ساخت اپلیکیشن تحلیل داده با هوش مصنوعی: آموزش Python و Streamlit و LLM - آخرین آپدیت
دانلود Build with AI: LLM-Powered Data Analysis App with Python and Streamlit
در این دوره سریع و کاربردی، یاد میگیرید که چگونه یک ابزار تحلیل داده سبک و مجهز به هوش مصنوعی را با استفاده از پایتون (Python)، استریملیت (Streamlit) و API شرکت OpenAI بسازید. مگی ما (Maggie Ma)، مدرس دوره، به شما نشان میدهد که چگونه یک مجموعه داده را آپلود کرده و سوالات خود را به زبان ساده انگلیسی (یا فارسی) بپرسید؛ سپس اپلیکیشن شما ورودی را به کد (Python یا SQL) تبدیل کرده، آن را اجرا میکند و تحلیلهای کاربردی را بازمیگرداند. این دوره برای تیمهای فنی که قصد دارند از ذینفعان غیرفنی را پشتیبانی کنند، ایدهآل است و شما را در مسیر ساخت و تست یک رابط کاربری زبان طبیعی برای دادههای ساختاریافته راهنمایی میکند. برای شروع این دوره، نیازی به تجربه قبلی در زمینه مدلهای زبانی بزرگ (LLM) نیست؛ تنها داشتن دانش مقدماتی پایتون و کتابخانه pandas را میطلبد و در پایان دوره، یک پروتوتایپ فعال را خواهید داشت که میتوانید آن را توسعهدهی یا به صورت داخلی در سازمان خود مستقر کنید.
این دوره با GitHub Codespaces یکپارچه شده است که یک محیط توسعه ابری سریع که تمامی قابلیتهای IDE مورد علاقه شما را بدون نیاز به نصبات محلی روی سیستم را ارائه میدهد. با GitHub Codespaces، شما میتوانید در هر زمان و با هر سیستمی به صورت عملی تمرین کنید و از ابزاری استفاده کنید که احتمالاً در محیطهای کاری حرفهای با آن مواجه خواهید شد. برای شروع، بخش “GitHub Codespaces setup"را در این دوره بررسی کنید.
مقدمه Introduction
-
آنچه خواهید ساخت: دستیار تحلیل داده با هوش مصنوعی What you'll build: AI data analysis assistant
-
اصول بنیادی طراحی اپلیکیشن App design fundamentals
1. ساخت زیربنای اپلیکیشن Streamlit 1. Building the Streamlit App Foundation
-
ایجاد یک اپلیکیشن پایه با Streamlit Create a basic Streamlit application
-
ساخت اجزای چتبات Build chatbot components
-
اجزای ضروری: نوار کناری و آپلودر فایل Essential components: Sidebar and file uploader
-
نمایش جداول داده و خلاصهسازی Display data tables and summary
2. اتصال به OpenAI و ساخت پرامپتهای هوشمند 2. Connecting to OpenAI and Building Smart Prompts
-
مهندسی پرامپت پیشرفته Advanced prompt engineering
-
تنظیمات و امنیت کلید API OpenAI OpenAI API key security and setup
-
اولین فراخوانی API Make your first API call
3. تولید و اجرای کد 3. Code Generation and Execution
-
مدیریت خطاهای کد به صورت جامع Robust code error handling
-
اجرای کدهای پایتون تولید شده توسط هوش مصنوعی Execute AI-generated Python code
-
بهینهسازی رابط کاربری Polish the user interface
4. افزودن حافظه و قابلیتهای پیشرفته 4. Adding Memory and Advanced Features
-
بهینهسازی هزینه API و مصرف توکنها Optimize API cost and token usage
-
خروجی گرفتن از تاریخچه گفتگو Export conversation history
-
ساخت حافظه و تاریخچه چت Build chat history and memory
5. جمعبندی و گامهای بعدی 5. Wrap-Up and Next Steps
-
استقرار در Streamlit Cloud Deploy to Streamlit Cloud
-
بررسی نهایی اپلیکیشن Final app walk-through
-
گامهای بعدی و توسعه قابلیتها Next steps and extensions
https://donyad.com/d/e25f21
Maggie Ma
مگی ما یک دانشمند داده های جغرافیایی، بنیانگذار Portfolio Method و یک خالق محتوای فناوری است.
مگی، یک دانشمند داده که به کارآفرینی تبدیل شده است، به دلیل تعهدش به تأثیرگذاری و اشتیاقش برای کمک به افراد برای نفوذ به این حوزه است. صنعت فناوری و شروع مشاغل موفق او بیش از 80000 دنبال کننده در رسانه های اجتماعی دارد، جایی که او جامعه ای پر جنب و جوش از علاقه مندان به داده ها را ایجاد کرده است و بینش های ارزشمندی را در مورد مشاغل، فناوری و داده ها ارائه می دهد.
مگی اخیراً شغل شش رقمی دانشمند داده خود را ترک کرد تا بر روی آن تمرکز کند. ساخت یک پلتفرم با پشتوانه هوش مصنوعی طراحی شده برای دستیابی به علم داده برای متخصصان مشتاق در این زمینه. او هر هفته اوقات فراغت خود را به کار داوطلبانه در Humane Society اختصاص می دهد، جایی که او نقش مهمی در سازماندهی رویدادهای خیریه موفق داشته است.
نمایش نظرات