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

برنامه‌های کاربردی مکالمه‌ای Conversational Applications

  • ایجاد دستیار مسافرتی مکالمه‌ای Creating Conversational Travel Assistant

  • هوش مصنوعی آگاه به زمینه و ویژگی حافظه Context Aware AI and Memory Feature

نمایش نظرات

آموزش ساخت برنامه‌های هوشمند با LLM: ایجاد برنامه‌های کاربردی مبتنی بر هوش مصنوعی
جزییات دوره
7 hours
50
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,963
4.8 از 5
دارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Online Computer Science Academy Online Computer Science Academy

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!