آموزش مدل‌های زبانی محلی با Ollama و LM Studio – راهنمای عملی - آخرین آپدیت

دانلود Local LLMs via Ollama & LM Studio - The Practical Guide

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

قدرت هوش مصنوعی خصوصی و قدرتمند را روی رایانه شخصی خود آزاد کنید!

ChatGPT، گوگل Gemini و همه آن چت‌بات‌های هوش مصنوعی دیگر، ابزارهای استاندارد برای استفاده روزانه هستند. اما مانند همه ابزارها، برای همه وظایف بهترین انتخاب نیستند.

وقتی حریم خصوصی، هزینه، دسترسی آفلاین یا سفارشی‌سازی عمیق اهمیت دارد، اجرای مدل‌های باز قدرتمند به صورت محلی روی رایانه خودتان، از همه آن مدل‌های اختصاصی و چت‌بات‌های هوش مصنوعی شخص ثالث بهتر است.

این دوره به شما آموزش می‌دهد که چگونه از LLMهای باز مانند مدل‌های Llama متا، مدل‌های Gemma گوگل یا مدل‌های DeepSeek برای اجرای بارهای کاری هوش مصنوعی و چت‌بات‌های هوش مصنوعی درست روی دستگاه خود استفاده کنید - مهم نیست که آیا یک رایانه شخصی سطح بالا یا یک لپ‌تاپ معمولی است.

چرا LLMهای محلی و باز؟

در عصری که هوش مصنوعی مبتنی بر ابر و چت‌بات‌هایی مانند ChatGPT بر آن حاکم هستند، اجرای مدل‌های پیشرفته به صورت محلی مزایای شگفت‌انگیزی ارائه می‌دهد. تصور کنید که از هوش مصنوعی پیشرفته با موارد زیر استفاده می‌کنید:

  • هزینه صفر یا کم: اشتراک‌های گران قیمت را فراموش کنید؛ به صورت رایگان از مدل‌های قدرتمند استفاده کنید.

  • حریم خصوصی 100٪: درخواست‌ها و داده‌های شما همیشه به طور ایمن روی دستگاه شما باقی می‌مانند.

  • اولویت آفلاین: از ابزارهای قدرتمند هوش مصنوعی در هر زمان و هر مکان، بدون نیاز به اینترنت استفاده کنید.

  • آزادی از قفل شدن توسط فروشنده: به اکوسیستم متنوع و به سرعت در حال رشد مدل‌های باز دسترسی پیدا کنید.

  • توانایی شگفت‌انگیز: کشف کنید که چگونه مدل‌های باز مانند Gemma، Llama و DeepSeek نه تنها جایگزین هستند، بلکه از نظر عملکرد برتر هستند و در معیارها و جدول امتیازات Chatbot Arena رتبه بالایی دارند!

مروری بر دوره

این دوره، سفر جامع و عملی شما به دنیای عملی LLMهای محلی است. ما پیچیدگی را از بین می‌بریم و شما را گام به گام از راه‌اندازی تا استفاده پیشرفته راهنمایی می‌کنیم.

در اینجا مواردی که شما خواهید آموخت آورده شده است:

  • منظره LLM باز: درک کنید که مدل‌های باز چیستند و چرا مهم هستند (و از کجا می‌توانید آن‌ها را پیدا کنید).

  • شفاف سازی سخت افزار: الزامات سخت افزاری واقعی برای اجرای LLMها به صورت محلی را بیاموزید.

  • کوانتیزیشن توضیح داده شده: تکنیکی را کشف کنید که اجرای مدل‌های عظیم را بر روی سخت افزار مصرف کننده امکان پذیر می‌کند.

  • LM Studio عمیق: به صورت عملی با نصب، پیکربندی، انتخاب، دانلود و اجرای مدل‌ها با استفاده از LM Studio آشنا شوید.

  • تسلط بر Ollama: یاد بگیرید که چگونه مدل‌ها را به طور یکپارچه از طریق Ollama نصب، پیکربندی و با آن‌ها تعامل داشته باشید.

  • موارد استفاده در دنیای واقعی: دانش خود را در کارهای عملی مانند OCR تصویر (خواندن متن از تصاویر)، خلاصه کردن اسناد PDF، تسلط بر درخواست‌های few-shot و تولید محتوای خلاقانه به کار ببرید.

  • قدرت برنامه نویسی: کشف کنید که چگونه می‌توانید این مدل‌های محلی را با استفاده از APIهای داخلی خود (LM Studio و Ollama) در اسکریپت‌ها و برنامه‌های خود ادغام کنید.

  • و موارد بسیار دیگر! پایه محکمی ایجاد کنید و اعتماد به نفس لازم برای کاوش در پتانسیل عظیم هوش مصنوعی محلی را به دست آورید.

چه کسانی باید ثبت نام کنند؟

این دوره برای موارد زیر طراحی شده است:

  • توسعه دهندگان که به دنبال ادغام هوش مصنوعی قدرتمند و خصوصی در گردش کار یا برنامه های خود هستند.

  • علاقه مندان به فناوری که مشتاق آزمایش هوش مصنوعی پیشرفته بدون محدودیت‌های ابر هستند.

  • افراد آگاه از حریم خصوصی که می‌خواهند هنگام استفاده از هوش مصنوعی کنترل کاملی بر داده‌های خود داشته باشند.

  • هر کسی که به دنبال راه حل‌های هوش مصنوعی قدرتمند بدون هزینه اشتراک مداوم است.

  • دانش آموزان و متخصصانی که قصد دارند مهارت‌های عملی و مورد تقاضای هوش مصنوعی را به جعبه ابزار خود اضافه کنند.

آماده کنترل آینده هوش مصنوعی خود هستید؟

وارد دنیای هوش مصنوعی قدرتمند، خصوصی و مقرون به صرفه شوید. هم اکنون در "باز کردن قفل قدرت هوش مصنوعی محلی" ثبت نام کنید و امروز از اجرای مدل‌های زبانی بزرگ فوق‌العاده بر روی رایانه خود شروع کنید!


سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدید به دوره! Welcome To The Course!

  • مدل‌های زبان بزرگ باز (Open LLMs) دقیقا چه هستند؟ What Exactly Are "Open LLMs"?

  • چرا می‌خواهید مدل‌های زبان بزرگ باز را به صورت محلی اجرا کنید؟ Why Would You Want To Run Open LLMs Locally?

  • مدل‌های زبان بزرگ باز محبوب – برخی مثال‌ها Popular Open LLMs - Some Examples

  • مدل‌های زبان بزرگ باز را از کجا می‌توان پیدا کرد؟ Where To Find Open LLMs?

  • اجرای مدل‌های زبان بزرگ به صورت محلی – گزینه‌های موجود Running LLMs Locally - Available Options

  • مجوزهای مدل را بررسی کنید! Check The Model Licenses!

  • اسلایدهای دوره Course Slides

درک نیازمندی‌های سخت‌افزاری و کمی سازی Understanding Hardware Requirements & Quantization

  • مقدمه‌ی ماژول Module Introduction

  • نیازمندی‌های سخت‌افزاری مدل‌های زبان بزرگ – گام‌های اول LLM Hardware Requirements - First Steps

  • استخراج نیازمندی‌های سخت‌افزاری از پارامترهای مدل Deriving Hardware Requirements From Model Parameters

  • کمی سازی به کمک می‌آید! Quantization To The Rescue!

  • آیا روی دستگاه شما اجرا می‌شود؟ Does It Run On Your Machine?

بررسی عمیق LM Studio LM Studio Deep Dive

  • مقدمه‌ی ماژول Module Introduction

  • اجرا به صورت محلی در مقابل از راه دور Running Locally vs Remotely

  • نصب و استفاده از LM Studio Installing & Using LM Studio

  • یافتن، دانلود و فعال‌سازی مدل‌های زبان بزرگ باز Finding, Downloading & Activating Open LLMs

  • استفاده از رابط چت LM Studio Using the LM Studio Chat Interface

  • کار با پیام‌های سیستمی و تنظیمات از پیش تعیین شده Working with System Prompts & Presets

  • مدیریت چت‌ها Managing Chats

  • ویژگی‌های کاربران حرفه‌ای برای مدیریت مدل‌ها و چت‌ها Power User Features For Managing Models & Chats

  • استفاده از مدل‌های چندوجهی و استخراج محتوا از تصاویر (OCR) Leveraging Multimodal Models & Extracting Content From Images (OCR)

  • تجزیه و تحلیل و خلاصه‌سازی اسناد PDF Analyzing & Summarizing PDF Documents

  • به سوی تنظیمات پیشرفته‌تر Onwards To More Advanced Settings

  • درک پارامترهای Temperature, top_k و top_p Understanding Temperature, top_k & top_p

  • کنترل پارامترهای Temperature, top_k و top_p در LM Studio Controlling Temperature, top_k & top_p in LM Studio

  • مدیریت زمان اجرا و پیکربندی سخت‌افزار Managing the Underlying Runtime & Hardware Configuration

  • مدیریت طول متن Managing Context Length

  • استفاده از Flash Attention Using Flash Attention

  • کار با خروجی‌های ساختاریافته Working With Structured Outputs

  • استفاده از مدل‌های زبان بزرگ محلی برای تولید کد Using Local LLMs For Code Generation

  • تولید محتوا و درخواست‌های چند شات (مهندسی درخواست) Content Generation & Few Shot Prompting (Prompt Engineering)

  • به سوی استفاده برنامه‌نویسی Onwards To Programmatic Use

  • LM Studio و سازگاری آن با OpenAI LM Studio & Its OpenAI Compatibility

  • مثال‌های کد بیشتر! More Code Examples!

  • بررسی عمیق‌تر APIهای LM Studio Diving Deeper Into The LM Studio APIs

  • استفاده از SDKهای پایتون/جاوا اسکریپت Using the Python / JavaScript SDKs

بررسی عمیق Ollama Ollama Deep Dive

  • مقدمه‌ی ماژول Module Introduction

  • نصب و راه‌اندازی Ollama Installing & Starting Ollama

  • یافتن مدل‌های باز قابل استفاده Finding Usable Open Models

  • اجرای مدل‌های زبان بزرگ باز به صورت محلی از طریق Ollama Running Open LLMs Locally via Ollama

  • افزودن یک رابط گرافیکی کاربری با Open WebUI Adding a GUI with Open WebUI

  • برخورد با پیام‌های چند خطی و ورودی تصویر (چندوجهی) Dealing with Multiline Messages & Image Input (Multimodality)

  • بازرسی مدل‌ها و استخراج اطلاعات مدل Inspecting Models & Extracting Model Information

  • ویرایش پیام‌های سیستمی و پارامترهای مدل Editing System Messages & Model Parameters

  • ذخیره و بارگذاری جلسات و مدل‌ها Saving & Loading Sessions and Models

  • مدیریت مدل‌ها Managing Models

  • ایجاد طرح‌های مدل از طریق فایل‌های مدل Creating Model Blueprints via Modelfiles

  • ایجاد مدل‌ها از فایل‌های مدل Creating Models From Modelfiles

  • درک قالب‌های مدل Making Sense of Model Templates

  • ساخت مدل از ابتدا از یک فایل GGUF Building a Model From Scratch From a GGUF File

  • شروع به کار با سرور Ollama (API) Getting Started with the Ollama Server (API)

  • کاوش در API Ollama و دسترسی برنامه‌نویسی به مدل‌ها Exploring the Ollama API & Programmatic Model Access

  • دریافت خروجی ساختاریافته Getting Structured Output

  • مثال‌های کد بیشتر! More Code Examples!

  • استفاده از SDKهای پایتون/جاوا اسکریپت Using the Python / JavaScript SDKs

خلاصه‌ی دوره Course Roundup

  • خلاصه Roundup

  • سخنرانی جایزه Bonus Lecture

نمایش نظرات

آموزش مدل‌های زبانی محلی با Ollama و LM Studio – راهنمای عملی
جزییات دوره
4 hours
58
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
4,746
4.7 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Maximilian Schwarzmüller Maximilian Schwarzmüller

دارای گواهینامه AWS، توسعه دهنده وب و مدرس حرفه ای