آموزش برنامه های چت را با OpenAI و LangChain بسازید

دانلود Build Chat Applications with OpenAI and LangChain

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مهارت های پیشرفته هوش مصنوعی را به دست آورید: بر چارچوب LangChain تسلط پیدا کنید تا برنامه های هوش مصنوعی را در دنیای واقعی بسازید. عملکرد و ارتباط پاسخ‌های هوش مصنوعی از تکنیک پیشرفته بازیابی نسل افزوده (RAG) استفاده کنید تا محصول مبتنی بر هوش مصنوعی خود را با دانش پایه تقویت کنید. هوش مصنوعی اهرمی برای باز کردن فرصت‌های بی‌پایان برای سازمانتان. مهارت های مهندسی هوش مصنوعی بسیار مورد نیاز پیش نیازها: مهارت های کدنویسی پایتون متوسط ​​مورد نیاز است شما باید نوت بوک Jupyter را راه اندازی و اجرا کنید

آیا شما یک مهندس مشتاق هوش مصنوعی هستید که هیجان زده هستید تا هوش مصنوعی را در محصول خود ادغام کنید؟

آیا از پیشرفت در زمینه هوش مصنوعی هیجان زده هستید؟

یا شاید مشتاق یادگیری این چارچوب جدید و هیجان انگیز LangChain هستید که همه درباره آن صحبت می کنند.

اگر بله، پس به جای درستی آمده اید!

چرا باید این دوره LangChain را در نظر بگیرید؟

در این دوره آموزشی ساخت برنامه‌های چت با OpenAI و LangChain، کتابخانه LangChain Python که به طور فزاینده‌ای محبوب است را برای توسعه برنامه‌های چت بات جذاب بررسی می‌کنیم.

با راهنمای دقیق و گام به گام، از کلید API OpenAI برای دسترسی به مدل‌های قدرتمند زبان بزرگ (LLM) استفاده خواهید کرد. هنگامی که به مدل‌های پایه دسترسی پیدا کردیم، از LangChain و ادغام‌های آن برای ایجاد اعلان‌های قانع‌کننده، اضافه کردن حافظه، ورودی داده‌های خارجی و پیوند آن به ابزارهای شخص ثالث استفاده می‌کنیم.

ادغام LangChain با ابزارهای شخص ثالث آن را با فعال کردن اتصال به مدل‌های زبان مختلف و بارگیری اسناد در قالب‌های مختلف متمایز می‌کند. همچنین امکان انتخاب مدل‌های جاسازی مناسب، ذخیره جاسازی‌ها در یک فروشگاه برداری، و پیوند به موتورهای جستجو، مفسران کد، و ابزارهایی مانند Wikipedia، GitHub، Gmail و موارد دیگر را فراهم می‌کند.

هیچ یک از اینها بدون تسلط بر زبان بیانی LangChain (LCEL) امکان پذیر نخواهد بود - که برای توسعه ربات های گفتگوی استدلالی حالتی و آگاه از زمینه ضروری است. این ربات‌های چت مکالمات گذشته را به خاطر می‌آورند، به سؤالات مربوط به داده‌های دیده نشده پاسخ می‌دهند و مشکلات پیچیده‌تری را حل می‌کنند.

علاوه بر این، ما بیشتر وقت خود را صرف بحث در مورد جدیدترین نسل افزوده بازیابی (RAG) خواهیم کرد، چه از نظر تئوری و چه از لحاظ عملی. این تکنیک به برنامه‌های مبتنی بر LLM اجازه می‌دهد تا به سؤالات مربوط به اطلاعات خارج از داده‌های آموزشی خود تجزیه و تحلیل و پاسخ دهند. در نهایت، ما یک ربات چت ایجاد خواهیم کرد که به سؤالات دانش آموزان در مورد دوره های کتابخانه 365 پاسخ می دهد.

چه مهارت هایی به دست می آورید؟

- برنامه های موجود را با LLM های قدرتمند ادغام کنید.

- با استفاده از کلید OpenAI API به زبان OpenAI و مدل‌های جاسازی متصل شوید.

- تکنیک های مهندسی سریع را برای بهبود عملکرد و ارتباط پاسخ هوش مصنوعی ایجاد کنید.

- RAG را پیاده سازی کنید تا محصول مبتنی بر هوش مصنوعی خود را با پایگاه دانش غنی کنید.

- بر پروتکل LCEL مسلط شوید—برای توسعه برنامه‌های کاربردی با کتابخانه LangChain Python ضروری است.

- ابزارهای خارجی را به برنامه مجهز به LLM خود وصل کنید.

- مکانیک پشت عامل ها و مجریان عامل را درک کنید.

با ثبت نام در این دوره LangChain و OpenAI، چشم انداز شغلی خود را با مهارت های مهندسی هوش مصنوعی کمیاب و بسیار مورد توجه تقویت کنید.

روی «اکنون خرید» کلیک کنید و امروز مهارت‌های مهندس هوش مصنوعی دنیای واقعی را به دست آورید!


سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

  • مقدمه دوره Introduction to the Course

  • کاربردهای تجاری LangChain Business Applications of LangChain

  • چه چیزی LangChain را قدرتمند می کند؟ What Makes LangChain Powerful?

  • دوره شامل چه مواردی است؟ What Does the Course Cover?

توکن ها، مدل ها و قیمت ها Tokens, Models, and Prices

  • توکن ها Tokens

  • مدل ها و قیمت ها Models and Prices

تنظیم محیط Setting Up the Environment

  • تنظیم یک محیط آناکوندا سفارشی برای ادغام Jupyter Setting Up a Custom Anaconda Environment for Jupyter Integration

  • دریافت کلید OpenAI API Obtaining an OpenAI API Key

  • تنظیم کلید API به عنوان یک متغیر محیطی Setting the API Key as an Environment Variable

OpenAI API The OpenAI API

  • مراحل اول First Steps

  • نقش های سیستم، کاربر و دستیار System, User, and Assistant Roles

  • ایجاد یک چت بات طعنه آمیز Creating a Sarcastic Chatbot

  • دما، حداکثر توکن ها و جریان Temperature, Max Tokens, and Streaming

ورودی های مدل Model Inputs

  • چارچوب LangChain The LangChain Framework

  • ChatOpenAI ChatOpenAI

  • سیستم و پیام های انسانی System and Human Messages

  • پیام های هوش مصنوعی AI Messages

  • الگوهای اعلان و مقادیر اعلان Prompt Templates and Prompt Values

  • الگوهای درخواست چت و مقادیر درخواست چت Chat Prompt Templates and Chat Prompt Values

  • الگوهای پیام چت چند شات Few-Shot Chat Message Prompt Templates

  • LLMCchain LLMChain

تاریخچه پیام و حافظه چت بات Message History and Chatbot Memory

  • تاریخچه پیام چت Chat Message History

  • حافظه بافر مکالمه: پیاده سازی تنظیمات Conversation Buffer Memory: Implementing the Setup

  • حافظه بافر مکالمه: پیکربندی زنجیره Conversation Buffer Memory: Configuring the Chain

  • حافظه پنجره بافر مکالمه Conversation Buffer Window Memory

  • حافظه خلاصه مکالمه Conversation Summary Memory

  • حافظه ترکیبی Combined Memory

تجزیه کننده های خروجی Output Parsers

  • تجزیه کننده خروجی رشته String Output Parser

  • تجزیه کننده خروجی لیست جدا شده با کاما Comma-Separated List Output Parser

  • تجزیه کننده خروجی تاریخ Datetime Output Parser

زبان بیان LangChain (LCEL) LangChain Expression Language (LCEL)

  • لوله کشی یک Prompt، مدل، و یک تحلیلگر خروجی Piping a Prompt, Model, and an Output Parser

  • دسته بندی Batching

  • پخش جریانی Streaming

  • کلاس های Runnable و RunnableSequence The Runnable and RunnableSequence Classes

  • Piping Chains و RunnablePassthrough Class Piping Chains and the RunnablePassthrough Class

  • Graphing Runnables Graphing Runnables

  • Runnable Parallel RunnableParallel

  • Piping یک Runnable Parallel با سایر Runnable ها Piping a RunnableParallel with Other Runnables

  • RunnableLambda RunnableLambda

  • دکوراتور @chain The @chain Decorator

  • افزودن حافظه به یک زنجیره (قسمت 1): پیاده سازی راه اندازی Adding Memory to a Chain (Part 1): Implementing the Setup

  • RunnablePassthrough با کلیدهای اضافی RunnablePassthrough with Additional Keys

  • آیتم گیر Itemgetter

  • افزودن حافظه به یک زنجیره (قسمت 2): ایجاد زنجیره Adding Memory to a Chain (Part 2): Creating the Chain

بازیابی نسل افزوده (RAG) Retrieval Augmented Generation (RAG)

  • چگونه داده های سفارشی را در یک LLM ادغام کنیم How to Integrate Custom Data into an LLM

  • آشنایی با RAG Introduction to RAG

  • مقدمه ای بر بارگذاری و تقسیم اسناد Introduction to Document Loading and Splitting

  • مقدمه ای بر جاسازی اسناد Introduction to Document Embedding

  • مقدمه ای بر ذخیره سازی، بازیابی و تولید اسناد Introduction to Document Storing, Retrieval, and Generation

  • نمایه سازی: بارگیری سند با PyPDFLoader Indexing: Document Loading with PyPDFLoader

  • نمایه سازی: بارگیری سند با Docx2txtLoader Indexing: Document Loading with Docx2txtLoader

  • نمایه سازی: تقسیم اسناد با تقسیم کننده متن کاراکتر (تئوری) Indexing: Document Splitting with Character Text Splitter (Theory)

  • نمایه سازی: تقسیم اسناد با تقسیم کننده متن کاراکتر (کد همراه) Indexing: Document Splitting with Character Text Splitter (Code Along)

  • نمایه سازی: تقسیم اسناد با شکاف متن سرصفحه Markdown Indexing: Document Splitting with Markdown Header Text Splitter

  • نمایه سازی: جاسازی متن با OpenAI Indexing: Text Embedding with OpenAI

  • نمایه سازی: ایجاد یک فروشگاه کروما وکتور Indexing: Creating a Chroma Vector Store

  • نمایه سازی: بازرسی و مدیریت اسناد در فروشگاه وکتور Indexing: Inspecting and Managing Documents in a Vector Store

  • بازیابی: جستجوی تشابه Retrieval: Similarity Search

  • بازیابی: حداکثر جستجوی ارتباط حاشیه ای Retrieval: Maximal Marginal Relevance Search

  • Retrieval: Vector Store-Backed Retriever Retrieval: Vector Store-Backed Retriever

  • Generation: Stuffing Documents Generation: Stuffing Documents

  • Generation: ایجاد پاسخ Generation: Generating a Response

ابزارها و عوامل Tools and Agents

  • مقدمه ای بر استدلال ربات های چت Introduction to Reasoning Chatbots

  • ابزارها، جعبه ابزارها، عوامل و مجریان عامل Tools, Toolkits, Agents, and Agent Executors

  • رفع GuessedAtParserWarning Fixing the GuessedAtParserWarning

  • ایجاد یک ابزار ویکی پدیا و انتقال آن به یک زنجیره Creating a Wikipedia Tool and Piping It to a Chain

  • ایجاد یک Retriever و یک ابزار سفارشی Creating a Retriever and a Custom Tool

  • LangChain Hub LangChain Hub

  • ایجاد یک Tool Calling Agent و یک Agent Executor Creating a Tool Calling Agent and an Agent Executor

  • AgentAction و AgentFinish AgentAction and AgentFinish

نمایش نظرات

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.

آموزش برنامه های چت را با OpenAI و LangChain بسازید
جزییات دوره
5.5 hours
70
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
395
4.9 از 5
دارد
دارد
دارد
365 Careers
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی