لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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)
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
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