آموزش هوش مصنوعی مولد با پایتون (Generative AI with Python) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره Course Introduction

• معرفی مدرس Self Presentation

• مرور کلی دوره Course Overview

• راه‌اندازی سیستم (مبانی) System Setup (101)

• راه‌اندازی سیستم: پایتون System Setup: Python

• راه‌اندازی سیستم: IDE (مبانی) System Setup: IDE (101)

• راه‌اندازی سیستم: نحوه دریافت مطالب System Setup: How to get the material

• راه‌اندازی سیستم: تنظیم IDE System Setup: IDE Setup

• راه‌اندازی سیستم: ابزارهای ساخت Visual C++ System Setup: Visual C++ Build Tools

• راه‌اندازی سیستم: محیط برنامه‌نویسی System Setup: Environment (Coding)

• کلیدهای API (مبانی) API Keys (101)

• کلیدهای API (کدنویسی) API Keys (Coding)

مدل‌های زبانی بزرگ (LLM) – مقدمه Large Language Models – Introduction

• مقدمه‌ای بر LLM LLM Introduction

• NLP کلاسیک در مقابل LLM Classical NLP vs. LLM

• دستاوردهای هوش مصنوعی محدود (Narrow AI) Narrow AI Achievements

• عملکرد و قابلیت‌های مدل Model Performance and Capabilities

مدل‌های زبانی بزرگ (LLM) – بررسی عمیق Large Language Models – Deep Dive

• فرآیند آموزش مدل Model Training Process

• گزینه‌های بهبود مدل Model Improvement Options

• ارائه‌دهندگان مدل Model Providers

• ارزیابی عملکرد مدل (Benchmarking) Model Benchmarking

• تعامل با LLMها (مقدمه کدنویسی) Interaction with LLMs (Coding Intro)

• تعامل با LLMها در Groq (کدنویسی) Interaction with LLMs Groq (Coding)

• تعامل با LLMها در OpenAI (کدنویسی) Interaction with LLMs OpenAI (Coding)

• تعامل با LLMها در Gemini (کدنویسی) Interaction with LLMs Gemini (Coding)

• انواع پیام‌ها Message Types

• تمرین انواع پیام‌ها Message Types Exercise

• پاسخ تمرین انواع پیام‌ها Message Types Solution

• پارامترهای LLM LLM Parameters

• پارامترهای LLM (تمرین) LLM Parameters (Exercise)

• پارامترهای LLM (پاسخ) LLM Parameters (Solution)

• انتخاب مدل Model Selection

• قابلیت‌های مدل Model Capabilities

مدل‌های زبانی بزرگ (LLM) – انواع و گونه‌ها Large Language Models – Types and Variants

• استفاده محلی از مدل‌ها Local Use of Models

• استفاده محلی از مدل‌ها (کدنویسی) Local Use of Models (Coding)

• مدل‌های چندوجهی بزرگ (Multimodal) Large Multimodal Models

• مدل‌های چندوجهی بزرگ (کدنویسی) Large Multimodal Models (Coding)

• مدل‌های ویدئویی بزرگ Large Video Models

• توکن‌گذاری (Tokenization) Tokenization

• مدل‌های استدلال (Reasoning Models) Reasoning Models

• مدل‌های زبانی کوچک (SLM) Small Language Models

• جیل‌بریک کردن (JailBreaking) JailBreaking

مدل‌های زبانی بزرگ (LLM) – زنجیره‌ها (Chains) Large Language Models – Chains

• الگوهای پرامپت (Prompt Templates) Prompt Templates

• الگوهای پرامپت (کدنویسی) Prompt Templates (Coding)

• مرکز پرامپت (کدنویسی) Prompt Hub (Coding)

• مقدمه Introduction

• زنجیره‌ها (کدنویسی) Chains (Coding)

• تمرین شخصیت داستان (تمرین) Exercise Story Character (Exercise)

• تمرین شخصیت داستان (پاسخ) Exercise Story Character (Solution)

• کدنویسی: شخصیت داستان به صورت موازی (مبانی) Coding: Story Character parallel (101)

• کدنویسی: شخصیت داستان به صورت موازی (عملی) Coding: Story Character parallel (Practical)

• زنجیره‌ها با خروجی ساختاریافته (مبانی) Chains with Structured Output (101)

• زنجیره‌ها با خروجی ساختاریافته (کدنویسی) Chains with Structured Output (Coding)

• زنجیره مسیریاب (Router Chain) (کدنویسی) Router Chain (Coding)

• زنجیره مسیریاب (تمرین) Router Chain (Exercise)

پایگاه‌های داده برداری (Vector Databases) Vector Databases

• مقدمه Introduction

• منبع داده و بارگذاری (مبانی) Data Source and Loading (101)

• منبع داده و بارگذاری (کدنویسی) Data Source and Loading (Coding)

• قطعه‌بندی داده‌ها (Data Chunking) (مبانی) Data Chunking (101)

• قطعه‌بندی داده‌ها (کدنویسی) Data Chunking (Coding)

• جاسازی‌ها (Embeddings) – نمای کلی (مبانی) Embeddings – High Level Overview (101)

• جاسازی‌ها (Embeddings) – بررسی عمیق (مبانی) Embeddings – Deep Dive (101)

• مدل جاسازی در مقابل LLM (مبانی) Embeddings Model vs. LLM (101)

• انواع مدل‌های جاسازی (مبانی) Embedding Model Types (101)

• مقدمه‌ای بر Embeddings (کدنویسی) Embeddings Introduction (Coding)

• Embeddings (کدنویسی) Embeddings (Coding)

• ذخیره‌سازی داده‌ها (مبانی) Data Storing (101)

• ذخیره‌سازی داده‌ها در Chroma (کدنویسی) Data Storing Chroma (Coding)

• پرس‌وجوی داده‌ها (Querying) (مبانی) Data Querying (101)

• جستجوی شباهت (Similarity Search) (مبانی) Similarity Search (101)

• پرس‌وجوی داده‌ها در Chroma (کدنویسی) Data Querying Chroma (Coding)

• پرس‌وجوی داده‌ها در FAISS (کدنویسی) Data Querying FAISS (Coding)

تولید تقویت‌شده با بازیابی (RAG) – سطح پایه Retrieval-Augmented Generation – Baseline

• RAG پایه (مبانی) Baseline RAG (101)

• مراحل RAG (مبانی) RAG Phases (101)

• RAG پایه (کدنویسی) Baseline RAG (Coding)

تولید تقویت‌شده با بازیابی (RAG) – سطح پیشرفته Retrieval-Augmented Generation – Advanced

• بهبودهای RAG (مبانی) RAG Improvements (101)

• بهبود در مرحله پیش از بازیابی (مبانی) Improvements in Pre-Retrieval Phase (101)

• غنی‌سازی بافت (Context Enrichment) (مبانی) Context Enrichment (101)

• RAG اصلاح‌کننده (Corrective RAG) (مبانی) Corrective RAG (101)

• RAG ترکیبی (Hybrid RAG) (مبانی) Hybrid RAG (101)

• گسترش پرس‌وجو (Query Expansion) (مبانی) Query Expansion (101)

• فشرده‌سازی پرامپت (Prompt Compression) (مبانی) Prompt Compression (101)

• RAG حدسی (Speculative RAG) (مبانی) Speculative RAG (101)

• RAG عامل‌محور (Agentic RAG) (مبانی) Agentic RAG (101)

• تفکر تقویت‌شده با بازیابی (Retrieval Augmented Thought) (مبانی) Retrieval Augmented Thought (101)

• کش کردن پرامپت (Prompt Caching) (مبانی) Prompt Caching (101)

• RAG چندوجهی (Multimodal RAG) (مبانی) Multimodal RAG (101)

• RAG جدولی (Table RAG) (مبانی) Table RAG (101)

• RAG جدولی (کدنویسی) Table RAG (Coding)

سیستم‌های عامل (Agentic Systems) – مرور کلی Agentic Systems – Overview

• مقدمه‌ای بر عامل‌ها (Agents) (مبانی) Agents Introduction (101)

• فریم‌ورک‌های عامل‌محور (مبانی) Agentic Frameworks (101)

سیستم‌های عامل (Agentic Systems) – crewAI Agentic Systems – crewAI

• مقدمه‌ای بر عامل (مبانی) Agent Introduction (101)

• وابستگی‌های فایل (مبانی) File Dependencies (101)

• نمونه راه‌اندازی Crew Example Crew Setup

• نصب crewAI (کدنویسی) crewAI Installation (Coding)

• پروژه نمونه (کدنویسی) Sample Project (Coding)

• برنامه‌ریزی سطح بالا (کدنویسی) High-Level Planning (Coding)

• تعریف عامل و وظیفه (کدنویسی) Agent and Task Definition (Coding)

• فایل‌های Yaml (کدنویسی) Yaml Files (Coding)

• فایل main.py (کدنویسی) main.py (Coding)

• اجرای crew (کدنویسی) run crew (Coding)

• افزودن ابزارها (کدنویسی) Adding Tools (Coding)

• عیب‌یابی (کدنویسی) Debugging (Coding)

سیستم‌های عامل (Agentic Systems) – AG2 Agentic Systems – AG2

• مقدمه‌ای بر AG2 (مبانی) AG2 Introduction (101)

• عامل قابل گفتگو (کدنویسی) Conversable Agent (Coding)

• گفتگوی دو عاملی (کدنویسی) Two Agent Conversation (Coding)

• انسان در چرخه (Human in the Loop) (کدنویسی) Human in the Loop (Coding)

• افزودن ابزارها (کدنویسی) Adding Tools (Coding)

• چت گروهی (کدنویسی) Group Chat (Coding)

سیستم‌های عامل (Agentic Systems) – OpenAI Agents SDK Agentic Systems – OpenAI Agents SDK

• مقدمه‌ای بر عامل‌ها (مبانی) Agents Introduction (101)

• واگذاری (Handoff) (کدنویسی) Handoff (Coding)

• گزینه‌های اجرا (کدنویسی) Running Options (Coding)

• گاردریل‌ها/محدودیت‌ها (Guardrails) (کدنویسی) Guardrails (Coding)

• استفاده از مدل‌های دیگر (کدنویسی) Using Other Models (Coding)

• ردیابی‌ها (Traces) (کدنویسی) Traces (Coding)

سیستم‌های عامل (Agentic Systems) – Google ADK Agentic Systems – Google ADK

• مقدمه‌ای بر ADK (مبانی) ADK Introduction (101)

• ابزارهای تابع (کدنویسی) Function Tools (Coding)

• چند عاملی (کدنویسی) Multi Agents (Coding)

تعاملات عامل (MCP, A2A, ACP) Agent Interactions (MCP, A2A, ACP)

• تعاملات عامل: MCP، A2A و ACP Agent Interactions: MCP, A2A, and ACP

• پروتکل بافت مدل (Model Context Protocol) (مبانی) Model Context Protocol (101)

• نصب کلاینت MCP (کدنویسی) MCP Client Installation (Coding)

• راه‌اندازی سرور MCP (کدنویسی) MCP Server Setup (Coding)

• تست سرور MCP (کدنویسی) MCP Server Testing (Coding)

تنظیم دقیق مدل (Model Finetuning) Model Finetuning

• تنظیم دقیق مدل (مبانی) Model Finetuning (101)

• تنظیم دقیق با LoRA (مبانی) Finetuning with LoRA (101)