آموزش دوره فشرده LangChain - آخرین آپدیت
دانلود LangChain Crash Course
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
دوره تخصصی LangChain: ساخت اپلیکیشنهای مبتنی بر مدلهای زبانی بزرگ
به دوره LangChain خوش آمدید. LangChain یک فریمورک قدرتمند است که برای ساخت اپلیکیشنهای بهرهمند از مدلهای زبانی بزرگ (LLMs) طراحی شده است. این فریمورک ابزارها و لایههای انتزاعی را فراهم میکند تا ادغام LLMها در اپلیکیشنها را تسهیل کند و امکان اجرای وظایفی چون پاسخگویی به سوالات، تولید متن، تولید مبتنی بر بازیابی (RAG)، چتباتها و موارد دیگر را فراهم آورد.
کاربردهای LangChain
در ادامه به برخی از کاربردهای کلیدی LangChain اشاره میکنیم:
- پاسخگویی به سوالات (Question Answering): ایجاد سیستمهایی که با بازیابی اطلاعات مرتبط و تولید پاسخ توسط LLMها، به سوالات کاربران پاسخ میدهند.
- چتباتها (Chatbots): طراحی عاملهای مکالمهای که قادر به حفظ زمینه (context) در طول تعاملات هستند.
- تولید مبتنی بر بازیابی (Retrieval-Augmented Generation - RAG): ترکیب بازیابی اسناد مرتبط با تولید متن برای ارائه پاسخهای دقیقتر و آگاهانهتر.
- خلاصهسازی متن (Text Summarization): تولید خلاصههایی از اسناد یا مقالات طولانی.
- تولید کد (Code Generation): ساخت ابزارهایی که بر اساس توضیحات زبان طبیعی، کد تولید میکنند.
- دستیارهای شخصی (Personal Assistants): ایجاد دستیارهای مجازی که وظایفی مانند زمانبندی، پیشنویس ایمیل یا بازیابی اطلاعات را انجام میدهند.
سرفصلهای دوره LangChain
مقدمهای بر LangChain
- مقدمه، ویژگیها و کاربردهای LangChain
- مفهوم Chaining در LangChain
مولفههای LangChain
- مولفهها/ ماژولهای LangChain
- مولفه پیشپردازش (Preprocessing) در LangChain
- مولفه مدلها (Models) در LangChain
- مولفه Promptها (Prompts) در LangChain
- مولفه حافظه (Memory) در LangChain
- مولفه Chains در LangChain
- مولفه Indexها (Indexes) در LangChain
- مولفه Agents در LangChain
LangChain با RAG
- فرآیند LangChain با RAG
- مثال نهایی کدنویسی LangChain با RAG
آنچه خواهید آموخت
- یادگیری LangChain از پایه
- درک گردش کار (workflow) LangChain
- خلاصهسازی چندین سند PDF با LangChain و RAG
- درک chaining در LangChain
- آشنایی با مولفههای LangChain به همراه مثال
- بارگذاری و تجزیه (parse) اسناد PDF
- تقسیم اسناد به قطعات (chunks)
- تنظیم مدلهای Embedding
- یادگیری ایجاد یک Vector Store از قطعات اسناد
- تنظیم یک LLM محلی (local)
- یادگیری ایجاد یک QA Chain
مخاطبان دوره
- علاقهمندانی که میخواهند سفر خود را در دنیای هوش مصنوعی آغاز کنند
- علاقهمندان تازهکار به هوش مصنوعی
- یادگیری LangChain با RAG
- علاقهمندانی که میخواهند chaining در LangChain را درک کنند
- علاقهمندانی که میخواهند چندین سند PDF را خلاصه کنند
نکته: دفترچه Google Colab مورد استفاده در کلاس ضمیمه شده است.
سرفصل ها و درس ها
درسها Lessons
-
درباره دوره About Course
-
LangChain - مقدمه، ویژگیها و موارد استفاده LangChain - Introduction, Features, and Use Cases
-
زنجیرهسازی (Chaining) در LangChain چیست؟ What is Chaining in LangChain
-
کامپوننتها/ماژولهای LangChain Components/ Modules of LangChain
-
کامپوننت پیشپردازش (Preprocessing) در LangChain Preprocessing Component of LangChain
-
کامپوننت مدلها (Models) در LangChain Models Component of LangChain
-
کامپوننت پرامپتها (Prompts) در LangChain Prompts Component of LangChain
-
کامپوننت حافظه (Memory) در LangChain Memory Component of LangChain
-
کامپوننت زنجیرهها (Chains) در LangChain Chains Component of LangChain
-
کامپوننت ایندکسها (Indexes) در LangChain Indexes Component of LangChain
-
کامپوننت ایجنتها (Agents) در LangChain Agents Component of LangChain
-
LangChain با RAG - فرآیند LangChain with RAG - Process
-
LangChain با RAG - مثال نهایی کدنویسی LangChain with RAG - Final Coding Example
https://donyad.com/d/5f34c6
Amit Diwan
مربی شرکتی
من آمیت دیوان هستم. من به دانشآموزان، مهندسان و متخصصان فنآوریهای متنوعی از جمله Python، Java، SQL، MongoDB و غیره آموزش دادهام.
نمایش نظرات