آموزش Amazon Bedrock و Q Developer برای پایتون [ویدئویی] - آخرین آپدیت

دانلود Amazon Bedrock & Q Developer for Python [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: هوش مصنوعی مولد در حال تغییر شکل توسعه برنامه‌های مدرن است و AWS ابزارهای قدرتمندی را برای ساخت راهکارهای مبتنی بر AI ارائه می‌دهد. این دوره به معرفی Amazon Bedrock و Amazon Q Developer می‌پردازد و موضوعاتی نظیر دسترسی به مدل‌ها، محیط‌های آزمایش Bedrock و جریان‌های کاری توسعه به کمک هوش مصنوعی را پوشش می‌دهد. شما مفاهیم بنیادی مانند هوش مصنوعی (AI)، هوش مصنوعی مولد (Generative AI)، یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning)، مدل‌های پایه (Foundation Models)، مدل‌های زبانی بزرگ (LLM) و مهندسی پرامپت (Prompt Engineering) را بررسی خواهید کرد. از طریق مثال‌های عملی، با مدل‌های Amazon Titan، Claude، Llama و Stability AI برای تولید متن و تصویر کار می‌کنید و می‌آموزید که چگونه Amazon Q Developer با AWS Lambda و Amazon Bedrock ادغام می‌شود. این دوره با پیکربندی مدل و عیب‌یابی به پایان می‌رسد. شما یاد می‌گیرید که از پارامترهای استنتاج مانند Temperature، Top P، Top K، حداکثر طول (Maximum Length)، پرامپت‌های سیستمی و توالی‌های توقف (Stop Sequences) استفاده کنید و خطاهای رایج از جمله دسترسی، اعتبارسنجی، Time-out و مجوزها را برطرف نمایید. در پایان این دوره، قادر خواهید بود برنامه‌های هوش مصنوعی مولد را با استفاده از Amazon Bedrock، Amazon Q Developer و پایتون در محیط AWS بسازید، پیکربندی و عیب‌یابی کنید. - ساخت برنامه‌های هوش مصنوعی مولد با استفاده از APIهای Amazon Bedrock - پیکربندی پرامپت‌ها و تنظیمات استنتاج برای خروجی‌های بهتر - ادغام Amazon Q Developer با جریان‌های کاری پایتون در AWS - تولید متن و تصویر با استفاده از مدل‌های پایه پیشرو - کنترل رفتار مدل با استفاده از پرامپت‌ها و پارامترهای خروجی - عیب‌یابی خطاهای دسترسی، اعتبارسنجی، Time-out و خطاهای مدل این دوره برای توسعه‌دهندگان پایتون، توسعه‌دهندگان AWS، مهندسان ابری، توسعه‌دهندگان AI و متخصصان فنی که می‌خواهند ساخت راهکارهای هوش مصنوعی مولد را با AWS آغاز کنند، ایده‌آل است. داشتن دانش پایه از پایتون، سرویس‌های AWS و مفاهیم رایانش ابری توصیه می‌شود. تجربه قبلی در یادگیری ماشین مفید است اما الزامی نیست. - پوشش جامع Amazon Bedrock، Amazon Q Developer و سرویس‌های GenAI در AWS - توضیح شفاف درباره تاثیر پرامپت‌ها، انتخاب مدل و تنظیمات بر نتایج AI - جریان‌های کاری عملی پایتون برای ساخت، تست و عیب‌یابی راهکارهای AI در AWS

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • سرویس Bedrock Bedrock

  • رابط کاربری Bedrock Bedrock UI

  • دسترسی به مدل‌ها (دسترسی پیش‌فرض) Model Access (by Default You Get Access Now)

  • مراحل پس از دسترسی به مدل Post Model Access

  • آیا Amazon Q می‌تواند کدنویسی کند؟ Can Amazon Q Code?

  • محیط آزمایش چت (Chat Playground) Chat Playground

  • محیط آزمایش متن (Text Playground) Text Playground

  • محیط آزمایش تصویر (Image Playground) Image Playground

استفاده از Q در AWS Lambda Q in AWS Lambda

  • معرفی Q Developer Q Developer

  • مزایای Q Developer Q Developer Benefits

  • نحوه استفاده از Amazon Q Using Amazon Q

  • آیا می‌توان مستقیماً در Lambda درخواست کد داد؟ Can We Ask for Code in Lambda Directly?

استفاده از کد با مدل‌های مختلف Using Code with Different Models

  • استفاده از Q در Lambda به همراه Bedrock Using Q in Lambda with Bedrock

  • مدل متنی – Amazon Titan Text Model – Amazon Titan

  • مدل متنی – Claude Text Model – Claude

  • مدل متنی – Llama Text Model – Llama

  • عیب‌یابی خطاها Troubleshoot Error

  • مدل تصویری – Amazon Titan Image Model – Amazon Titan

  • مدل تصویری – Stability AI Image Model – Stability AI

مفاهیم بنیادی Core Concepts

  • هوش مصنوعی (AI) AI

  • هوش مصنوعی مولد (GenAI) Generative AI (GenAI)

  • مزایای GenAI GenAI Benefits

  • تفاوت AI، GenAI، یادگیری ماشین (ML) و یادگیری عمیق (DL) AI, GenAI, Machine Learning (ML), and Deep Learning (DL)

  • مدل‌های پایه (FM) در مقابل مدل‌های زبانی بزرگ (LLM) Foundation Models (FM) vs Large Language Models (LLM)

  • مهندسی پرامپت (Prompt Engineering) Prompt Engineering

  • انواع مهندسی پرامپت Types of Prompt Engineering

پارامترهای استنتاج Inference Parameters

  • پارامترهای استنتاج (Inference Parameters) Inference Parameters

  • پارامتر دما (Temperature) Temperature

  • تمرین عملی دما – بخش اول Temperature Hands-On – I

  • تمرین عملی دما – بخش دوم Temperature Hands-On – II

  • پارامتر Top P Top P

  • تمرین عملی Top P – بخش اول Top P Hands-On – I

  • تمرین عملی Top P – بخش دوم Top P Hands-On – II

  • پارامتر Top K Top K

  • تمرین عملی Top K – بخش اول Top K Hands-On – I

  • تمرین عملی Top K – بخش دوم Top K Hands-On – II

  • محتمل‌ترین راهکار Most Probable Solution

  • خطای عدم دسترسی (Access Denied) Access Denied Error

  • خطای اتمام زمان (Timeout) Timeout Error

  • خطای اعتبارسنجی (Validation Exception) Validation Exception

  • خطای دسترسی به مدل Model Access Error

پیکربندی‌های تکمیلی Additional Configurations

  • پیکربندی‌های تکمیلی Additional Configurations

  • پرامپت‌های سیستمی (System Prompts) System Prompts

  • کدنویسی برای پرامپت‌های سیستمی Code for System Prompts

  • حداکثر طول متن (Maximum Length) Maximum Length

  • کدنویسی برای حداکثر طول Code for Maximum Length

  • توالی توقف (Stop Sequence) Stop Sequence

  • کدنویسی برای توالی توقف Code for Stop Sequence

نمایش نظرات

آموزش Amazon Bedrock و Q Developer برای پایتون [ویدئویی]
جزییات دوره
4h 59m
49
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
CourseDIY
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

CourseDIY CourseDIY

کاران گوپتا یک مهندس DevOps ماهر با تخصص در طراحی راهکارهای زیرساختی مقیاس‌پذیر و قابل اعتماد است. او با داشتن مدارک حرفه‌ای 4x AWS Certified و مدیر تایید شده کوبرنتیز (CKA)، به بیش از 5,000 دانشجو در جلسات آموزشی حضوری کمک کرده است. کاران با استارت‌آپ‌ها و سازمان‌های سطح سازمانی همکاری کرده و خط لوله‌های CI/CD سفارشی را برای رفع نیازهای خاص مشتریان طراحی و اجرا کرده است. تمرکز او بر اتوماسیون فرآیندهای ساخت، ارکستراسیون استقرار و ادغام فناوری‌های پیشرفته مانند Kubernetes و AWS منجر به بهبود مستمر و نوآوری شده است. علاوه بر این، کاران بیش از 10 مقاله پژوهشی با هدف بهره‌گیری از فناوری برای بهبود جامعه به رشته تحریر درآورده است.