لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساخت با هوش مصنوعی: عاملهای SQL با مدلهای زبانی بزرگ (LLM)
- آخرین آپدیت
دانلود Build with AI: SQL Agents with Large Language Models
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره، نحوه عملکرد عاملهای SQL مبتنی بر هوش مصنوعی و روش ساخت یک عامل از صفر را بیاموزید. با معماری کلی یک عامل SQL شروع کرده و سپس به بررسی اجزای مختلف آن بپردازید. مدرس دوره، رامی کریسپین، به شما نشان میدهد که چگونه یک موتور پرامپت (Prompt Engine) طراحی کنید و با فریمورکهای مختلف LLM مانند OpenAI GPT 4.1، Google Gemini Flash 2.0 و Anthropic Cloud 4 با استفاده از کلاینت پایتون کار کنید. در نهایت، رامی شما را با ضروریات ساخت اجزای عامل هوش مصنوعی شخصی خود با استفاده از زبان پایتون آشنا میکند.
این دوره با GitHub Codespaces یکپارچه شده است؛ یک محیط توسعه ابری فوری که تمام قابلیتهای IDE مورد علاقه شما را بدون نیاز به نصب نرمافزار روی سیستم محلی فراهم میکند. با GitHub Codespaces، میتوانید در هر زمان و با هر دستگاهی تمرینات عملی را انجام دهید—در حالی که از ابزاری استفاده میکنید که احتمالاً در محیطهای کاری واقعی با آن مواجه خواهید شد. برای شروع، ویدیو «استفاده از GitHub Codespaces در این دوره» را مشاهده کنید.
سرفصل ها و درس ها
مقدمه: مفاهیم بنیادی و معماری عامل SQL AI
Introduction: SQL AI Agent Fundamentals and Architecture
ساخت عاملهای SQL AI با مدلهای زبانی بزرگ (LLMs)
Build SQL AI agents with large language models (LLMs)
۱. آمادهسازی محیط پایتون و پایگاه داده برای عاملهای SQL
1. Python Environment and Database Setup for SQL Agents
معماری عامل SQL: الگوهای طراحی یکپارچهسازی LLM و پایگاه داده
SQL agent architecture: LLM database integration design patterns
مجموعه دادههای فروش Red30
Red30 sales dataset
۲. یکپارچهسازی API مدلهای زبانی بزرگ (LLM)
2. LLM API Integration
ذخیره کلیدهای API به عنوان متغیرهای محیطی (Environment Variables)
Storing API keys as environment variables
کار با LLMها به صورت محلی
Working with LLMs locally
۳. مهندسی پرامپت برای تولید SQL و بهینهسازی کوئریها
3. Prompt Engineering for SQL Generation and Query Optimization
بهینهسازی پرامپتهای SQL از طریق مهندسی بافت (Context Engineering) برای نتایج بهتر
Optimizing SQL prompts through context engineering for better query results
ساخت قالبهای پرامپت SQL با الگوهای کوئری قابل استفاده مجدد
Building SQL prompt templates with reusable LLM query patterns
بهبود نتایج LLM با مهندسی بافت
Improve LLM results with context engineering
سازگار کردن پرامپتها برای مدلهای مختلف LLM
Making prompts work across different LLMs
۴. ساخت عاملهای SQL AI صنعتی با اعتبارسنجی و مدیریت خطا
4. Build Production SQL AI Agents with Validation and Error Handling
بهترین روشهای پیادهسازی عامل SQL AI
SQL AI agent best practices
ماژولار کردن یک عامل
Modularizing an agent
ساخت یک هندلر پرامپت (Prompt Handler)
Building a prompt handler
ساخت هندلرهای API برای معماری عامل SQL با پشتیبانی از چندین ارائهدهنده
Building LLM API handlers for multiprovider SQL agent architecture
نتیجهگیری: استقرار و مقیاسپذیری عاملهای SQL AI در محیط عملیاتی
Conclusion: Deploying and Scaling SQL AI Agents in Production
گامهای بعدی برای استقرار صنعتی و مقیاسپذیری عاملهای SQL AI
Next steps with SQL AI agents for production deployment and scaling
رامی کریسپین یک مدیر علوم داده و مهندسی است که عمدتاً بر تجزیه و تحلیل سری های زمانی، پیش بینی و برنامه های کاربردی MLOps تمرکز دارد. او علاقه زیادی به منبع باز، Docker و MLOps، کار با داده ها و API ها، یادگیری ماشین، آمار بیزی، تجسم داده ها و داده های GIS دارد.
رامی همچنین یک مشارکت کننده منبع باز و نویسنده تحلیل سری های زمانی دستی با R و چندین بسته R برای تحلیل سری های زمانی و برنامه های کاربردی یادگیری ماشین است.
نمایش نظرات