آموزش دوره جامع هوش مصنوعی مولد: RAG، ایجنت‌های هوشمند و استقرار - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• آنچه خواهید آموخت What you will learn

• آماده‌سازی محیط: پایتون، IDEها و ابزارهای توسعه Environment Setup: Python, IDEs & Dev Tools

مبانی هوش مصنوعی مولد Generative AI – Foundation

• تفاوت AI، ML، DL و GenAI AI vs ML vs DL vs GenAI

• مدل‌های زبانی بزرگ (LLMs) Large Language Models

• معماری ترنسفورمر Transformer - architecture

• آزمون بخش ۲ (مبانی GenAI) Section 2- Quiz (GenAI Foundation)

دسترسی به مدل‌های زبانی در پایتون Accessing LLMs in Python

• مدل‌های OpenAI (تجاری) OpenAI LLMs (Proprietary)

• مدل‌های Gemini (تجاری) Gemini LLMs (Proprietary)

• مدل‌های Groq (متن‌باز) Groq LLMs (Open-Source)

• مدل‌های Ollama (متن‌باز و محلی) Ollama (Open-Source & Local)

• دسترسی به LLMها از طریق LangChain Accessing LLMs via LangChain

• دسترسی به LLMها از طریق LlamaIndex Accessing LLMs via LlamaIndex

• آزمون بخش ۳ (دسترسی به LLMها) Section 3 - Quiz (Accessing LLMs)

• تمرین عملی بخش ۳ Practice Exercise - Section 3

مهندسی پرامپت Prompt Engineering

• استفاده از قالب‌های پرامپت (Prompt Template) Using Prompt Template

• تکنیک Zero-shot Prompting Zero-shot Prompting

• تکنیک Few-shot Prompting Few-shot Prompting

• آزمون بخش ۴ (مهندسی پرامپت) Section 4 - Quiz (Prompt Engineering)

• تمرین عملی بخش ۴ Practice Exercise - Section 4

ساخت چت‌بات‌های هوش مصنوعی مولد Building Generative AI Chatbots

• ساخت چت‌بات با LangChain Building a chatbot with LangChain

• ساخت چت‌بات با LlamaIndex Building a chatbot with Llamaindex

• چت‌بات GenAI با رابط کاربری Streamlit GenAI Chatbot with Streamlit UI

• استقرار چت‌بات روی Streamlit Cloud Deploy GenAI Chatbot on Streamlit Cloud

• آزمون بخش ۵ (چت‌بات‌های GenAI) Section 5 - Quiz (GenAI Chatbots)

• تمرین عملی بخش ۵ Practice Exercise - Section 5

تولید تقویت‌شده با بازیابی (RAG) RAG - Retrieval-Augmented Generation

• درک مفهوم RAG Understanding RAG

• آپدیت مهم: تغییرات LangChain در RetrievalQA Important Update: LangChain Changes for RetrievalQA

• ساخت سیستم RAG در پایتون با LangChain Building a RAG system in Python with LangChain

• ساخت سیستم RAG در پایتون با LlamaIndex Building a RAG system in Python with Llamaindex

• ساخت اپلیکیشن پرسش و پاسخ PDF با Streamlit Build a PDF question-answering RAG app with Streamlit

• آزمون بخش ۶ (RAG) Section 6 - Quiz (RAG)

• تمرین عملی بخش ۶ Practice Exercise - Section 6

ایجنت‌های هوشمند AI AI Agents

• درک ایجنت‌های هوشمند (AI Agents) Understanding AI Agents

• ساخت ایجنت AI با PydanticAI Build AI Agent with PydanticAI

• ساخت ایجنت AI با AutoGen مایکروسافت Build AI Agent with Microsoft's AutoGen

• سیستم چند-ایجنته با CrewAI Multi-Agent system with CrewAI

• آزمون بخش ۷ (ایجنت‌های AI) Section 7 - Quiz (AI Agents)

• تمرین عملی بخش ۷ Practice Exercise - Section 7

استقرار مدل‌های زبانی (LLM Deployment) LLM Deployment

• اجرای محلی LLMها با Ollama و Docker Running LLMs Locally with Ollama & Docker

• راه‌اندازی اینستنس AWS EC2 Launching an AWS EC2 Instance

• استقرار Ollama روی EC2 با Docker Deploying Ollama LLMs on EC2 with Docker

• سرویس‌دهی با کارایی بالا با vLLM روی EC2 vLLM - High-Performance Serving on EC2

• سرویس‌دهی مدل‌های محلی از طریق FastAPI Serve Local LLMs (Ollama) via FastAPI

• استقرار LLMها روی RunPod (GPU اقتصادی) Deploying LLMs on RunPod (Cost-effective GPU)

پروتکل کانتکست مدل (MCP) MCP – Model Context Protocol

• درک پروتکل MCP Understanding MCP

• ساخت یک سرور MCP Build an MCP Server

• ایجنت Pydantic AI با ابزار MCP Pydantic AI Agent with MCP tool

• ایجنت CrewAI با ابزار MCP CrewAI Agent with MCP tool

• آزمون بخش ۹ (MCP) Section 9 - Quiz (MCP)

• تمرین عملی بخش ۹ Practice Exercise - Section 9

پروژه‌های نهایی – ساخت و استقرار راهکارهای واقعی AI Capstone Projects – Build and Deploy Real-World AI Solutions

• بخش ۱۰: پروژه‌های نهایی - کاربردهای واقعی GenAI Section 10 - Capstone Projects - Real-World GenAI Applications

• پروژه ۱: ConvoPro – کلون خصوصی ChatGPT Project 1 - ConvoPro – Private ChatGPT Clone

• پروژه ۱: تنظیمات دیتابیس و محیط ConvoPro Project 1 - ConvoPro - DB & Environment Setup

• پروژه ۱: پیاده‌سازی ConvoPro Project 1 - ConvoPro - Implementation

• پروژه ۱: استقرار ConvoPro روی EC2 Project 1 - ConvoPro - Deploy on EC2

• پروژه ۲: StudyPal – دستیار مطالعه AI مبتنی بر RAG Project 2 - StudyPal – RAG-Powered AI Study Assistant

• پروژه ۲: تنظیمات محیط StudyPal Project 2 - StudyPal - Environment Setup

• پروژه ۲: وارد کردن اسناد (Document Ingestion) Project 2 - StudyPal - Document Ingestion

• پروژه ۲: پیاده‌سازی خط لوله RAG Project 2 - StudyPal - RAG Pipeline Implementation

• پروژه ۲: استقرار StudyPal روی EC2 Project 2 - StudyPal - EC2 Deployment

• پروژه ۳: AstraRAG – چت‌بات Agentic RAG سطح صنعتی Project 3 - AstraRAG - Agentic RAG Chatbot - Production-Grade

• پروژه ۳: تنظیمات محیط AstraRAG Project 3 - AstraRAG - Environment Setup

• پروژه ۳: خط لوله وارد کردن اسناد Project 3 - AstraRAG - Document Ingestion Pipeline

• پروژه ۳: ساخت ایجنت RAG Project 3 - AstraRAG - Build RAG Agent

• پروژه ۳: ساخت بک‌اند و فرانت‌اند Project 3 - AstraRAG - Build Backend & Frontend

• پروژه ۳: استقرار محلی با Docker Project 3 - AstraRAG - Deploy locally with Docker

• پروژه ۳: استقرار روی EC2 با Docker Project 3 - AstraRAG - EC2 Deployment with Docker

• جمع‌بندی Conclusion

بونوس ۱: فاین‌تیونینگ مدل‌های زبانی Bonus 1: LLM Fine-Tuning

• فاین‌تیونینگ LLM با LoRA در گوگل کولب (تبدیل متن به SQL) LLM_Fine_Tuning_with_LoRA_on_Google_Colab_Text_to_SQL

بونوس ۲: مباحث تکمیلی Bonus 2: Additional Topics

• توکن‌ها و توکنایزرها Tokens & Tokenizers

• تمرین عملی توکنایزاسیون Tokenization Hands-On

• توضیح ایجنت‌های ReAct ReAct Agents - Explained

• ساخت ایجنت ReAct از صفر Building ReAct Agent from Scratch

• ساخت ایجنت‌های AI با LangChain V1 Build AI Agents with LangChain V1

• استفاده از LLM به عنوان داور (LLM as a Judge) LLM as a Judge

• ابزار ایجنت‌ساز: ساخت جریان کاری دستیار تریدینگ Agent Builder - Build Trading Assistant workflow