب مدل پایه مناسب (متناسب با حجم داده و سخت‌افزار)
• آشنایی با HuggingFace Trainer
• تنظیم هایپرپارامترهای مهم (learning rate، batch size، epoch)
• ذخیره و بارگذاری مدل fine-tuned شده
• استفاده از Unsloth برای fine-tuning سریع‌تر (اختیاری)

جلسه ۱۷ – ارزیابی و مقایسه مدل‌ها

• معیارهای ارزیابی برای کارهای NLP (دقت، F1-score، ROUGE، BLEU)
• مقایسه مدل پایه vs fine-tuned vs prompt engineering
• تشخیص overfitting (دقت بالا روی train، پایین روی test)
• روش‌های ساده جلوگیری از overfitting (dropout، early stopping، داده بیشتر)
• تصمیم‌گیری: چه زمانی fine-tuning ارزش هزینه را دارد؟

جلسه ۱۸ – تمیزکاری و توکن‌سازی پیشرفته

• حذف یا جایگزینی ایموجی و کاراکترهای خاص
• حذف ایمیل، لینک، شماره تلفن
• مدیریت فاصله‌های اضافی و خطوط خالی
• نرمال‌سازی (lowercasing، تبدیل اعداد فارسی به انگلیسی)
• توکن‌ایزرهای مختلف و تفاوت آنها (word، subword، character)
• حذف استاپ‌وردها (stop words) – چه زمانی مفید است؟

جلسه ۱۹ – استخراج و خردکردن متن (Chunking)

• استخراج متن از PDF (PyPDF2، pdfplumber)
• استخراج از Word و Excel (python-docx، openpyxl)
• استخراج از وب (BeautifulSoup، درخواست HTTP)
• روش‌های chunking: کاراکتری، کلمه‌ای، جمله‌ای، معنایی (با sentence splitter)
• اهمیت همپوشانی و انتخاب اندازه مناسب
• ذخیره chunks به همراه متادیتا (شماره صفحه، منبع)

جلسه ۲۰ – امنیت، سوگیری، آینده LLMها (نظری عمیق + تحلیل عملی)

• امنیت: حملات تزریق پرامپت (Prompt Injection)، جیلبریک (Jailbreak)
• روش‌های ساده دفاع: فیلتر کردن، پرامپت مقاوم، جداسازی داده از دستور
• سوگیری در داده و مدل (جنسیتی، نژادی، فرهنگی)
• حریم خصوصی: داده‌های حساس و مدل‌های محلی vs ابری
• چالش‌های فعلی LLMها: توهم (hallucination)، هزینه، طول زمینه محدود
• روندهای آینده: مدل‌های چندوجهی (Vision، Audio)، Agentهای پیچیده‌تر، RAG تطبیقی، مدل‌های کوچک اما قدرتمند

بوتکمپ چیست؟

بوت‌کمپ به دوره‌های آموزشی فشرده‌ای گفته می‌شود که آموزش‌های تخصصی حوزه مورد نظر را در مدت زمان کوتاهی در اختیار افراد قرار می‌دهد. در این دوره‌ها، در زمان فشرده می‌توان به سطح قابل توجهی از تخصص و توانایی رسید.

این دوره برای چه افرادی مناسب است؟

این بوت کمپ مناسب کسانی هست که علاقه به ایجاد کسب و کار های دانش بنیان و قصد ورود به دنیای هوش مصنوعی و کارآفرینی را دارند.

آیا پیش نیاز خاصی لازم دارد؟

لازم است شرکت کنندگان دوره، آشنایی مقدماتی با مباحث پایتون را داشته باشند.

نحوه برگزاری دوره چگونه است؟

دوره به صورت حضوری ۴ روز در هفته برقرار میباشد.

دو روز آموزش فنی و دو روز انجام تسک های پروژه و منتورینگ

در هر هفته ۲ ساعت هم به کارگاه های رشد (جهت تقویت مهارت های نرم) اختصاص داده شده است.

ایا در طول کل هفته باید حضور داشته باشیم؟

طبق تقویم درج‌شده در همین سایت، همهٔ تیم‌ها می‌توانند در دو روزی که کارگاه یا کلاسی برای آن‌ها در نظر گرفته نشده است، حضور نداشته باشند.

من هم تیمی ندارم. آیا میتوانم شرکت کنم؟

اولویت با افرادی است که به‌صورت تیمی ثبت‌نام کرده‌اند؛ با این حال، ظرفیت بسیار محدودی نیز برای افرادی که توانمندی لازم را دارند اما صرفاً مشکل هم‌تیمی دارند در نظر گرفته‌ایم. این افراد در اینجا با سایر ثبت‌نام‌کنندگان انفرادی تیم تشکیل خواهند داد.

در چه صورت برای ما کارآموزی حساب میشود؟

چنانچه دانشجویان مدت‌زمان تعیین‌شده توسط دانشگاه (به‌طور مثال ۲۴۰ ساعت) را به‌طور کامل سپری کرده و حضور منظمی داشته باشند، نامه کارآموزی آنان تأیید و امضا خواهد شد.

آیا جلسات ضبط میشود؟

بله ان‌شالله

مجموعه های حامی بوتکمپ

برگزار کننده بوتکمپ

واحد هوش مصنوعی فخرا

استاد و منتورهای دوره

دکتر علی میر عرب

پژوهشگر و مدرس حوزه مدیریت فناوری اطلاعات، کلان‌داده و هستان‌نگاری
متخصص کلان‌داده، گراف دانش، علم‌سنجی و مدل‌های زبانی بزرگ (LLM)
بیش از ۱۰ سال تجربه پژوهشی، آموزشی و مدیریتی در حوزه‌های داده‌کاوی، هوش مصنوعی توضیح‌پذیر و مدیریت اطلاعات
دکتری مدیریت فناوری اطلاعات
کارشناسی ارشد مدیریت فناوری اطلاعات
کارشناسی در حوزه فناوری و مدیریت اطلاعات
تخصص در کلان‌داده، هستان‌نگاری، جستجوی معنایی، تحلیل شبکه‌های اجتماعی، علم‌سنجی، پردازش زبان طبیعی و مدل‌های زبانی بزرگ
مهارت در Python، تحلیل داده، مهندسی دانش، طراحی سیستم‌های مدیریت اطلاعات و مصورسازی داده
تجربه در طراحی موتورهای جستجوی معنایی و سیستم‌های بازیابی اطلاعات
نویسنده اول و مسئول بیش از ۱۰ مقاله علمی‌پژوهشی و Scopus در حوزه‌های کلان‌داده، هستان‌نگاری، مدیریت اطلاعات و XAI
مترجم و مؤلف کتاب‌های «آزمون نرم‌افزار»، «کلان‌داده» و «موتور جستجوی معنایی»
استاد راهبر طرح‌های بنیاد ملی نخبگان در حوزه آنتولوژی قرآن و جستجوی سه‌تایی‌های دانشی
مجری طرح‌های پژوهشی در حوزه امنیت کریمه و تحلیل پژوهش‌های امنیتی
راهنمای پایان‌نامه‌های کارشناسی ارشد در حوزه استخراج موجودیت‌ها و روابط هستی‌شناسی و هوش مصنوعی مولد
ارائه‌دهنده کارگاه‌های «ابزارهای هوش مصنوعی در پژوهش» در سال‌های ۱۴۰۱ تا ۱۴۰۴
سابقه تدریس دروس شبکه، سخت‌افزار، زبان برنامه‌نویسی، ساختمان داده، پایگاه داده و معماری پایگاه‌های اطلاعاتی
۷ سال مدیر گروه اشاعه اطلاعات و تبادل دانش در پژوهشگاه علوم و فرهنگ اسلامی
۳ سال سرپرست گروه رصد و معرفی در دفتر تبلیغات اسلامی
۱ سال مدیر فناوری اطلاعات در پژوهشگاه مطالعات فقه معاصر

مهندس خانم فرهادپور

فارغ‌التحصیل مهندسی برق از دانشگاه تهران با گرایش بیوالکتریک و تجربه عملی در پروژه‌های پردازش تصویر، سیگنال و هوش مصنوعی.
توسعه‌دهنده هوش مصنوعی و پایتون با تجربه ساخت چت‌بات، پردازش سیگنال EEG، پردازش تصویر، و پیاده‌سازی الگوریتم‌های یادگیری ماشین.
تجربه کارآموزی و پروژه‌های تخصصی در حوزه‌های iridology، numerical aperture، پردازش تصویر پزشکی و پروژه‌های شناختی (Cognitive Science) در IPM و دانشگاه تهران.
توسعه‌دهنده چت‌بات هوشمند برای Hamrah Academy و مشارکت در پروژه چت‌بات همراه اول.
مهارت‌های فنی: Python، ARM، AVR، MATLAB، پردازش تصویر، پردازش سیگنال، یادگیری ماشین، Corel
تجربه در الگوریتم‌ها و مدل‌های ML از طریق دوره‌های دانشگاه تهران و دوره‌های بین‌المللی (Coursera).
علاقه‌مندی‌ها: هوش مصنوعی، توسعه چت‌بات، پردازش سیگنال، یادگیری مهارت‌های جدید.

مهندس آقای محمدجواد مظفر

متخصص هوش مصنوعی و یادگیری ماشین با تجربه عملی در توسعه و استقرار مدل‌های عمیق، MLOps و معماری مدل‌ها.
سرپرست MLOps در توبی با تجربه در اتوماسیون، مانیتورینگ، نسخه‌بندی و استقرار مدل‌های یادگیری ماشین و عمیق.
مدیر پروژه‌های AI در امیرکبیر شامل پیاده‌سازی BERT، GPT‑۲، تحلیل داده‌های امنیتی و مدیریت تیم‌های میان‌رشته‌ای.
دانشمند داده در فضاپیمای پردازش با تجربه در NLP روی داده‌های بزرگ، طراحی CNN، تحلیل شبکه‌های اجتماعی و متن فارسی.
مدرس پایتون و دستیار آموزشی در داده‌کاوی، یادگیری ماشین و هوش محاسباتی در دانشگاه قم.
سازنده LLM کوچک ۴۲M شامل پیاده‌سازی Transformer از صفر، RAG و CAG برای شعر فارسی (Amazon.com).
پژوهشگر LLM در دانشگاه قم با تمرکز بر امنیت، داده‌های StackExchange و Pentest.
نویسنده علمی در حوزه RLHF و Transformer برای نشریات دانشگاهی.
رتبه ۵ متخصص AI در المپیاد پردازش متن، رتبه ۳ NLP وزارت ICT، و برگزیده Huawei Seeds for the Future.
داور مسابقه پایتون دانشگاه قم.
مهارت‌ها: Python، C++، C#، Rust، T‑SQL؛ PyTorch، TensorFlow، Keras، scikit‑learn، Docker، Git، Azure، AWS، Kubernetes، Linux، MLflow، CI/CD، Nginx، SQL/NoSQL، LangChain/Graph/Smith، Asterisk/Issabel.
تحصیلات: کارشناسی مهندسی کامپیوتر – دانشگاه قم

مهندس آقای الهی منش

کاندیدای دکتری هوش مصنوعی
متخصص هوش مصنوعی و پردازش زبان طبیعی (NLP)
بیش از ۱۵ سال تجربه در پژوهش‌های هوش مصنوعی و داده‌کاوی، به‌ویژه در حوزه علوم اسلامی
دکتری هوش مصنوعی – دانشگاه صنعتی شاهرود (در حال تحصیل)
کارشناسی ارشد هوش مصنوعی – دانشگاه آزاد اسلامی قزوین
کارشناسی مهندسی نرم‌افزار – دانشگاه آزاد اسلامی اراک
تخصص در NLP، یادگیری ماشین، یادگیری عمیق، تحلیل شبکه‌های اجتماعی، تشخیص گفتار، دسته‌بندی و خوشه‌بندی متن، تحلیل احساسات، استخراج کلیدواژه، سیستم‌های پرسش و پاسخ، موتور جستجو، تشخیص چهره، پردازش تصویر و مدل‌های زبانی بزرگ (LLM)
مهارت در Python و C#
تجربه با Elasticsearch و Neo4j
توسعه چت‌بات‌های مبتنی بر Transformer و Reinforcement Learning
متخصص NLP و یادگیری ماشین در مرکز تحقیقات کامپیوتری علوم اسلامی (CRCIS)
متخصص داده‌کاوی و NLP در شرکت سحاب پرداز
متخصص هوش مصنوعی در مؤسسه باقرالعلوم
همکاری در پروژه‌های تحلیل داده، شبکه‌های اجتماعی و سامانه‌های هوشمند
رهبری تیم توسعه چت‌بات هوشمند با رضایت بیش از ۸۵٪ کاربران
کاهش ۴۰٪ زمان پاسخگویی مشتریان با استفاده از یادگیری تقویتی
مشارکت در پروژه‌های Fajr، Tizbin، Trends Geography، Bavar و Parsa