🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساخت برنامههای هوشمند با LLM: ایجاد برنامههای کاربردی مبتنی بر هوش مصنوعی
- آخرین آپدیت
دانلود Building LLM Powered Applications – Create Intelligent Apps
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
ساخت اپلیکیشنهای هوشمند با LLM ها: آموزش جامع با پایتون، LangChain و Prompt Engineering
با استفاده از مدلهای زبانی بزرگ (LLM) مانند GPT و Mistral، اپلیکیشنهای هوشمند بسازید.
با استفاده از تکنیکهای پیشرفته Prompt Engineering، Prompt های موثر برای هدایت رفتار LLM ها طراحی کنید.
مدلهای زبانی بزرگ (LLM) محبوب را برای سناریوهای مختلف کاربردی مقایسه و ارزیابی کنید.
پیاده سازی Retrieval-Augmented Generation (RAG) با Embedding ها و پایگاه داده های برداری.
از LangChain برای ایجاد جریانهای کاری پویا و ماژولار مبتنی بر هوش مصنوعی استفاده کنید.
ایجاد عاملهای مکالمهای و دستیارهایی که قادر به گفتگوی طبیعی و آگاه از متن هستند.
با استفاده از Semantic Chunking و Indexing، دادههای سفارشی را در خطوط لوله LLM قرار دهید.
استفاده از استراتژی های Few-shot learning برای بهبود کیفیت پاسخ در خروجی های LLM.
یکپارچه سازی ابزارهای خارجی و API ها با عاملهای LLM برای افزایش عملکرد.
استقرار اپلیکیشن های هوش مصنوعی مبتنی بر پایتون با قابلیت استفاده و مقیاس پذیری در دنیای واقعی.
آیا برای قدم گذاشتن به آینده توسعه هوش مصنوعی آماده هستید؟ این دوره جامع به شما آموزش می دهد که چگونه اپلیکیشن های واقعی را با استفاده از مدلهای زبانی بزرگ (LLM) مانند GPT از OpenAI، Claude از Anthropic، LLaMA از Meta و Mistral بسازید. چه یک توسعه دهنده، مهندس، دانشجو یا علاقه مند به فناوری باشید، این دوره شما را از تئوری های اساسی تا پیاده سازی پیشرفته با استفاده از ابزارهای مدرن مانند LangChain، LlamaIndex و پایگاه داده های برداری راهنمایی می کند.
در این دوره عملی و پروژه محور، شما:
درک خواهید کرد که LLM ها چگونه کار می کنند و چگونه با مدل های سنتی متفاوت هستند
اصول اولیه مهندسی Prompt را برای هدایت موثر رفتار مدل یاد خواهید گرفت
تکنیک های Embedding را بررسی خواهید کرد و چگونه دانش را برای اپلیکیشن های مقیاس پذیر ایندکس کنید
عامل های هوشمند، چت بات ها و دستیارهای خود را خواهید ساخت
از جستجوی معنایی، شباهت کسینوسی و ذخیره سازی برداری برای بازیابی دانش در زمان واقعی استفاده خواهید کرد
با ابزارهایی مانند پایتون، LangChain، OpenAI API، Hugging Face و غیره کار خواهید کرد
یک دستیار مسافرتی مکالمه ای مبتنی بر LLM از ابتدا ایجاد خواهید کرد
ما همچنین یک دوره فشرده پایتون را برای اطمینان از اینکه هر زبان آموز پایه برنامه نویسی را برای دنبال کردن دارد، در نظر گرفته ایم.
در پایان این دوره، شما نه تنها نحوه ادغام LLM ها را در اپلیکیشن های خود درک خواهید کرد، بلکه مهارت های عملی برای ساخت ابزارهای هوشمند خود و استقرار آنها در دنیای واقعی را نیز خواهید داشت.
هیچ تجربه قبلی در زمینه هوش مصنوعی لازم نیست. بیایید آینده را با هم بسازیم.
سرفصل ها و درس ها
مقدمه ای بر هوش مصنوعی
Introduction to AI
آشنایی با مدلهای زبانی بزرگ
Introduction to Large Language Models
مقایسه LLM و LFM
LLM vs LFM
از یادگیری ماشین تا هوش مصنوعی
From Machine Learning to Artificial Intelligence
توکنایزیشن و امبدینگ
Tokenization and Embedding
انتخاب مدل برای توسعه
Choosing Model for Development
مقایسه مدلهای مختلف
Comparing Different Models
مهندسی پرامپت
Prompt Engineering
مقدمه ای بر مهندسی پرامپت
Introduction to Prompt Engineering
چگونگی درک و پردازش پرامپتها توسط هوش مصنوعی
How AI Understand and Processes our Prompts
ساختاردهی ورودیها برای پاسخهای مؤثر هوش مصنوعی
Structuring inputs for effective AI responses
افزایش قابلیت اطمینان LLM با استفاده از پرامپتهای مبتنی بر توجیه
Enhancing LLM Reliability with Justification-Based Prompting
غلبه بر سوگیری تازگی در LLM با تکرار دستورالعملها
Overcoming Recency Bias in LLMs by Repeating Instructions
یادگیری چند نمونهای برای مهندسی پرامپت مؤثر
Few-Shot Learning for Effective Prompt Engineering
آموزش پایتون
Learning Python
تعریف و چاپ متغیرها
Defining and Printing Variables
یافتن خطا و خواندن Traceback در پایتون
Finding Error and Reading Traceback in Python
درک کامل عملگر انتساب در 4 دقیقه
Fully Understand Assignment Operator in 4 Minutes
استفاده از متدها با رشتهها
Using Methods with Strings
استفاده از F-strings و متدها
Using F Strings and Methods
بازی با خطوط جدید و تبها
Playing With Newlines and Tabs
دستکاری با رشتهها
Manipulation with Strings
تک کوتیشن و دابل کوتیشن
Single Quote and Double Quote
ریاضیات و اعداد اعشاری در پایتون
Python Mathematics and Floats
کامنتها و آندرلاینها در پایتون
Comments and Underscores in Python
ایندکسها، لیستها و ایجاد لیستها در پایتون
Indexes, Lists and Creating Lists in Python
اضافه و حذف کردن آیتمها از لیست
Adding and Removing Items from List
حذف آیتم از لیست با Pop
Popping an Item from List
حذف یک آیتم از لیست
Removing an Item from List
مرتبسازی لیست
Sorting List
Len، خطاهای ایندکس و پایان این بخش
Len, Indexing Errors and Final of This Section
حلقه زدن با لیستها
Looping with Lists
بازی با حلقهها
Playing with Loops
خطاهای احتمالی با حلقهها
Possible Errors with Loops
استفاده از Range و حلقهها با هم
Using Range and Loops Together
اسلایسها در لیستها و حلقهها
Slices in with Lists and Loops
استفاده از اسلایسها در مقابل متغیرها برای کپی کردن لیست
Using Slices vs Vars for Copying List
تاپلها در مقابل لیستها در پایتون
Tuples vs Lists in Python
تعریف تابع ساده در پایتون
Defining simple Function in Python
پارامترها با توابع در پایتون
Parameters with Functions in Python
توابع با پارامترهای چندگانه
Functions with Multi Parameters
مقادیر پیش فرض در پایتون
Default Values in Python
برگرداندن متغیر از تابع
Returning Variable from Function
برنامه نویسی شی گرا با پایتون
Object Oriented Programming with Python
ایجاد کلاس با توابع و درک متد init
Creating Class with Functions and Understanding init method
ایجاد نمونهها از کلاس
Creating instances from Class
ایجاد نمونههای بیشتر با کلاسها
Creating more instances with classes
کاربرد وراثت در 16 دقیقه
Inheritance Application in 16 Minutes
امبدینگ LLM ها
Embedding LLM's
مقدمه ای بر بخش و نصب وابستگی ها
Introduction to Section and Installing Dependencies
استفاده از LangChain
Using LangChain
اتصالات داده
Data Connections
اتصالات داده با تقسیم معنایی
Data Connections with Semantic Splitting
امبدینگ ها و کسینوس چند بعدی
Embeddings and Multidimensional Cosine
دانشمند کامپیوتر، موسس OCSA، Progammer هدف OCSA در سه سال آینده، آموزش برنامهنویسی به ۲ میلیون نفر است. همچنین دوره های خود OCSA که همه در اینجا در دسترس هستند، ما با بهترین معلمان کار می کنیم و دوره هایی را برای آموزش مهارت های ضروری مورد نیاز توسعه دهندگان در همه سطوح ایجاد می کنیم. یکی دیگر از فلسفه های مهم این است که دوره های ما توسط متخصصان واقعی تدریس می شود. توسعه دهندگان نرم افزار، محققین پزشکی قانونی دیجیتال با تجربه واقعی و قابل توجه در صنعت، که معلمان بزرگی نیز هستند. همه مربیان ما با تجربه هستند، توسعه دهندگان نرم افزار! تیم ما در حال حاضر مشغول ایجاد دوره های جدید است. چه مبتدی باشید، چه برای اولین بار به دنبال یادگیری نحوه برنامهنویسی هستید، یا مهارتهای موجود خود را تقویت کنید، یا زبانها، چارچوبها یا مهارتهای جدید را یاد بگیرید، آکادمی تمامی منابع را برای یادگیری از مربیان حرفهای در اختیار شما قرار داده است!
نمایش نظرات