دوره هوش مصنوعی مولد را با Langchain و Huggingface کامل کنید

Complete Generative AI Course With Langchain and Huggingface

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: راهنمای کامل ساخت، استقرار و بهینه‌سازی هوش مصنوعی مولد با Langchain و Huggingface ایجاد برنامه‌های کاربردی هوش مصنوعی مولد پیشرفته با استفاده از چارچوب Langchain و مدل‌های پیشرفته Huggingface را بیاموزید. الگوهای معماری و طراحی برای ساختن سیستم‌های هوش مصنوعی مولد قوی را درک کنید. تجربه عملی در استقرار مدل‌های هوش مصنوعی مولد در محیط‌های مختلف، از جمله پلتفرم‌های ابری و سرورهای داخلی به دست آورید. استراتژی های مختلف استقرار را کاوش کنید و از مقیاس پذیری و قابلیت اطمینان برنامه های هوش مصنوعی اطمینان حاصل کنید. توسعه خطوط لوله بازیابی-افزایش (RAG) برای افزایش عملکرد و دقت مدل‌های تولیدی با یکپارچه‌سازی مکانیسم‌های بازیابی. یاد بگیرید که مدل های از پیش آموزش دیده Huggingface را به طور یکپارچه در برنامه های Langchain قرار دهید و از قابلیت های قدرتمند NLP آنها استفاده کنید. مدل‌های Huggingface را برای مطابقت با نیازهای کاربردی خاص و موارد استفاده، سفارشی و دقیق تنظیم کنید. روی پروژه‌های دنیای واقعی کار کنید که کاربرد هوش مصنوعی مولد را در حوزه‌های مختلف، مانند ربات‌های گفتگو، تولید محتوا و افزایش داده‌ها نشان می‌دهند. پیش نیازها: آشنایی با زبان برنامه نویسی پایتون شامل سینتکس پایه، ساختار داده و توابع. درک اولیه مفاهیم یادگیری ماشین، از جمله یادگیری تحت نظارت و بدون نظارت، و اصول اساسی هوش مصنوعی. دانش اولیه مفاهیم و چارچوب های یادگیری عمیق (به عنوان مثال، TensorFlow یا PyTorch) سودمند است اما به شدت مورد نیاز نیست. درک API ها و نحوه تعامل با آنها، زیرا این دوره شامل یکپارچه سازی API های مختلف برای استقرار و استفاده از مدل است. امکان پیمایش و اجرای دستورات در رابط خط فرمان (CLI) یا ترمینال.

با دوره جامع ما، "دوره کامل هوش مصنوعی مولد با Langchain و Huggingface"، پتانسیل کامل هوش مصنوعی مولد را باز کنید. این دوره آموزشی طراحی شده است تا شما را از اصول اولیه به مفاهیم پیشرفته برساند و تجربه عملی در ساخت، استقرار و بهینه سازی مدل های هوش مصنوعی با استفاده از Langchain و Huggingface ارائه دهد. این دوره برای علاقه مندان، توسعه دهندگان و متخصصان هوش مصنوعی ایده آل است، این دوره یک رویکرد عملی برای تسلط بر هوش مصنوعی مولد ارائه می دهد.

آنچه خواهید آموخت:

  • مقدمه ای بر هوش مصنوعی مولد:

    • مبانی هوش مصنوعی مولد و کاربردهای آن را بدانید.

    • تفاوت‌های بین مدل‌های سنتی هوش مصنوعی و مدل‌های تولیدی را کاوش کنید.

  • شروع به کار با Langchain:

    • مبانی Langchain و نقش آن در توسعه هوش مصنوعی را بیاموزید.

    • محیط و ابزار توسعه خود را تنظیم کنید.

  • ادغام Huggingface:

    • مدل های پیشرفته Huggingface را در پروژه های Langchain خود ادغام کنید.

    • مدل های Huggingface را برای برنامه های خاص سفارشی و تنظیم کنید.

  • ساخت برنامه های کاربردی هوش مصنوعی:

    • آموزش های گام به گام ایجاد برنامه های کاربردی پیشرفته هوش مصنوعی.

    • پروژه‌های دنیای واقعی مانند ربات‌های گفتگو، تولیدکنندگان محتوا، و ابزارهای افزایش داده.

  • استراتژی های استقرار:

    • راهبردهای مختلف استقرار برای مدل‌های هوش مصنوعی را بیاموزید.

    • مدل‌های خود را برای مقیاس‌پذیری و قابلیت اطمینان در پلتفرم‌های ابری و سرورهای داخلی مستقر کنید.

  • خطوط لوله RAG:

    • برای افزایش عملکرد هوش مصنوعی، خطوط لوله بازیابی-افزوده (RAG) را توسعه دهید.

    • برای دسترسی بهتر به اطلاعات، مدل‌های تولیدی را با سیستم‌های بازیابی ترکیب کنید.

  • بهینه سازی مدل های هوش مصنوعی:

    • تکنیک‌هایی برای نظارت و بهینه‌سازی مدل‌های هوش مصنوعی مستقر شده.

    • بهترین شیوه‌ها برای نگهداری و به‌روزرسانی سیستم‌های هوش مصنوعی.

  • پروژه های سرتاسری:

    • پروژه های عملی که تجربه دنیای واقعی را ارائه می دهند.

    • برنامه‌های هوش مصنوعی را از ابتدا بسازید، استقرار و بهینه کنید.

چه کسی باید این دوره را بگذراند:

  • علاقه‌مندان به یادگیری ماشین و هوش مصنوعی

  • دانشمندان داده و مهندسان یادگیری ماشین

  • توسعه دهندگان و مهندسان نرم افزار

  • تمرین‌کنندگان NLP

  • دانشجویان و دانشگاهیان

  • کارآفرینان فنی و نوآوران

  • علاقه‌مندان به هوش مصنوعی

در پایان این دوره، دانش و مهارت‌هایی برای ساخت، استقرار و بهینه‌سازی برنامه‌های هوش مصنوعی مولد، با استفاده از قدرت Langchain و Huggingface خواهید داشت. در این سفر هیجان انگیز به ما بپیوندید و در هوش مصنوعی مولد استاد شوید!


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه-آنچه در این دوره خواهیم آموخت Introduction-What We will Learn In This Course

  • مواد درسی Course Materials

  • شروع کار با VS Code Getting Started With VS Code

  • روش های مختلف ایجاد محیط پایتون Different Ways Of creating Python Environment

  • حل مشکل شناسایی نشده کوندا Solve-Conda Not Recognized Issue

  • مبانی پایتون - نحو و معناشناسی Python Basics-Syntax And Semantics

  • متغیرها در پایتون Variables In Python

  • انواع داده های پایه در پایتون Basics DataTypes In Python

  • عملگرها در پایتون Operators In Python

جریان کنترل پایتون Python Control Flow

  • اظهارات مشروط (اگر، elif، else) Conditional Statements (if, elif, else)

  • حلقه ها در پایتون Loops In Python

ساختارهای داده با استفاده از پایتون Data Structures Using Python

  • لیست ها و درک لیست در پایتون Lists and List Comprehension In Python

  • تاپل ها در پایتون Tuples In Python

  • دیکشنری ها در پایتون Dictionaries In Python

  • دنیای واقعی موارد استفاده از لیست Real World Use cases Of List

توابع در پایتون Functions In Python

  • شروع کار با توابع Getting Started With Functions

  • نمونه های کدنویسی بیشتر با توابع More Coding Examples With Functions

  • تابع لامبدا در پایتون Lambda Function In Python

  • عملکرد نقشه در پایتون Map Function In Python

  • توابع فیلتر در پایتون Filter Functions In Python

واردات، ایجاد ماژول ها و بسته ها Importing, Creating Modules And Packages

  • وارد کردن ماژول ها و بسته ها در پایتون Import Modules And Packages In Python

  • مرور کلی کتابخانه های استاندارد در پایتون Standard Libraries Overview In Python

مدیریت فایل در پایتون File Handling In Python

  • عملیات فایل با پایتون File Operations With Python

  • کار با File Paths Working with File Paths

رسیدگی به استثنا Exception Handling

  • Exceptiion Handling با تلاش به جز else و در نهایت بلوک Exceptiion Handling With try except else and finally blocks

کلاس ها و اشیاء OOPS OOPS Classes And Objects

  • کلاس ها و اشیاء در پایتون Classes And Objects In Python

  • ارث تک و چندگانه Single And Multiple Inheritance

  • چند شکلی در OOPS Polymorphism In OOPS

  • گنجاندن در OOPS Encapulation In OOPS

  • انتزاع در OOPS Abstraction In OOPS

  • روش های جادویی در پایتون Magic Methods In Python

  • بارگذاری بیش از حد اپراتور در پایتون Operator Overloading In Python

استریم با پایتون Streamlit With Python

  • شروع با Streamlit Getting Started With Streamlit

  • نمونه ای از برنامه ML با Streamlit Example Of ML APP With Streamlit

یادگیری ماشینی برای NLP (پیش نیازها) Machine Learning For NLP (Prerequisites)

  • نقشه راه برای یادگیری NLP Roadmap To Learn NLP

  • موارد کاربرد عملی NLP Practical Usecases Of NLP

  • توکن سازی و اصطلاحات اساسی Tokenization and Basic Terminologies

  • عملی توکن سازی Tokenization Practicals

  • پیش پردازش متن با استفاده از NLTK Text Preprocessing Stemming Uing NLTK

  • Lemmatization پیش پردازش متن Text Preprocessing Lemmatization

  • کلیدواژه های پیش پردازش متن Text Preprocessing Stopwords

  • بخش هایی از برچسب گذاری گفتار با استفاده از NLTK Parts Of Speech Tagging Using NLTK

  • به نام Entity Recognition Named Entity Recognition

  • بعد چه می شود Whats Next

  • یک کدگذاری داغ One Hot Encoding

  • مزایا و معایب OHE Advantages and Disadvantages of OHE

  • کیسه کلمات شهود Bag Of Words Intuition

  • مزایا و معایب BOW Advantages and Disadvantages Of BOW

  • پیاده سازی BOW با استفاده از NLTK BOW Implementation Using NLTK

  • N گرم N Grams

  • پیاده سازی N گرم با استفاده از NLTK N gram Implementation USing NLTK

  • شهود TF-IDF TF-IDF Intuition

  • مزایا و معایب TFidf Advantages and Disadvanatges OF TFidf

  • پیاده سازی عملی TFIDF TFIDF Practical Implementation

  • جاسازی های کلمه Word Embeddings

  • Word2vec Intuition Word2vec Intuition

  • Word2vec CBOW توضیح مفصل Word2vec CBOW Detailed Explanation

  • SkipGram Indepth Intuition SkipGram Indepth Intuition

  • مزایای Word2vec Advantages OF Word2vec

  • پیاده سازی عملی Word2vec Word2vec Practical Implementation

یادگیری عمیق برای NLP (پیش نیازها) Deep Learning For NLP(Prerequisites)

  • مقدمه ای بر NLP در یادگیری عمیق Introduction To NLP In Deep Learning

  • ANN در مقابل RNN ANN VS RNN

شهود عمیق RNN ساده Simple RNN Indepth Intuition

  • RNN رو به جلو با زمان RNN Forward Propogation With Time

  • انتشار ساده RNN به عقب Simple RNN Backward Propogation

  • مشکلات با RNN Problems With RNN

اجرای پروژه ANN ANN Project Implementation

  • بحث در مورد بیان مشکل طبقه بندی و تنظیم در مقابل کد Discussing Classification Problem Statement And Setting Up Vs Code

  • تبدیل ویژگی با استفاده از Sklearn با ANN Feature Transformation Using Sklearn With ANN

  • آموزش گام به گام با ANN با توابع بهینه ساز و از دست دادن Step By Step Training With ANN With Optimizer and Loss Functions

  • پیش بینی با مدل ANN آموزش دیده Prediction With Trained ANN Model

  • ادغام مدل ANN با برنامه وب Streamlit Integrating ANN Model With Streamlit Web APP

  • استقرار برنامه وب Streamlit با مدل ANN Deploying Streamlit web app with ANN Model

  • پیاده سازی عملی رگرسیون ANN ANN Regression Practical Implementation

  • یافتن لایه های پنهان بهینه و نورون های پنهان در شبکه عصبی مصنوعی Finding Optimal Hidden Layers And Hidden Neurons In ANN

پروژه های یادگیری عمیق پایان به پایان با RNN ساده End To End Deep Learning Projects With Simple RNN

  • بیان مشکل Problem Statement

  • شروع کار با جاسازی لایه ها Getting Started With Embedding Layers

  • پیاده سازی جاسازی کلمه با Keras Tensorflow Implementing Word Embedding With Keras Tensorflow

  • بارگیری و درک مهندسی مجموعه داده ها و ویژگی های IMDB Loading And Understanding IMDB Datatset And Feature Engineering

  • آموزش RNN ساده با جاسازی لایه ها Training Simple RNN With Embedding Layers

  • پیش بینی از RNN ساده آموزش دیده Prediction From Trained Simple RNN

  • برنامه وب Streamlit End to End با RNN و Deployment یکپارچه شده است End To End Streamlit Web App Integrated With RNN And Deployment

LSTM RNN Indepth Intuition LSTM RNN Indepth Intuition

  • چرا LSTM RNN Why LSTM RNN

  • معماری LSTM RNN LSTM RNN Architecture

  • دروازه را در LSTM RNN فراموش کنید Forget Gate In LSTM RNN

  • دروازه ورودی و حافظه کاندید در LSTM RNN Input Gate And Candidate Memory In LSTM RNN

  • دروازه خروجی در LSTM RNN Output Gate In LSTM RNN

  • فرآیند آموزش در LSTM RNN Training Process In LSTM RNN

  • انواع LSTM RNN Variants Of LSTM RNN

  • GRU RNN Indepth Intuition GRU RNN Indepth Intuition

LSTM و GRU پروژه یادگیری عمیق پایان به پایان - پیش بینی کلمه بعدی LSTM And GRU End To End Deep Learning Project- Predicting Next Word

  • بحث بیان مشکل Discussing Problem Statement

  • جمع آوری داده ها و پیش پردازش Data Collection And Preprocessing

  • آموزش مدل شبکه عصبی LSTM LSTM Neural Network Model Training

  • پیش بینی از مدل LSTM Prediction From LSTM Model

  • یکپارچه سازی برنامه وب با مدل آموزش دیده LSTM Streamlit Webapp Integration With LSTM Trained Model

  • GRU RNN Variant Impementation GRU RNN Variant Impelmentation

شهود عمیق RNN دو جهته Bidirerctional RNN Indepth Intuition

  • RNN دوطرفه- چرا باید از آن استفاده کرد؟ Bidirectional RNN- Why To Use It?

رمزگذار و رمزگشا|معماری Sequence To Sequence Encoder And Decoder|Sequence To Sequence Architecture

  • شهود عمیق رمزگذار و رمزگشا - معماری توالی به دنباله Indepth Intuition OF Encoder And Decoder-Sequence to Sequence Architecture

  • مشکلات با رمزگذار و رمزگشا Problems With Encoder and Decoder

مکانیسم توجه-شبکه های Seq2Seq Attention Mechanism-Seq2Seq Networks

  • توضیح معماری عمیق مکانیزم توجه Attention Mechanism Indepth Architecture Explanation

ترانسفورماتورها Transformers

  • برنامه اقدام Plan Of Action

  • چه و چرا از ترانسفورماتورها استفاده کنیم What and Why To Use Transformers

  • آشنایی با معماری اولیه رمزگذار Understanding The basic Architecture Of Encoder

  • کار لایه توجه خود Self Attention Layer Working

  • توجه چند سر Multi Head Attention

  • شبکه عصبی فید فوروارد با توجه چند سر Feed Forward Neural Network With Multi Head Attention

  • شهود عمقی رمزگذاری موقعیتی Positional Encoding Indepth Intuition

  • عادی سازی لایه ها Layer Normalization

  • مثال های عادی سازی لایه ها Layer Normalization Examples

  • معماری ترانسفورماتور رمزگذار کامل Complete Encoder Transformer Architecture

  • رسیور-طرح عمل Decoder-Plan Of Action

  • توجه چند سر پوشیده از رمزگشا Decoder-Masked Multi Head Attention

  • انکودر و رسیور توجه چند سر Encoder and Decoder Multi Head Attention

  • رسیور نهایی خطی و لایه سافت مکس Decoder Final Linear And Softmax Layer

مقدمه ای بر مدل های هوش مصنوعی و LLM Introduction To Generative AI And LLM Models

  • Generative AI چیست- AI Vs ML Vs DL Vs Generative AI What is Generative AI- AI Vs ML Vs DL Vs Generative AI

  • نحوه آموزش مدل های Open AI ChatGPt یا LLama3 LLM How Open AI ChatGPt or LLama3 LLM Models are Trained

  • تکامل مدل های LLM Evolution OF LLM Models

  • تجزیه و تحلیل همه مدل های LLM All LLM Models Analysis

مقدمه ای بر Langchain برای هوش مصنوعی مولد Introduction To Langchain For Generative AI

  • اکوسیستم کامل Langchain Complete Langchain Ecosystem

  • ایجاد محیط مجازی Creating Virtual Environment

شروع کار با Langchain و OpenAI Getting Started With Langchain And OpenAI

  • شروع کار با Langchain و OpenAI Getting Started With Langchain And OpenAI

اجزا و ماژول های مهم در Langchain Important Components And Modules In Langchain

  • مقدمه ای بر مولفه ها و ماژول های اساسی در Langchain Introduction To Basic Components And Modules In Langchain

  • هضم داده با لودرهای اسناد Data Ingestion With Documents Loaders

  • تکنیک های تقسیم متن-شکاف متن نویسه های بازگشتی Text Splitting Techniques-Recursive Character Text Splitter

  • تکنیک تقسیم متن-شخصیت تقسیم کننده متن Text Splitting Technique-Character Text splitter

  • تکنیک تقسیم متن - HTML Header Text Splitter Text Splitting Technique-HTML Header Text Splitter

  • تکنیک تقسیم متن-Json Splitter بازگشتی Text Splitting Technique-Recursive Json Splitter

  • مقدمه ای بر OpenAI Embedding Introduction To OpenAI Embedding

  • Ollama Embeddings Ollama Embeddings

  • تعبیه‌های صورت در آغوش Huggingface Embeddings

  • VectorStores-FAISS VectorStores-FAISS

  • VectorStore And Retriever- ChromaDB VectorStore And Retriever- ChromaDB

  • رو به جلو Going Forward

شروع با هوش مصنوعی باز و اوللاما Getting Started With Open AI And Ollama

  • ساخت اجزای مهم Langchain Building Important Components Of Langchain

  • ساخت برنامه های GENAI Building GENAI Apps

  • درک رتریورها و زنجیرها Understanding Retrievers and Chains

  • معرفی اوللاما و راه اندازی Introduction To Ollama And Set Up

  • برنامه هوش مصنوعی نسل ساده با استفاده از Olama Simple Gen AI App Using Ollama

  • ردیابی برنامه هوش مصنوعی ژنرال با استفاده از Langsmith Tracking Gen AI App Using Langsmith

ساختن برنامه پایه LLM با استفاده از LCEL (زبان بیان زنجیره زبان) Building Basic LLM application Using LCEL(LangChain Expression Language)

  • شروع به کار با مدل های منبع باز با استفاده از Groq API Getting Started With Open source Models Using Groq API

  • ساخت زنجیره های LLM، Prompt و Stroutput با LCEL Building LLM,Prompt And Stroutput Chains With LCEL

  • استقرار Langserve Runnable And Chain به عنوان API Deploy Langserve Runnable And Chain As API

ساخت چت ربات با تاریخچه مکالمه با استفاده از Langchain Building Chatbots With Conversation History Using Langchain

  • ساخت ربات چت با تاریخچه پیام با استفاده از Langchain Building Chatbot With Message History Using Langchain

  • کار با Termplate و تاریخچه چت پیام با استفاده از Langchain Working With Prompt Termplate And Message Chat History Using Langchain

  • مدیریت تاریخچه مکالمات چت با استفاده از Langchain Managing the Chat Conversation History Using Langchain

  • کار با VectorStore و Retriever Working With VectorStore And Retriever

ربات گفتگوی پرسش و پاسخ با سابقه پیام Conversational Q&A Chatbot With Message History

  • ساخت ربات گفتگوی پرسش و پاسخ با تاریخچه پیام Building Conversational Q&A Chatbot With Message History

End To End Q&A Chatbot GEN AI App with End To End Q&A Chatbot GEN AI App With

  • مقدمه ای بر چت ربات پرسش و پاسخ Introduction To The Q&A Chatbot

  • ایجاد محیط مجازی Creating Virtual Environment

  • ایجاد الگوی Prompt و ادغام Open AI API Creating Prompt Template And Integrating Open AI API

  • ایجاد برنامه وب Streamlit و یکپارچه سازی پاسخ با OpenAI API Creating Streamlit Web App and Integrating Response With OpenAI API

  • پرسش و پاسخ چت بات با اوللاما و مدل های منبع باز Q&A Chatbot With Ollama And Open Source Models

پرسش و پاسخ سند RAG با GROQ API و LLama3 RAG Document Q&A With GROQ API And LLama3

  • مقدمه ای بر Groq Cloud و موتور استنتاج LPU Introduction To Groq Cloud And LPU Inference Engine

  • پرسش و پاسخ سند RAG با GROQ API و LLama3 RAG Document Q&A With GROQ API And LLama3

چت بات پرسش و پاسخ مکالمه- چت با پی دی اف همراه با تاریخچه چت Conversational Q&A Chatbot- Chat With Pdf Along With Chat History

  • نسخه ی نمایشی ربات گفتگوی پرسش و پاسخ Demo of the Conversational Q&A Chatbot

  • پیاده سازی ربات چت پرسش و پاسخ گفتگوی پایان به پایان End To End Conversational Q&A Chatbot Implementation

موتور جستجو با ابزارها و عوامل Langchain Search Engine With Langchain Tools And Agents

  • مقدمه ای بر ابزارها و عوامل Introduction To Tools And Agents

  • ایجاد ابزار با استفاده از Langchain Creating Tools Using Langchain

  • ابزارهای اجرایی و LLM با مجریان عامل Executing Tools And LLM with Agent Executors

  • برنامه موتور جستجوی GEN AI با استفاده از ابزار و عامل با منبع باز LLM End To End Search Engine GEN AI App using Tools And Agent With Open Source LLM

Gen AI Project-Chat با SQL DB با Langchain SQL Toolkit و Agentype Gen AI Project-Chat With SQL DB With Langchain SQL Toolkit and Agentype

  • نسخه ی نمایشی پروژه Demo of the Project

  • آماده سازی داده ها برای پایگاه داده SQlite3 Preparing the Data For SQlite3 Database

  • آماده سازی داده ها برای پایگاه داده SQL من Preparing The Data For My SQL Database

  • ایجاد برنامه وب Streamlit و پیکربندی پایگاه های داده Creating the Streamlit Web app and Configuring the Databases

  • یکپارچه سازی برنامه وب با Langchain SQL Toolkit و Agenttype Integrating Web App With Langchain SQL Toolkit And Agenttype

خلاصه سازی متن با Langchain Text Summarization With Langchain

  • مقدمه ای بر خلاصه سازی متن با Langchain Introduction To text summarization With Langchain

  • زنجیره مطالب و نقشه شهود عمیق خلاصه سازی متن را کاهش می دهد Stuff Chain And Map Reduce Text Summarization Indepth Intuition

  • مطالب و نقشه کاهش اجرای خلاصه سازی Stuff And Map Reduce Summarization Impelmentation

  • شهود و پیاده سازی خلاصه سازی زنجیره ای را اصلاح کنید Refine Chain Summarization Intuition And Implementation

پروژه‌های هوش مصنوعی ژنرال- خلاصه‌سازی محتوای وب‌سایت و ویدیوی یوتیوب Gen AI Projects- Youtube Video And Website Url Content Summarization

  • نسخه ی نمایشی پروژه پایان به پایان End To End Project Demo

  • اجرای برنامه یوتیوب ویدئو و خلاصه سازی آدرس وب سایت GEN AI Implementing Youtube Video And Website Url Content Summarization GEN AI App

حل مسئله از متن به ریاضی با استفاده از Google Gemma 2 Text To Math Problem Solver Using Google Gemma 2

  • نسخه ی نمایشی از پایان به پایان پروژه Demo of the End to End Project

  • حل المسائل متن به انتها با استفاده از پیاده سازی مدل Gemma2 گوگل End To End Text to Math Problem Solver Using Google Gemma2 Model Implementation

Huggingface و Langchain ادغام Huggingface And Langchain Integration

  • مقدمه ای بر Huggingface و ادغام Langchain Introduction To Huggingface And Langchain Integration

  • اجرای عملی ادغام Langchain و Huggingface Langchain And Huggingface Integration Practical Implementation

  • پروژه هوش مصنوعی نسل آخر با Langchain و Huggingface End to End Gen AI Project With Langchain And Huggingface

Pdf Query RAG با Langchain و AstraDB Pdf Query RAG With Langchain And AstraDB

  • پروژه پایان به انتها با PDf Query RAG با Langchain و AstraDB End To End Project With PDf Query RAG With Langchain And AstraDB

دستیار کد چند زبانه با استفاده از CodeLama MultiLanguage Code Assistant Using CodeLama

  • اجرای دستیار کد چند زبانه از پایان به پایان End To End MultiLanguage Code Assistant Implementation

استقرار برنامه های هوش مصنوعی نسل جدید در Streamlit و Huggingspace Deployment Of Gen AI Apps In Streamlit and Huggingspace

  • استقرار Gener AI APP در Streamlit Cloud Deployment OF Gen AI APP In Streamlit Cloud

  • استقرار برنامه Gen AI در فضاهای Huggingface Deployment Of Gen AI App In Huggingface spaces

هوش مصنوعی مولد با AWS (پاداش) Generative AI With AWS(Bonus)

  • چرخه حیات پروژه هوش مصنوعی ژنرال در AWS Cloud Life Cycle Of Gen AI Project In AWS Cloud

  • مقدمه ای بر بستر AWS با پیاده سازی Introduction To AWS Bedrock With Implementation

  • سند پرسش و پاسخ RAG با Langchain و بستر Document Q&A RAG With Langchain And Bedrock

  • هوش مصنوعی نسل جدید بلاگ با استفاده از AWS Lambda و Bedrock End To End Blog Generation Gen AI Using AWS Lambda And Bedrock

  • استقرار مدل‌های منبع باز Huggingface LLM در AWS Sagemakers با نقاط پایانی Deployment Of Huggingface OpenSource LLM Models In AWS Sagemakers With Endpoints

شروع کار با انویدیا NIM و Langchain Getting Started With Nvidia NIM and Langchain

  • ایجاد پرسش و پاسخ سند RAG با NIM Nvidia و Langchain Building RAG Document Q&A With Nvidia NIM And Langchain

ایجاد چندین عامل هوش مصنوعی با استفاده از CrewAI برای موارد استفاده در دنیای واقعی Creating Multi AI Agents Using CrewAI For Real World Usecases

  • ویدیوهای یوتیوب برای وبلاگ نویسی صفحه با استفاده از عوامل CrewAI Youtube Videos To Blog Page Using CrewAI Agents

RAG جستجوی ترکیبی با پایگاه داده برداری و Langchain Hybrid Search RAG With Vector Database And Langchain

  • مقدمه ای بر جستجوی ترکیبی Introduction To Hybrid Search

  • فیوژن رتبه متقابل در جستجوی ترکیبی Reciprocal Rank Fusion In Hybrid Search

  • RAG جستجوی هیبریدی پایان به انتها با Pinecone db و Langchain End To End Hybrid Search RAG With Pinecone db And Langchain

مقدمه ای بر پایگاه های داده گراف و زبان پرس و جو سایفر با Langchain Introduction To Graph Databases And Cypher Query Language With Langchain

  • مقدمه ای بر Graph DB Wwith Langchain Introduction to Graph DB Wwith Langchain

  • نمودار دانش چیست What is Knowledge Graph

  • ایجاد نمونه پایگاه داده Neo4j AuraDB شما Creating Your Neo4j AuraDB Database Instance

  • پایگاه داده RDBMS VS Graph RDBMS VS Graph Database

  • مدل داده‌های نمودار ویژگی Neo4j Neo4j Property Graph Data Model

  • شروع با زبان پرس و جو سایفر Getting Started With Cypher Query Language

  • زبان پرس و جو سایفر متوسط ​​تا پیشرفته Intermediate To Advance Cypher Query Language

پیاده سازی عملی با Graphdb با Langchain Practical Implementation With Graphdb With Langchain

  • شروع کار-ایجاد محیط Getting Started-Creating Environment

  • درج داده ها در نمودار DB با پایتون و لانگ چین Inserting Data In Graph DB With Python And Langchain

  • ایجاد زنجیره GraphQuery با Langchain Creating GraphQuery Chain With Langchain

  • ایجاد Statergies GraphDB با LLM Prompting Statergies GraphDB With LLM

شهود دقیق و پیاده‌سازی مدل‌های تنظیم دقیق LLM Detailed Intuition and Implementation Of Finetuning LLM Models

  • Quantization Indepth Intuition چیست؟ What Is Quantization Indepth Intuition

  • LORA و QLORA شهود عمیق ریاضی LORA And QLORA Indepth Mathematical Intuition

  • پیاده سازی عملی تنظیم دقیق داده های سفارشی با مدل Gemma Google Practrical Implementation fine Tuning Custom Data With Google Gemma Model

تنظیم دقیق مدل های LLM با پلتفرم Lamini End To End finetuning LLM Models With Lamini Platform

  • End To End Finetuning Models LLM with Lamini AI Cloud End To End Finetuning LLM Models With Lamini AI Cloud

ساخت برنامه های کاربردی چند بازیگر با استفاده از LangGraph Building Stateful, Multi-Actor Applications Using LangGraph

  • مقدمه ای بر لنگگراف Introduction To Langgraph

  • ایجاد چت بات با استفاده از Langgraph Creating Chatbots Using Langgraph

  • ایجاد چت بات با ابزارهای خارجی گردش کار با لانگراف Creating Chatbots With External Tools Workflow With Langraph

  • ربات‌های چت چندگانه AI RAG با استفاده از Langgraph و AstraDB End to End Multi AI RAG Chatbots Using Langgraph And AstraDB

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

دوره هوش مصنوعی مولد را با Langchain و Huggingface کامل کنید
جزییات دوره
54 hours
207
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
19,106
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Krish Naik Krish Naik

مهندس ارشد هوش مصنوعی

KRISHAI Technologies Private Limited KRISHAI Technologies Private Limited

مهندس هوش مصنوعی و یادگیری ماشین