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

  • کار با APIهای LLM Working with LLM APIs

  • مدل‌های تکمیل چت (Chat Completion) Chat completion models

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

نمایش نظرات

آموزش ساخت با هوش مصنوعی: عامل‌های SQL با مدل‌های زبانی بزرگ (LLM)
جزییات دوره
1h 6m
16
(آخرین آپدیت)
6,937
- از 5
ندارد
دارد
دارد
Rami Krispin
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Rami Krispin Rami Krispin

رامی کریسپین مدیر ارشد علم و مهندسی داده است.

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.