آموزش مهندسی LLM در عمل با Streamlit و Openai - آخرین آپدیت
دانلود LLM Engineering in Practice with Streamlit and OpenAI
آیا شما آماده هستید تا به دنیای جذاب برنامه های کاربردی AI شیرجه بزنید؟
آیا می خواهید با استفاده از مدل های بزرگ زبان (LLM) مشکلات دنیای واقعی را حل کنید؟
این دوره عالی برای شما است!
این دوره راهنمای گام به گام شما برای طراحی ، توسعه و استقرار یک برنامه هوش مصنوعی با استفاده از مدلهای StreamLit ، Python و OpenAI است. شما نه تنها تئوری و روند توسعه را یاد خواهید گرفت بلکه با یک نمونه عملی و واقعی در دنیای واقعی تجربه خواهید کرد: مصاحبه ACE ، یک برنامه مصاحبه قدرتمند مبتنی بر هوش مصنوعی که قبلاً به هزاران نفر کمک کرده است تا برای مصاحبه های خود آماده شوند. با کاوش در ساختار مصاحبه Ace ، خواهید دید که چگونه مفاهیم تدریس شده در این دوره در عمل اعمال می شوند. علاوه بر این ، ما چالش ها و اشتباهاتی را که در طول توسعه آن با آنها روبرو شده ایم - و نحوه غلبه بر آنها - به اشتراک خواهیم گذاشت ، بنابراین می توانید از مشکلات مشابه در پروژه های خود جلوگیری کنید.
با تکمیل این دوره ، یک مجموعه مهارت همه کاره و بسیار کاربردی از جمله:
به دست می آوریدبرنامه نویسی پایتون با Streamlit-یاد بگیرید که برنامه های وب تعاملی و کاربر پسند را با استفاده از یکی از محبوب ترین چارچوب ها بسازید.
مهندسی سریع - استاد هنر طراحی ، پالایش و آزمایش را برای حداکثر رساندن عملکرد پروژه های هوش مصنوعی خود استاد کنید.
طراحی معماری سیستم - یاد بگیرید که نمودارهای فعالیت را ایجاد کنید تا از لحاظ بصری ساختار برنامه خود را ترسیم کنید ، برنامه ریزی و برقراری ارتباط موثر ایده های خود را آسان تر کنید.
استفاده از LLMS: درک کنید که چگونه می توانید از مدل های بزرگ زبان برای موارد مختلف استفاده ، از جمله تفاوت بین مدل های میزبانی و استفاده از API ها ، و همچنین منبع باز در مقابل گزینه های منبع بسته استفاده کنید.
مدیریت هزینه: هزینه های مرتبط با پروژه های هوش مصنوعی خود را برای تصمیم گیری آگاهانه تجزیه و تحلیل و پیش بینی کنید.
دوره ما شما را در هر مرحله از روند توسعه می برد:
مرحله برنامه ریزی: معماری ، بانک اطلاعاتی را طراحی کنید و از این طریق پایه و اساس محکمی را برای پروژه خود ایجاد کنید.
مرحله نمونه اولیه: یک جریان کاملاً کاربردی برای نمایش در نمونه کارها خود بسازید.
مرحله توسعه: چالش های دنیای واقعی را که ممکن است هنگام کار بر روی پروژه خود با آنها روبرو شوید ، کاوش کنید و استراتژی های مؤثر را برای حل آنها بیاموزید. این موارد شامل مواردی مانند تزریق سریع ، رسیدگی به توهم ، مقیاس بندی برنامه شما ، بهینه سازی استفاده از نشانه ها و مدیریت هزینه برای اطمینان از پروژه شما هم کارآمد و هم مقیاس پذیر است.
تا پایان این دوره ، شما بیش از یک نمونه اولیه کار از یک شبیه ساز مصاحبه AI خواهید داشت-شما دانش و اعتماد به نفس خود را برای ایجاد برنامه های دارای هوش مصنوعی خود خواهید داشت.
آیا شما به دنبال ورود به زمینه پررونق توسعه AI هستید یا مجموعه مهارت های موجود خود را تقویت می کنید ، این دوره به شما این امکان را می دهد تا در یکی از هیجان انگیزترین و تقاضا ترین مسیرهای شغلی آینده موفق شوید.
قدم بعدی در سفر خود را برای تبدیل شدن به یک مهندس AI - ENROLL امروز بردارید!
مقدمه ای برای دوره Introduction to the Course
-
مقدمه ای برای دوره Introduction to the Course
-
دوره چه چیزی را پوشش می دهد؟ What does the course cover?
-
مشخصات ابزار مصاحبه The Interview Tool’s Specifics
مرحله برنامه ریزی Planning stage
-
میزبانی LLM VS با استفاده از API Hosting an LLM vs Using an API
-
مدلهای منبع باز در مقابل منبع بسته Open-Source vs Closed-Source Models
-
توکن Tokens
-
قیمت گذاری: میزبانی LLM در مقابل پرداخت هزینه Pricing: Hosting an LLM vs Pay-by-Token
-
توسعه سریع اولیه: قسمت 1 Initial Prompt Development: Part 1
-
توسعه سریع اولیه: قسمت 2 Initial Prompt Development: Part 2
-
طراحی پایگاه داده و توسعه طرحواره Database Design and Schema Development
-
نمودار فعالیت چیست What Is an Activity Diagram
-
ایجاد یک نمودار فعالیت Creating an Activity Diagram
-
پایان مرحله برنامه ریزی Concluding the Planning Stage
صنایع دستی و آزمایش AI Crafting and Testing AI Prompts
-
زمین بازی Openai The OpenAI Playground
-
بهینه سازی دما و بالا P برای موارد استفاده های مختلف Optimizing Temperature and Top P for Different Use Cases
-
مهندسی سریع برای توسعه نرم افزار Prompt Engineering for Software Development
-
نحوه آزمایش یک الگوی سریع How to Test Out a Prompt Template
آشنایی با جریان Getting to Know Streamlit
-
تنظیم محیط Setting up environment
-
جوانب مثبت و منفی Streamlit's Pros and Cons
-
Elements streamlit: عناوین ، هدرها و قالب بندی Streamlit Elements: Titles, Headers, and Formatting
-
عناصر جریان: روش های متن Streamlit Elements: Text Methods
-
عناصر جریان: عناصر گپ Streamlit Elements: Chat Elements
-
حالت سسین Sessin State
توسعه نمونه اولیه Developing the prototype
-
اولیه سازی یک مشتری OpenAi Initializing an OpenAI Client
-
اجرای عملکرد چت Implementing the Chat Functionality
-
ساخت صفحه تنظیم Building the Setup Page
-
تقویت تعامل chatbot با حالت جلسه Enhancing Chatbot Interaction with Session State
-
پالایش پروژه ما Refining Our Project
-
اجرای عملکرد بازخورد: قسمت 1 Implementing Feedback Functionality: Part 1
-
اجرای عملکرد بازخورد: قسمت 2 Implementing Feedback Functionality: Part 2
-
بارگذاری پروژه خود در GitHub Uploading Your Project in GitHub
-
استفاده از برنامه streamlit خود Deploying Your Streamlit App
https://donyad.com/d/dd97fd
365 Careers
ایجاد فرصت برای دانشجویان علوم داده و مالی
نمایش نظرات