آموزش LangChain برای هوش مصنوعی مولد: استفاده از OpenAI LLM در پایتون

LangChain For Generative AI: Using OpenAI LLMs in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: نحوه اتصال LangChain را به OpenAI برای کار با LLM در پایتون از طریق مثال های عملی بیاموزید. آموزش کار با Langchain در Python یاد بگیرید چگونه Langchain Agents بسازید آموزش نحوه کار embeddings و نحوه کار با فروشگاه برداری در Langchain درک نحوه کار مدل های زبان بزرگ (LLM) و embeddings آموزش اتصال Langchain به مجموعه API OpenAI پیش نیازها :تجربه برنامه نویسی کم. این دوره برای مبتدیان است

این دوره برای توانمندسازی توسعه دهندگان طراحی شده است، این راهنمای جامع رویکردی عملی برای ادغام LangcChain با OpenAI و استفاده موثر از مدل های زبان بزرگ (LLM) در پایتون ارائه می دهد.

در مرحله اولیه دوره، درک قوی از Langchain، عملکردها و اجزای آن، و نحوه هم افزایی آن با منابع داده و LLMها به دست خواهید آورد. ما به طور خلاصه به درک LLM ها، معماری، فرآیند آموزش و کاربردهای مختلف آن ها خواهیم پرداخت. ما محیط شما را با راهنمای نصب عملی و نمونه «Hello World» با استفاده از Google Colab راه‌اندازی می‌کنیم.

متعاقباً، مدل‌های LangChain را بررسی می‌کنیم که انواع مختلفی مانند LLM، مدل‌های چت و جاسازی‌ها را پوشش می‌دهد. ما شما را از طریق بارگیری مدل گپ OpenAI، اتصال LangChain به مدل‌های Huggingface Hub و استفاده از جاسازی‌های متن OpenAI راهنمایی می‌کنیم.

این دوره به جنبه اساسی Prompting Parsing در LangChain، با تمرکز بر بهترین شیوه‌ها، جداکننده‌ها، قالب‌های ساختاریافته، و استفاده مؤثر از مثال‌ها و Chain of Though Reasoning (CoT) پیشرفت می‌کند.

بخش‌های زیر بر مفاهیم حافظه، زنجیره‌بندی، و شاخص‌ها در LangChain تمرکز می‌کنند و شما را قادر می‌سازد تا تعاملات پیچیده را به راحتی مدیریت کنید. ما نحوه تنظیم حافظه یک ربات چت، اهمیت Chaining، و ابزار Document Loaders Vector Stores را مطالعه خواهیم کرد.

در نهایت، با نمایش یک عامل ساده و مراحل ساخت یک Arxiv Summarizer Agent، به اجرای عملی LangChain Agents خواهید پرداخت.

در پایان این دوره، شما در استفاده از LangChain با OpenAI LLM در پایتون مهارت خواهید داشت که جهشی قابل توجه در سفر توسعه‌دهنده شما را رقم می‌زند. برای تقویت برنامه های LLM خود آماده اید؟ در این دوره جامع به ما بپیوندید!


سرفصل ها و درس ها

مقدمه ای بر Langchain و LLMs Introduction to Langchain & LLMs

  • Langchain چیست؟ What is Langchain?

  • درک LLM Understanding LLMs

  • نصب Langchain & Hello World Example Installing Langchain & Hello World Example

مدل های Langchain Langchain Models

  • انواع مختلف مدل های پشتیبانی شده Different Types of Supported Models

  • کار با مدل های LLM Working with LLM Models

  • مدل های چت در Langchain Chat Models In Langchain

  • تعبیه ها چیست؟ What Are Embeddings?

  • استفاده از OpenAI Text Embeddings برای تحلیل احساسات Using OpenAI Text Embeddings to Analyze Sentiment

  • نوت بوک Google Colab برای مدل های Langchain Google Colab Notebook For Langchain Models

پیشنهاد و تجزیه در Langchain Prompting & Parsing In Langchain

  • بهترین روش‌ها - قالب‌بندی، چند اعلان شات و CoT Prompting Best Practices - Formatting, Few Shot Prompting, & CoT

  • با استفاده از الگوهای اعلان داخلی Langchain Using Langchain's Built-in Prompt Templates

  • تجزیه کننده های خروجی در Langchain Output Parsers in Langchain

  • دفترچه یادداشت Google Colab برای الگوهای درخواستی و تجزیه کننده های خروجی Google Colab Notebook for Prompt Templates & Output Parsers

حافظه، زنجیره‌سازی و شاخص‌ها Memory, Chaining, & Indexes

  • مدیریت حافظه چت بات در Langchain Managing Chatbot Memory in Langchain

  • زنجیر زدن چیست؟ What is Chaining?

  • چگونه در Langchain زنجیره بسازیم How To Build Chains in Langchain

  • لودرها و وکتورهای اسناد Langchain Langchain Document Loaders & Vectorstores

نمایندگان Langchain Langchain Agents

  • نمایندگان Langchain چیست؟ What are Langchain Agents?

  • کار با نمایندگان Langchain Working With Langchain Agents

  • ساخت یک عامل خلاصه کننده Arxiv Building An Arxiv Summarizer Agent

  • نوت بوک Google Colab برای نمایندگان Langchain Google Colab Notebook for Langchain Agents

پرس و جو از داده های شما با استفاده از مدل های چت Querying Your Data Using Chat Models

  • لودرهای سند برای انواع داده ها و منابع مختلف Document Loaders For Different Data Types & Sources

  • تقسیم اسناد: بررسی روش های مختلف Document Splitting: Exploring Different Methods

  • خلاصه در فروشگاه های وکتور Recap on Vector Stores

  • روش های بازیابی پیشرفته Advanced Retrieval Methods

  • پرس و جو از داده های خود با مدل های چت Querying Your Data with Chat Models

پروژه هایی برای بکارگیری روش های پرس و جوی پیشرفته Projects For Applying Advanced Querying Methods

  • افزایش مقیاس ربات تحقیقاتی Arxiv ما Scaling Up Our Arxiv Research Bot

  • استفاده از یوتیوب به عنوان منبع داده برای مدل‌های چت بات Utilizing YouTube as a Data Source for Chatbot Models

  • اتصال چت بات ما به ویکی پدیا Hooking Up Our Chatbot to Wikipedia

نمایش نظرات

نظری ارسال نشده است.

آموزش LangChain برای هوش مصنوعی مولد: استفاده از OpenAI LLM در پایتون
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
2 hours
29
Udemy (یودمی) udemy-small
15 شهریور 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
997
4.3 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ingenium Academy Ingenium Academy

مکان شماره 1 برای آموزش آنلاین ریاضیات و علوم.

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.