لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساخت پروژه جامع GenAI: طراحی دستیار هوشمند سفر با پایتون
- آخرین آپدیت
دانلود Build End-to-End GenAI Project: Travel AI Agent with Python
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
تسلط بر هوش مصنوعی مولد (GenAI) از طریق ساخت یک دستیار سفر هوشمند - از ورود دادهها تا خط لوله RAG و استقرار نهایی، همه در یک دوره جامع.
در این دوره یک اپلیکیشن کامل GenAI را از ابتدا و به صورت End-to-End با استفاده از پایتون خواهید ساخت.
مفاهیم و پیادهسازی ورود اسناد (Document Ingestion)، تکهتکه کردن متن (Text Chunking) و تولید امبدینگها (Embeddings) را بیاموزید.
پیادهسازی خط لولههای تولید تقویتشده با بازیابی (RAG) با استفاده از مدلهای OpenAI یا Hugging Face.
یادگیری نحوه مدیریت متغیرهای محیطی، پیکربندیها و ساختاربندی پروژههای GenAI برای محیط عملیاتی (Production).
پیش نیازها: یک کامپیوتر با دسترسی به اینترنت و اجازه نصب پکیجهای پایتون.
اشتیاق برای ساخت و استقرار اپلیکیشنهای مبتنی بر هوش مصنوعی از صفر.
آیا میخواهید یک اپلیکیشن واقعی GenAI را از ابتدا بسازید و مستقر کنید؟ در این دوره عملی، شما یاد میگیرید که دستیار هوشمند سفر (AI Travel Agent) خود را خلق کنید - یک دستیار هوشمند که میتواند راهنماهای PDF را بخواند، آنها را به صورت امبدینگ ذخیره کند و با استفاده از تکنیکهای تولید تقویتشده با بازیابی (RAG) به سوالات کاربران پاسخ دهد.
این دوره شما را در تمام مراحل توسعه همراهی میکند؛ از تنظیمات اولیه پروژه، ساخت رابط کاربری با Streamlit، توسعه بکاند با FastAPI، اتصال به پایگاه داده برداری (Qdrant) و ادغام مدلهای زبانی OpenAI یا Hugging Face. در پایان، شما نهتنها نحوه عملکرد اپلیکیشنهای مدرن GenAI را درک خواهید کرد، بلکه دستیار هوشمند خود را آماده استفاده و توسعه در محیط ابری خواهید داشت.
آنچه خواهید ساخت:
یک دستیار سفر هوشمند فعال که میتواند فایلهای PDF را دریافت کرده و به سوالات مربوط به سفر به صورت هوشمند پاسخ دهد.
یک ساختار پروژه پایتونی تمیز و ماژولار، مناسب برای استقرار در دنیای واقعی.
یک خط لوله RAG که مراحل ورود داده، امبدینگ، بازیابی و تولید متن توسط LLM را به صورت یکپارچه متصل میکند.
استقرار کامل فرانتاند و بکاند روی پلتفرمهای ابری مانند Railway و Streamlit Cloud.
آنچه خواهید آموخت:
نحوه تنظیم و ساختاربندی حرفهای پروژههای GenAI.
ساخت رابطهای کاربری زیبا با Streamlit به همراه قابلیت آپلود فایل و بخش پرسش و پاسخ.
ایجاد APIهای بکاند با استفاده از FastAPI و طراحی End-pointهای /upload و /ask.
درک مفاهیم ورود اسناد، امبدینگها و پایگاههای داده برداری.
اتصال به Qdrant برای ذخیره و بازیابی بهینه امبدینگها.
پیادهسازی تکنیکهای RAG برای ترکیب بازیابی و تولید جهت دستیابی به پاسخهای هوشمندانهتر.
ادغام مدلهای OpenAI و Hugging Face با مدیریت صحیح کلیدهای API.
استقرار کامل (End-to-End) اپلیکیشن شما در فضای ابری.
در پایان این دوره، شما تجربه عملی کامل چرخه توسعه GenAI را کسب خواهید کرد - از ایده تا محصولی که به طور کامل مستقر شده است.
سرفصل ها و درس ها
مقدمه
Introduction
مرور کلی پروژه
Project Overview
دمو و نمایش
Demo
سورس کد پروژه
Project Source Code
بررسی سورس کد
Source Code
تنظیمات پروژه
Project Setup
تنظیمات گیتهاب
Github Setup
آشنایی با Streamlit
Streamlit Introduction
پیادهسازی فرانتاند
Frontend Implementation
آشنایی با FastAPI
FastAPI Introduction
پیادهسازی بکاند
Backend Implementation
ورود دادهها
Data Ingestion
پیادهسازی جریان ورود دادهها
Ingestion Flow Implementation
تولید امبدینگها
Generating Embeddings
مقدمهای بر امبدینگها
Embeddings Introduction
نحوه تولید امبدینگها
Generating Embeddings
اتصال به ذخیرهساز برداری
Vector Store Integration
آشنایی با پایگاه داده برداری
Vector Database Introduction
تنظیمات Qdrant
Qdrant Setup
ساخت کالکشن در Qdrant
Creating Qdrant Collection
افزودن دادهها به دیتابیس برداری
Adding Data to Vector Database
پیادهسازی جریان RAG
RAG Flow Implementaion
مقدمهای بر RAG
RAG Introduction
بازیابی دادههای مرتبط
Retrieving Relevant Data
ادغام مدل زبانی LLM
LLM Integration
آشنایی با OpenAI
OpenAI Introduction
تولید کلید API برای OpenAI
OpenAI API Key Generation
معرفی Huggingface و تولید API
Huggingface Intro and API generation
بهینهسازی پاسخهای LLM
LLM Fine Tuned Response
یکپارچهسازی اپلیکیشن
App Integration
اتصال فرانتاند و بکاند
Integrating Frontend & Backend
نمایش نظرات