مشکل زیرساخت شبکه و افت سرعت کاملاً برطرف شده است. در حال حاضر فعالسازی و آمادهسازی دورهها در حال انجام است. از صبر و شکیبایی شما سپاسگزاریم.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش جامع ساخت سیستمهای RAG با پایتون و LangChain
- آخرین آپدیت
دانلود Introduction to Building AI RAGs with Python and LangChain
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره، شما نحوه ساخت سیستمهای RAG (تولید تقویتشده با بازیابی) مبتنی بر هوش مصنوعی را با استفاده از پایتون و LangChain خواهید آموخت. مفاهیم کلیدی مانند تزریق زمینه سند (Document Context Injection)، راهاندازی مدلهای زبانی بزرگ (LLMs) و یکپارچهسازی Embeddingها را بررسی خواهید کرد. در پایان این دوره، مهارتهای لازم برای طراحی و پیادهسازی سیستمهای هوش مصنوعی کارآمد را به دست خواهید آورد.
این دوره به شما میآموزد که چگونه سیستمهای Retrieval Augmented Generation (RAG) را از ابتدا بسازید. RAG یکی از پرتقاضاترین تکنیکهای هوش مصنوعی در حال حاضر است؛ زیرا به مدلهای زبانی اجازه میدهد تا به جای تکیه صرف بر دادههای آموزشی خود، با استفاده از اسناد، دادهها و پایگاههای دانش شما به سوالات پاسخ دهند.
دوره به دو بخش تقسیم شده است. در بخش اول، شما یک سیستم تزریق زمینه سند را میسازید و یاد میگیرید چگونه اسناد را بارگذاری کنید، آنها را به قطعات کوچکتر (Chunks) تقسیم کنید، Embedding تولید کنید و زمینه مرتبط را به LLM ارسال کنید تا پاسخهایی دقیق و مستند دریافت نمایید. این بخش درک عمیقی از مکانیسمهای اصلی RAG به شما میدهد.
در بخش دوم، یک سیستم RAG کامل را با استفاده از زنجیرههای بازیابی (Retrieval Chains) در LangChain 1.0 خواهید ساخت. شما Vector Storeها، Retrieverها و خط لولههای پرسوجو (Query Pipelines) را پیادهسازی میکنید که میتوانند در اسناد شما جستجو کرده و پاسخهای دقیقی را همراه با ارجاع به منابع تولید کنند. در نهایت، شما یک خط لوله RAG کامل و عملی خواهید داشت که میتوانید آن را با هر مجموعه سندی یا مورد استفادهای تطبیق دهید.
این دوره برای توسعهدهندگان پایتون که میخواهند اپلیکیشنهای هوش مصنوعی برای کار با دادههای خصوصی یا تخصصی (مانند اسناد داخلی شرکت، مقالات پژوهشی، قراردادهای حقوقی یا هر پایگاه دانش متنی دیگر) بسازند، ایدهآل است.
این دوره برای توسعهدهندگان، دانشمندان داده و علاقهمندان به هوش مصنوعی که به دنبال ارتقای درک خود در ساخت سیستمهای پیشرفته AI با پایتون و LangChain هستند، مناسب است. داشتن دانش پایه در برنامهنویسی پایتون توصیه میشود و آشنایی با مفاهیم یادگیری ماشین به درک سریعتر مطالب کمک میکند.
شما از طریق یک رویکرد عملی یاد میگیرید؛ از ساخت اجزای بنیادی شروع کرده و به تکنیکهای پیشرفتهتر در توسعه هوش مصنوعی میرسید. هر بخش به گونهای طراحی شده است تا شما را به مهارتهای کاربردی مجهز کند. در پایان، اعتماد به نفس لازم برای ایجاد و استقرار سیستمهای RAG خودتان را خواهید داشت.
این دوره بر اساس آموزش «Introduction to Building AI RAGs with Python and LangChain» اثر PythonHow و Ardit Sulce تهیه شده است.
این دوره توسط Packt لایسنس و توزیع شده است. تمامی حقوق محفوظ است.
شرکت Packt یکی از پرکارترین ناشران محتوای فنی پیشرفته در جهان است که بیش از دو دهه است ماموریت خود را انتشار دانش برترین متخصصان فنی قرار داده است.
تمرکز ما بر دورههای کاربردی است که به مشتریان کمک میکند کارهای واقعی را به سرانجام برسانند. اگر شما یا سازمان شما طرفدار یادگیری از طریق عمل هستید، Packt انتخابی ایدهآل برای شماست.
سرفصل ها و درس ها
ساخت سیستم تزریق زمینه سند با LangChain 1.0
Building Document Context Injection System with LangChain 1.0
چه چیزی خواهیم ساخت
What We Will Build
معماری سیستم
The Architecture of the System
مقداردهی اولیه مدل LLM
Initializing the LLM
پرامپت سیستم و تزریق زمینه
System Prompt and Context Injection
بارگذاری اسناد
Loading the Documents
ایجاد زمینه (Context)
Creating the Context
دریافت پاسخ از LLM درباره اسناد
Getting Answers from the LLM About the Documents
پیادهسازی اسناد برای گفتگوهای مستمر
Implementing Continuous Conversation Documents
ساخت یک سیستم کامل RAG با LangChain 1.0
Building a Full RAG System with LangChain 1.0
سیستم RAG چگونه کار میکند
How a RAG Works
راهاندازی مدل LLM
Setting Up the LLM
راهاندازی Embeddingها و Vector Store
Setting Up Embeddings and Vector Store
ایجاد Embedding از اسناد
Creating Embeddings from Documents
دریافت پاسخ از سیستم RAG
Getting Answers from the RAG
نمایش نظرات