آموزش ساخت ایجنت‌های هوش مصنوعی و اپلیکیشن‌های RAG با LangChain و CrewAI - آخرین آپدیت

دانلود Build AI Agents & RAG Apps with LangChain & CrewAI

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ساخت اپلیکیشن‌های واقعی GenAI با استفاده از RAG، LangChain، CrewAI، Hugging Face، مهندسی پرامپت و پایتون طراحی و توسعه برنامه‌های هوش مصنوعی مولد در دنیای واقعی با استفاده از LangChain و درک اجزای اصلی آن طراحی و توسعه سیستم‌های هوش مصنوعی چند-ایجنته (Multi-agent) با CrewAI از طریق پروژه‌های عملی ایجاد خط لوله‌های کامل RAG (تولید تقویت‌شده با بازیابی) شامل تکه‌بندی (Chunking)، جاسازی‌ها (Embeddings)، ذخیره‌سازهای برداری و بازیابی تسلط بر تکنیک‌های مهندسی پرامپت: پایه، نقش-وظیفه-زمینه (Role–Task–Context)، Few-shot، زنجیره تفکر (Chain-of-Thought) و خروجی‌های محدود شده پیاده‌سازی طیف گسترده‌ای از زنجیره‌های LangChain: تک زنجیره، متوالی، روتر، RAG، ریاضی، SQL و موارد دیگر کار با بارگذارهای سند (CSV, HTML, PDF) برای ساخت سیستم‌های هوش مصنوعی با استفاده از داده‌های واقعی استفاده از مدل‌های Hugging Face برای ساخت اپلیکیشن‌هایی مانند خلاصه‌سازی، ترجمه، جاسازی‌ها و وظایف بینایی ماشین به‌کارگیری استراتژی‌های مختلف تکه‌بندی متن: روش‌های کاراکتری، بازگشتی، سرتیتر مارک‌داون و مبتنی بر توکن بررسی دیتابیس‌های برداری برای سیستم‌های RAG: Pinecone, FAISS, Chroma, Weaviate و Milvus درک مفاهیم اصلی هوش مصنوعی (AI)، یادگیری ماشین (ML)، یادگیری عمیق (DL) و هوش مصنوعی مولد (GenAI) یادگیری نحوه عملکرد ترنسفورمرها و مکانیسم‌های توجه (معماری Encoder–Decoder) کسب درک عمیق از مدل‌های پایه (Foundation Models)، کاربردها، انواع و موارد استفاده واقعی آن‌ها ارزیابی عملکرد LLMها، مقایسه برترین مدل‌های متن‌باز و انتخاب مدل مناسب برای هر مورد استفاده یادگیری اصول هوش مصنوعی مسئولانه و نحوه شناسایی و کاهش سوگیری در سیستم‌های هوش مصنوعی پیاده‌سازی حافظه در اپلیکیشن‌های LLM با استفاده از Conversation Buffer، Window Memory و Summary Memory پیش نیازها: مبانی پایتون در دوره پوشش داده شده است اما آشنایی قبلی با زبان برنامه‌نویسی پایتون توصیه می‌شود. دسترسی به کامپیوتری با اتصال اینترنت مناسب. دسترسی به OpenAI، Claude Anthropic یا استفاده از مدل‌های متن‌باز. درک ابتدایی از نحوه استفاده از ویرایشگرهای کد مانند Jupyter notebook، VSCode و غیره.

ساخت اپلیکیشن‌های هوش مصنوعی مولد واقعی با استفاده از جدیدترین ابزارها مانند LangChain، RAG، ایجنت‌های هوش مصنوعی (CrewAI) و Hugging Face در یک دوره جامع و عملی.

این دوره شما را از تنظیمات اولیه تا سیستم‌های پیشرفته هوش مصنوعی می‌برد و به شما کمک می‌کند نه تنها نحوه عملکرد این ابزارها، بلکه نحوه ساخت اپلیکیشن‌های هوش مصنوعی آماده برای محیط عملیاتی (Production-ready) را بیاموزید.

شروع از صفر

محیط توسعه خود را به راحتی راه‌اندازی کنید:

  • نصب Anaconda، Jupyter Notebook و VS Code

  • تسلط بر Markdown در Jupyter Notebook برای گردش کارهای تمیز

  • فعال‌سازی GPU با CUDA، cuDNN و PyTorch

یادگیری پایتون برای هوش مصنوعی (مناسب مبتدیان)

ساخت یک پایه قوی در پایتون:

  • متغیرها، انواع داده‌ها و تبدیل نوع

  • دستورات کنترلی، حلقه‌ها و توابع

  • ساختارهای داده اصلی: لیست‌ها، تاپل‌ها، مجموعه‌ها، دیکشنری‌ها و رشته‌ها

درک AI، ML و هوش مصنوعی مولد

  • توضیح جامع AI، یادگیری ماشین، یادگیری عمیق و هوش مصنوعی مولد

  • تکامل و تاریخچه هوش مصنوعی

  • بررسی عمیق ترنسفورمرها و مکانیسم توجه (Encoder–Decoder)

تسلط بر مدل‌های پایه و هوش مصنوعی مسئولانه

  • مدل‌های پایه چیستند و چگونه کار می‌کنند؟

  • کاربردها، انواع و مثال‌های واقعی

  • مقایسه برترین LLMهای متن‌باز و انتخاب مدل مناسب

  • یادگیری اصول هوش مصنوعی مسئولانه و کاهش سوگیری

ساخت اپلیکیشن‌های LLM با LangChain

  • توضیح زنجیره‌ها (Chains)، ایجنت‌ها و حافظه

  • ساخت گام‌به‌گام اپلیکیشن‌های قدرتمند مبتنی بر LLM

تسلط بر RAG (تولید تقویت‌شده با بازیابی)

  • خط لوله کامل RAG:
    ورودی ← تکه‌بندی ← جاسازی‌ها ← دیتابیس برداری ← بازیابی ← پاسخ

  • ساخت یک سیستم پرسش و پاسخ کامل

  • کار با دیتابیس‌های برداری:
    Pinecone, FAISS, Chroma, Weaviate, Milvus

استراتژی‌های پیشرفته تکه‌بندی متن

یادگیری و پیاده‌سازی تکنیک‌های مختلف تکه‌بندی:

  • تکه‌بندهای کاراکتری و کاراکتری بازگشتی

  • تکه‌بند سرتیتر مارک‌داون

  • تکه‌بندی مبتنی بر توکن

  • بهترین روش‌ها برای بهینه‌سازی عملکرد RAG

مهندسی پرامپت در سطح حرفه‌ای

  • ایجاد و استفاده از APIهای OpenAI

  • تسلط بر تکنیک‌های پرامپت‌نویسی:

    • پرامپت‌های پایه

    • نقش-وظیفه-زمینه (Role–Task–Context)

    • پرامپت‌نویسی Few-shot

    • زنجیره تفکر (Chain-of-Thought)

    • خروجی‌های محدود شده

کار با داده‌های واقعی

  • استفاده از بارگذارهای سند: CSV, HTML, PDF

  • تزریق داده‌های واقعی به سیستم‌های هوش مصنوعی

افزودن حافظه به LLMها

  • حافظه Conversation Buffer

  • حافظه Window Memory

  • حافظه Summary Memory

  • ساخت هوش مصنوعی که زمینه (Context) را به خاطر می‌سپارد

تسلط بر زنجیره‌های LangChain

  • زنجیره‌های Single، Sequential و Router

  • زنجیره‌های Math، SQL و RAG

  • ساخت گردش کارهای هوشمند با LLMها

ساخت سیستم‌های هوش مصنوعی چند-ایجنته (CrewAI)

  • درک چارچوب‌های ایجنتیک (Agentic AI)

  • ساخت سیستم‌های واقعی:

    • ایجنت‌های استخراج داده وب (Web Scraping)

    • ایجنت‌های اتوماسیون ایمیل

    • ایجنت‌های تحلیل مالی

  • ادغام ابزارهای LangChain با CrewAI

ساخت اپلیکیشن‌ها با Hugging Face

  • استفاده از مدل‌های پیش‌آموزش‌دیده برای:

    • خلاصه‌سازی متن

    • ترجمه

    • جاسازی جملات (Sentence Embeddings)

    • وظایف بینایی (پرسش و پاسخ تصویری)

در پایان این دوره، شما قادر خواهید بود:

  • ساخت اپلیکیشن‌های واقعی GenAI از صفر

  • تسلط بر RAG، LangChain و ایجنت‌های هوش مصنوعی

  • کار با ابزارهای صنعتی مورد استفاده در نقش‌های مهندسی هوش مصنوعی

  • آمادگی برای خلق محصولات مبتنی بر هوش مصنوعی خودتان


سرفصل ها و درس ها

معرفی دوره Course Overview

  • معرفی دوره Course Overview

نصب نرم‌افزارها و راه‌اندازی محیط Software Installation and Environment Setup

  • نحوه دانلود و نصب توزیع Anaconda | آموزش گام‌به‌گام How to Download and Install Anaconda Distribution | Step-by-Step Tutorial

  • نحوه نصب Jupyter Notebook و شروع به کار How to Install Jupyter Notebook & Get Started

  • بررسی عمیق Markdown در Jupyter Notebook | نکات برای مبتدیان و حرفه‌ای‌ها Jupyter Notebook Markdown Deep Dive | Tips & Tricks for Beginners & Pros

  • نحوه نصب Visual Studio Code | راهنمای گام‌به‌گام How to Install Visual Studio Code | Step-by-Step Guide

  • فعال‌سازی GPU – نصب CUDA Toolkit، cuDNN و PyTorch | راهنمای گام‌به‌گام Enable GPU – Install CUDA Toolkit, cuDNN & PyTorch | Step-by-Step Guide

یادگیری پایتون برای هوش مصنوعی (مناسب مبتدیان) Learn Python for AI (Beginner Friendly)

  • مقدمه، نصب پکیج‌ها و Import، متغیرها، شناسه‌ها و تبدیل نوع Intro, Package Installation & Import, Variables, Identifiers, Type conversion

  • دستورات کنترلی، حلقه‌ها و توابع پایتون | آموزش گام‌به‌گام Python Control Statements, Loops & Functions | Step-by-Step Tutorial

  • آموزش لیست‌های پایتون | توضیح ساختارهای داده Python Lists Tutorial | Data Structures Explained

  • ساختارهای داده پایتون | توضیح تاپل‌ها با مثال Python Data Structures | Tuples Explained with Examples

  • ساختارهای داده پایتون | توضیح رشته‌ها با مثال Python Data Structures | Strings Explained with Examples

  • ساختارهای داده پایتون | توضیح مجموعه‌ها با مثال Python Data Structures | Sets Explained with Examples

  • ساختارهای داده پایتون | توضیح دیکشنری‌ها با مثال Python Data Structures | Dictionaries Explained with Examples

درک AI، ML و هوش مصنوعی مولد؛ معماری ترنسفورمر Understand AI, ML & Generative AI; Transformer architecture

  • مقدمه‌ای بر AI، یادگیری ماشین، یادگیری عمیق و هوش مصنوعی مولد Introduction to AI, Machine Learning, Deep Learning & Generative AI

  • تاریخچه هوش مصنوعی | توضیح تکامل AI History of Artificial Intelligence | Evolution of AI Explained

  • توضیح مکانیسم توجه | مدل‌های Encoder–Decoder (بررسی عمیق Encoder) Attention Mechanism Explained | Encoder–Decoder Models (Encoder Deep Dive)

  • توضیح مکانیسم توجه | مدل‌های Encoder–Decoder (بررسی عمیق Decoder) Attention Mechanism Explained | Encoder–Decoder Models (Decoder Deep Dive)

تسلط بر مدل‌های پایه و هوش مصنوعی مسئولانه Master Foundation Models & Responsible AI

  • تاریخچه مدل‌های پایه | تکامل مدل‌های بزرگ هوش مصنوعی History of Foundation Models | Evolution of Large AI Models

  • مدل‌های پایه چیستند؟ | توضیح با مثال What Are Foundation Models? | Explained with Examples

  • کاربردهای مدل‌های پایه Applications Of Foundation Models

  • انواع مدل‌های پایه Types of Foundation Models

  • مثال‌هایی از مدل‌های پایه Examples of Foundation Models

  • توضیح بنچمارک‌های LLM | برترین LLMهای متن‌باز و نحوه انتخاب مدل مناسب LLM Benchmarks Explained | Top Open-Source LLMs & How to Choose the Right Model

  • توضیح AI اخلاقی | اصول هوش مصنوعی مسئولانه و سوگیری در AI Ethical AI Explained | Responsible AI Practices & Bias in AI

ساخت اپلیکیشن‌های LLM با LangChain Build LLM Apps with LangChain

  • مقدمه‌ای بر LangChain | ساخت اپلیکیشن‌های LLM گام‌به‌گام LangChain Introduction | Build LLM Applications Step by Step

  • بررسی عمیق LangChain | ساخت اپلیکیشن‌های LLM با زنجیره‌ها، ایجنت‌ها و حافظه LangChain Deep Dive | Build LLM Apps with Chains, Agents & Memory

تسلط بر RAG (تولید تقویت‌شده با بازیابی) Master RAG (Retrieval-Augmented Generation)

  • توضیح RAG | ورودی ← تکه‌بندی ← جاسازی‌ها ← ذخیره‌ساز برداری ← جستجوی مشابه RAG Explained | Input → Chunking → Embeddings → Vector Store → Similarity Search

  • ساخت یک سیستم پرسش و پاسخ با استفاده از RAG (گام‌به‌گام) Building a Question-Answering System Using RAG (Step-by-Step)

  • دیتابیس‌های برداری برای سیستم‌های RAG: Pinecone, Chroma, Weaviate, Milvus, FAISS Vector Databases for RAG Systems: Pinecone, Chroma, Weaviate, Milvus, FAISS

درک روش‌های تکه‌بندی متن در سیستم‌های RAG Understanding Text Chunking Methods in RAG Systems

  • درک روش‌های تکه‌بندی متن در سیستم‌های RAG Understanding Text Chunking Methods in RAG Systems

  • بهترین روش‌ها برای انتخاب متد تکه‌بندی (سیستم‌های RAG و LLM) Best Practices for Choosing a Chunking Method (RAG & LLM Systems)

  • دموی متد تکه‌بندی Character Text Splitter (RAG و LLMها) Character Text Splitter Chunking Method Demo (RAG & LLMs)

  • دموی متد تکه‌بندی Recursive Character Text Splitter (RAG و LLMها) Recursive Character Text Splitter Chunking Method Demo (RAG & LLMs)

  • دموی متد تکه‌بندی Markdown Header Text Splitter Markdown Header Text Splitter Chunking Method Demo

  • دموی متد تکه‌بندی Token Text Splitter (RAG و LLMها) Token Text Splitter Chunking Method Demo(RAG & LLMs)

مهندسی پرامپت در سطح حرفه‌ای Prompt Engineering Like a Pro

  • مقدمه‌ای بر مهندسی پرامپت | ساخت حساب OpenAI و تولید API Key Prompt Engineering Introduction | Create OpenAI Account & Generate API Key

  • دموی پرامپت پایه | پاسخ به پیام‌های مشتری به عنوان متخصص پشتیبانی Basic Prompt Demo | Respond to Customer Messages as a Customer Support Specialis

  • نحوه پاسخ به پیام‌های مشتری با استفاده از مهندسی پرامپت نقش-وظیفه-زمینه How to Respond to Customer Messages Using Role-Task-Context Prompt Engineering

  • پرامپت‌نویسی Few Shot برای پشتیبانی مشتری | پاسخ مانند یک متخصص پشتیبانی Few-Shot Prompting for Customer Support | Reply Like a Support Specialist

  • دموی زنجیره تفکر (Chain of Thought) | پاسخ به پیام‌های مشتری مانند متخصص پشتیبانی Chain of Thought Demo | Respond to Customer Messages Like a Support Specialist

  • پاسخ به پیام‌های مشتری به عنوان متخصص پشتیبانی | خروجی محدود شده Respond to Customer Messages as a Customer Support Specialist|Constrained Output

بارگذارهای سند و کار با داده‌های واقعی Document Loaders - Work with Real Data

  • توضیح بارگذارهای سند | دموی CSVLoader، HTMLLoader و PDFLoader Document Loaders Explained | CSVLoader, HTMLLoader & PDFLoader Demo

افزودن حافظه به LLMها Add Memory to LLMs

  • توضیح حافظه LangChain | هوش مصنوعی چگونه گفتگوها را به خاطر می‌سپارد LangChain Memory Explained | How AI Remembers Conversations

  • توضیح LangChain Conversation Buffer Memory | دموی گام‌به‌گام LangChain Conversation Buffer Memory Explained | Step-by-Step Demo

  • توضیح LangChain Conversation Buffer Window Memory | دموی گام‌به‌گام LangChain Conversation Buffer Window Memory Explained | Step-by-Step Demo

  • توضیح LangChain ConversationSummaryMemory | دموی گام‌به‌گام LangChain ConversationSummaryMemory Explained | Step-by-Step Demo

تسلط بر زنجیره‌های LangChain Master LangChain Chains

  • توضیح زنجیره‌های LangChain | زنجیره‌ها چیستند و چگونه کار می‌کنند LangChain Chains Explained| What Are Chains and How They Work

  • دموی Single Chain در LangChain | تولید نام‌های خنده‌دار شرکت برای محصولات LangChain Single Chain Demo | Generate Funny Company Names for Products

  • توضیح Simple Sequential Chain در LangChain | دموی وبلاگ‌نویسی LangChain Simple Sequential Chain Explained | Blog Writing Demo

  • دموی Sequential Chain در LangChain | برنامه شخصی‌سازی شده ارزیابی عملکرد کارکنان LangChain Sequential Chain Demo | Personalized Employee Performance Review Plan

  • دموی Sequential Chain در LangChain | تولید سوالات آکادمیک تأمل‌برانگیز LangChain Sequential Chain Demo | Generate Thought-Provoking Academic Questions

  • توضیح MathChain در LangChain | حل مسائل ریاضی با LLMها LangChain MathChain Explained | Solve Math Problems with LLMs

  • دموی پروژه MathChain در LangChain | حل مسائل ریاضی واقعی با هوش مصنوعی LangChain MathChain Project Demo | Solving Real-World Math Problems with AI

  • توضیح RAG Chain در LangChain | ساخت تولید تقویت‌شده با بازیابی همراه با دمو LangChain RAG Chain Explained | Build Retrieval-Augmented Generation with Demo

  • توضیح Router Chain در LangChain | هدایت پرس‌وجوها به زنجیره مناسب LangChain Router Chain Explained | Route Queries to the Right Chain

  • توضیح LLMRouter Chain در LangChain | هدایت هوشمند پرس‌وجوها همراه با دمو LangChain LLMRouter Chain Explained | Intelligent Query Routing with Demo

  • توضیح SQL Chain در LangChain | پرس‌وجو از دیتابیس‌ها با هوش مصنوعی (دمو) LangChain SQL Chain Explained | Query Databases with AI (Demo)

ساخت سیستم‌های چند-ایجنته با Crew AI و ابزارهای LangChain Build multi agentic systems using Crew AI and LangChain tools

  • توضیح چارچوب‌های چند-ایجنته | مقدمه‌ای بر سیستم‌های ایجنت هوش مصنوعی Multi-Agentic Frameworks Explained | Introduction to AI Agent Systems

  • مقدمه‌ای بر CrewAI | توضیح ساخت سیستم‌های هوش مصنوعی چند-ایجنته CrewAI Introduction | Build Multi-Agent AI Systems Explained

  • بررسی عمیق اجزای CrewAI | توضیح ایجنت‌ها، وظایف، ابزارها و جریان‌ها CrewAI Components Deep Dive | Agents, Tasks, Tools & Flows Explained

  • توضیح ابزارهای CrewAI + LangChain | ساخت سریع اپلیکیشن‌های هوش مصنوعی چند-ایجنته CrewAI + LangChain Tools Explained | Build Multi-Agent AI Apps FAST

  • آموزش عملی ساخت چارچوب ایجنتیک با CrewAI برای استخراج داده‌های وب (Web Scraping) Build an Agentic Framework using CrewAI for Web Scraping Hands-On Tutorial

  • ساخت چارچوب ایجنتیک با CrewAI | پیش‌نویس‌های ایمیل شخصی‌سازی شده (عملی) Build an Agentic Framework with CrewAI | Personalized Email Drafts (Hands-On)

  • ساخت چارچوب ایجنتیک با CrewAI برای معاملات مالی (عملی) Build an Agentic Framework with CrewAI for Financial Trading (Hands-On)

  • استخراج آسان داده‌های وب با Apify | دموی عملی واقعی Web Scraping Made Easy with Apify | Real Hands-On Demo

  • نحوه دادن قدرت‌های ریاضی به ایجنت‌های AI با LangChain (عملی) How to Give AI Agents Math Powers with LangChain (Hands-On)

  • دادن قدرت SQL به LLMها با استفاده از LangChain | SQLAlchemy + SQL Agent (عملی) Give LLMs SQL Powers using LangChain | SQLAlchemy + SQL Agent (Hands-On)

Hugging Face: ساخت اپلیکیشن‌های GenAI با مدل‌های Hugging Face Hugging Face: Build GenAI applications using models from Hugging Face

  • آموزش Hugging Face، تنظیم حساب و خلاصه‌سازی متن با مدل‌های پیش‌آموزش‌دیده Hugging Face Tutorial,Account Setup & Text Summarization Using Pretrained Models

  • درک تصاویر و پرسش و پاسخ بصری با Hugging Face | عملی (مدل‌های Vision LM) Image Understanding & Visual Q&A using Hugging Face | Hands-On (Vision-LMs)

  • ساخت مترجم جملات با Transformers در Hugging Face (گام‌به‌گام) Build a Sentence Translator with Hugging Face Transformers (Step-by-Step)

  • ساخت خلاصه‌ساز متن در چند دقیقه | Hugging Face Transformers Build a Text Summarizer in Minutes | Hugging Face Transformers

  • توضیح جاسازی جملات (Sentence Embeddings) | Hugging Face Transformers (عملی) Sentence Embeddings Explained | Hugging Face Transformers (Hands-On)

نمایش نظرات

آموزش ساخت ایجنت‌های هوش مصنوعی و اپلیکیشن‌های RAG با LangChain و CrewAI
جزییات دوره
14 hours
72
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
553
4.8 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Tech With Mala Tech With Mala

معمار نرم‌افزار