لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
LlamaIndex: آموزش ChatGPT (و سایر LLM ها) روی داده های سفارشی
LlamaIndex: Train ChatGPT (& other LLMs) on Custom Data
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
راهنمای نهایی شما برای سفارشی کردن ChatGPT (و سایر LLM ها) با LlamaIndex. ایجاد برنامه های LLM با LlamaIndex آموزش فهرست بندی و جستجوی داده های سفارشی با LLM و LlamaIndex استفاده از LlamaIndex در برنامه های کاربردی LLM درک اصول RAG Train ChatGPT بر روی داده های سفارشی استقرار عوامل داده های AI سفارشی پیش نیازها: دانش پایه پایتون
LlamaIndex برای برنامه های LLM با الگوی RAG، به شما امکان می دهد ChatGPT و سایر مدل ها را با داده های سفارشی آموزش دهید.
با نحوه آموزش ChatGPT در مورد داده های سفارشی و ساخت موتورهای جستجو و چت قدرتمند و عوامل داده هوش مصنوعی با سخنرانی های جذاب و 4.5 ساعت محتوای روشنگر آشنا شوید.
این دوره ترکیبی از مبانی نظری و پروژههای عملی را ارائه میدهد و تضمین میکند در حین درک مفاهیم اصلی، تجربه عملی کسب کنید.
در پایان این سفر، در ایجاد برنامههای پیشرفته LLM، پرسوجو از پایگاههای داده پیچیده، بکارگیری عوامل هوش مصنوعی و طراحی رابطهای چت بات خود مهارت خواهید داشت.
قفل قدرت تغییردهنده LlamaIndex را با دوره جامع ما، "باز کردن قفل LlamaIndex: آموزش ChatGPT در داده های سفارشی و فراتر از آن" باز کنید. این دوره با سخنرانی های جذاب و 4.5 ساعت محتوای غنی و دقیق، بلیط یک طرفه شما برای تسلط بر LlamaIndex و ایجاد برنامه های کاربردی LLM سفارشی در آینده است.
مفاهیم اصلی:
آموزش سفارشی ChatGPT: در پیچیدگی های آموزش ChatGPT در مجموعه داده های سفارشی غوطه ور شوید، و به شما امکان می دهد مدل های زبانی متناسب با نیازهای صنعت خاص ایجاد کنید.
RAG (نسل تقویت شده با بازیابی): چارچوب هوش مصنوعی پیشرفته! تصور کنید که جدیدترین و بهترین حقایق را مستقیماً از پایگاههای دانش خارجی استخراج میکنید تا همه مدلهای زبان بزرگ (LLM) خود را شارژ کنید! RAG نه تنها تضمین میکند که LLM شما بر اساس بهروزترین و دقیقترین اطلاعات کار میکند، بلکه نگاهی هیجانانگیز از پشت صحنه به شما میدهد که چگونه این مدلهای زبانی پاسخهای خود را ایجاد میکنند.
عوامل هوش مصنوعی: عوامل داده هوشمند هوش مصنوعی را با عوامل LlamaIndex ایجاد کنید. وظایف داده را با LlamaIndex به صورت خودکار انجام دهید، گردش کار را بهینه کنید و برنامه های کاربردی AI LLM شگفت انگیز ایجاد کنید. عوامل هوش مصنوعی برنامه های آینده هستند.
موتورهای پرس و جو و چت: تجربه عملی در ساخت موتورهای پرس و جو و چت حالت دار کسب کنید. بیاموزید که چگونه زمینه را در مکالمات خود حفظ کنید و تجربه کاربری غنی تری را ارائه دهید.
رابط های Streamlit: با یادگیری نحوه ایجاد رابط های بصری و تعاملی با استفاده از Streamlit، پروژه خود را ارتقا دهید. اسکریپت های داده خود را تنها با چند خط پایتون به برنامه های وب کاملاً کاربردی تبدیل کنید.
پروژه های عملی:
در پروژه های دنیای واقعی شرکت کنید که به شما امکان می دهد دانش جدید خود را به کار ببرید. موتورهای جستجوی پیچیده ایجاد کنید، رباتهای چت را با حافظه بسازید، برنامههای وب را برای تعامل با مدلهای ChatGPT خود طراحی کنید، و در حین حرکت، عاملهای داده AI سفارشی ایجاد کنید.
این دوره برای چه کسانی است؟
چه دانشمند داده ای باشید که به دنبال گسترش مجموعه مهارت های خود هستید، چه برنامه نویسی باشید که مشتاق است در دنیای مدل های زبانی بزرگ غوطه ور شود یا یک فرد کنجکاو باشید که می خواهد نکات ChatGPT و LlamaIndex را درک کند، این دوره برای شما.
آخرین به روز رسانی دوره : 3. نوامبر 2023
100% ضمانت بازگشت وجه 30 روزه
ما به ارزشی که این دوره ارائه می دهد بسیار مطمئن هستیم، ما 100٪ ضمانت بازگشت پول را ظرف 30 روز پس از خرید ارائه می دهیم. سوالی پرسیده نشد.
در پایان این دوره، شما به طور کامل برای آموزش ChatGPT در مورد داده های سفارشی، ایجاد برنامه های کاربردی LLM، و ساخت موتورهای پرس و جوی هوشمند و عوامل داده هوش مصنوعی مجهز خواهید بود. شما یک متخصص بلامنازع در LlamaIndex خواهید بود و آماده مقابله با هر چالشی که برایتان پیش میآید. این فرصت را از دست ندهید. امروز ثبت نام کنید!
سرفصل ها و درس ها
معرفی
Introduction
درباره دوره LlamaIndex
About the LlamaIndex course
راه اندازی اولیه
Basic Setup
راهنما و منابع
Help & resources
قبل از اینکه تو شروع کنی
Before you start
اطلاعات اولیه در مورد LLM
Basic info about LLMs
کلید OpenAI API را دریافت کنید
Get OpenAI API key
مقدمه ای بر برنامه های LlamaIndex و LLM
Introduction to LlamaIndex and LLM applications
مقدمه بخش و برنامه های LLM
Intro to section and LLM applications
آموزش ChatGPT (LLM) روی داده های سفارشی - RAG
Train ChatGPT (LLMs) on custom data - RAG
تفاوت بین LlamaIndex و LangChain
The difference between LlamaIndex and LangChain
LLM ها و حریم خصوصی داده ها
LLMs and data privacy
چالش های امنیتی در برنامه های LLM
Security challenges in LLM applications
LlamaIndex چگونه کار می کند
How LlamaIndex works
نحوه استفاده از LLM با LlamaIndex
How to use LLMs with LlamaIndex
مقایسه مدل های LLM
Comparing LLM models
LlamaIndex به عمق بیشتری بروید
LlamaIndex dive in deeper
بلوک های سازنده LlamaIndex
Building blocks of LlamaIndex
دست در LlamaIndex
Hands on LlamaIndex
شاخص ماندگار
Persisiting index
هنگام استفاده از LlamaIndex از استفاده از رمز آگاه باشید
Be aware of the token usage when using LlamaIndex
اصلاح درخواستهای پرس و جو در LlamaIndex: تجربه LLM خود را ارتقا دهید
Refining Query Prompts in LlamaIndex: Elevate Your LLM Experience
پالایش درخواستها با درخواست نقش کاربر و سیستم
Refining prompts with user and system role propmpt
داده های خود را فهرست کنید
Index your data
ایجاد نمایه با LlamaIndex
Creating indexes with LlamaIndex
مقدمه بخش ایجاد نمایه با LlamaIndex
Intro to section Creating indexes with LlamaIndex
راهنمای نمایه سازی با LlamaIndex: از بارگذارهای داده تا فروشگاه های برداری
Guide to Indexing with LlamaIndex: From Data Loaders to Vector Stores
اسناد و گرهها در LlamaIndex: درک متنی Chatbot را افزایش دهید
Documents and Nodes in LlamaIndex: Enhance Chatbot's Contextual Understanding
ابرداده را به اسناد و گره ها اضافه کنید
Add metadata to documents and nodes
مدیریت داده در LlamaIndex: ردیابی هوشمند تغییرات سند
Data Management in LlamaIndex: Smart Tracking of Document Changes
جاسازی ها را در یک نمایه برداری تغییر دهید
Change embeddings in a Vector Index
کدام مدل تعبیه بهتر است؟
Which embedding model is best?
پیاده سازی پایگاه داده کروما وکتور در LlamaIndex برای ذخیره سازی کارآمد
Implementing Chroma Vector Database in LlamaIndex for Efficient Storage
از استفاده از تعبیههای پیشفرض OpenAI به جاسازیهای HuggingFace بروید
Switch from using the default OpenAI embeddings to HuggingFace embeddings
پرس و جو با LlamaIndex
Querying with LlamaIndex
مقدمه ای برای پرس و جو با LlamaIndex
Intro to Querying with LlamaIndex
جستجوی چند شاخص در LlamaIndex: مسیریابی پرس و جو کارآمد برای داده های متنوع
Multi-Index Search in LlamaIndex: Efficient Query Routing for Diverse Data
قدرت موتورهای چت در LlamaIndex: راهی برای مکالمه با داده های شما
Power of Chat Engines in LlamaIndex: A Stateful Way to Converse with Your Data
پرس و جو از پایگاه های داده با زبان طبیعی
Query databases with natural language
موتورهای پرس و جوی فرعی: ترکیب چندین منبع داده با LlamaIndex
Subquestion Query Engines: Combining Multiple Data Sources with LlamaIndex
یوتیوب و داده های ساختاریافته را پرس و جو کنید
Query YouTube and Structured Data
رابط چت بات با Streamlit و LlamaIndex: راهنمای عملی
Chatbot Interface with Streamlit and LlamaIndex: A Hands-On Guide
Chainlit جایگزین Streamlit
Chainlit alternative to Streamlit
چت بات خود را ایجاد کنید
Create your chatbot
عوامل داده LlamaIndex
LlamaIndex data agents
درباره بخش عوامل داده LlamaIndex
About LlamaIndex data agents section
درباره عوامل هوش مصنوعی و عوامل داده llamaIndex
About AI agents and llamaIndex data agents
عامل OpenAi
OpenAi agent
یک عامل بر روی چندین شاخص ایجاد کنید
Create an agent over multiple indexes
بازیابی بازگشتی بر روی عوامل داده
Recursive retriever over data agents
عامل ایجاد کنید و یک بازیابی بازگشتی را به نمایندگان خود اضافه کنید
Create agents and add a recursive retriever over your agents
نمایش نظرات