دوره مهندس هوش مصنوعی 2024: کمپ کامل مهندس هوش مصنوعی

سرفصل ها و درس ها

مقدمه ماژول هوش مصنوعی: شروع به کار Intro to AI Module: Getting started

• دوره شامل چه مواردی می شود What does the course cover

• هوش مصنوعی در مقابل طبیعی Natural vs Artificial Intelligence

• تاریخچه مختصر هوش مصنوعی Brief history of AI

• رمزگشایی هوش مصنوعی، علم داده، یادگیری ماشینی و یادگیری عمیق Demystifying AI, Data science, Machine learning, and Deep learning

• هوش مصنوعی ضعیف در مقابل قوی Weak vs Strong AI

• آزمون 1 Quiz 1

مقدمه ماژول هوش مصنوعی: داده ها برای ساختن هوش مصنوعی ضروری هستند Intro to AI Module: Data is essential for building AI

• داده های ساختاریافته در مقابل داده های بدون ساختار Structured vs unstructured data

• نحوه جمع آوری داده ها How we collect data

• داده های برچسب دار و بدون برچسب Labelled and unlabelled data

• فراداده: داده هایی که داده ها را توصیف می کنند Metadata: Data that describes data

• آزمون 2 Quiz 2

مقدمه ماژول هوش مصنوعی: تکنیک های کلیدی هوش مصنوعی Intro to AI Module: Key AI techniques

• یادگیری ماشینی Machine learning

• یادگیری تحت نظارت، بدون نظارت و تقویتی Supervised, Unsupervised, and Reinforcement learning

• یادگیری عمیق Deep learning

• امتحان 3 Quiz 3

مقدمه ماژول هوش مصنوعی: شاخه های مهم هوش مصنوعی Intro to AI Module: Important AI branches

• رباتیک Robotics

• بینایی کامپیوتر Computer vision

• ML سنتی Traditional ML

• هوش مصنوعی مولد Generative AI

• آزمون 4 Quiz 4

مقدمه ماژول هوش مصنوعی: درک هوش مصنوعی مولد Intro to AI Module: Understanding Generative AI

• ظهور Gen AI: معرفی ChatGPT The rise of Gen AI: Introducing ChatGPT

• رویکردهای اولیه برای پردازش زبان طبیعی (NLP) Early approaches to Natural Language Processing (NLP)

• پیشرفت های اخیر NLP Recent NLP advancements

• از مدل های زبان تا مدل های زبان بزرگ (LLM) From Language Models to Large Language Models (LLMs)

• کارایی آموزش LLM. یادگیری تحت نظارت در مقابل یادگیری نیمه نظارتی The efficiency of LLM training. Supervised vs Semi-supervised learning

• از N-Gram تا RNN تا Transformers: تکامل NLP From N-Grams to RNNs to Transformers: The Evolution of NLP

• مراحل ساخت LLM Phases in building LLMs

• مهندسی سریع در مقابل تنظیم دقیق در مقابل RAG: تکنیک هایی برای بهینه سازی هوش مصنوعی Prompt engineering vs Fine-tuning vs RAG: Techniques for AI optimization

• اهمیت مدل های فونداسیون The importance of foundation models

• خرید در مقابل ساخت: مدل های پایه در مقابل مدل های خصوصی Buy vs Make: foundation models vs private models

مقدمه ماژول هوش مصنوعی: چالش های عملی در هوش مصنوعی مولد Intro to AI Module: Practical challenges in Generative AI

• ناهماهنگی و توهم Inconsistency and hallucination

• بودجه بندی و هزینه های API Budgeting and API costs

• تأخیر Latency

• تمام شدن داده ها Running out of data

مقدمه ماژول هوش مصنوعی: پشته فناوری هوش مصنوعی Intro to AI Module: The AI tech stack

• برنامه نویسی پایتون Python programming

• کار با API ها Working with APIs

• پایگاه های داده برداری Vector databases

• اهمیت منبع باز The importance of open source

• صورت در آغوش گرفته Hugging Face

• LangChain LangChain

• ابزارهای ارزیابی هوش مصنوعی AI evaluation tools

ماژول پایتون: چرا پایتون؟ Python Module: Why Python?

• برنامه نویسی در چند دقیقه توضیح داده شد Programming Explained in a Few Minutes

• چرا پایتون Why Python

ماژول پایتون: تنظیم محیط Python Module: Setting Up the Environment

• Jupyter - مقدمه Jupyter - Introduction

• Jupyter - نصب Anaconda Jupyter - Installing Anaconda

• Jupyter - مقدمه ای بر استفاده از Jupyter Jupyter - Introduction to Using Jupyter

• Jupyter - کار با فایل های نوت بوک Jupyter - Working with Notebook Files

• Jupyter - استفاده از میانبرها Jupyter - Using Shortcuts

• Jupyter - مدیریت پیام های خطا Jupyter - Handling Error Messages

• Jupyter - راه اندازی مجدد هسته Jupyter - Restarting the Kernel

• تنظیم محیط - Jupyter Setting Up the Environment - Jupyter

ماژول پایتون: متغیرهای پایتون و انواع داده Python Module: Python Variables and Data Types

• متغیرهای پایتون Python Variables

• متغیرهای پایتون - تمرین شماره 1 Python Variables - Exercise #1

• متغیرهای پایتون - تمرین شماره 2 Python Variables - Exercise #2

• متغیرهای پایتون - تمرین شماره 3 Python Variables - Exercise #3

• متغیرهای پایتون - تمرین شماره 4 Python Variables - Exercise #4

• متغیرهای پایتون Python Variables

• انواع داده ها - اعداد و مقادیر بولی Types of Data - Numbers and Boolean Values

• اعداد و مقادیر بولی - تمرین شماره 1 Numbers and Boolean Values - Exercise #1

• اعداد و مقادیر بولی - تمرین شماره 2 Numbers and Boolean Values - Exercise #2

• اعداد و مقادیر بولی - تمرین شماره 3 Numbers and Boolean Values - Exercise #3

• اعداد و مقادیر بولی - تمرین شماره 4 Numbers and Boolean Values - Exercise #4

• اعداد و مقادیر بولی - تمرین شماره 5 Numbers and Boolean Values - Exercise #5

• انواع داده ها - اعداد و مقادیر بولی Types of Data - Numbers and Boolean Values

• انواع داده ها - رشته ها Types of Data - Strings

• رشته ها - تمرین شماره 1 Strings - Exercise #1

• رشته ها - تمرین شماره 2 Strings - Exercise #2

• رشته ها - تمرین شماره 3 Strings - Exercise #3

• رشته ها - تمرین شماره 4 Strings - Exercise #4

• رشته ها - تمرین شماره 5 Strings - Exercise #5

• انواع داده ها - رشته ها Types of Data - Strings

ماژول پایتون: سینتکس پایه پایتون Python Module: Basic Python Syntax

• نحو پایه پایتون - عملگرهای حسابی Basic Python Syntax - Arithmetic Operators

• عملگرهای حسابی - تمرین شماره 1 Arithmetic Operators - Exercise #1

• عملگرهای حسابی - تمرین شماره 2 Arithmetic Operators - Exercise #2

• عملگرهای حسابی - تمرین شماره 3 Arithmetic Operators - Exercise #3

• عملگرهای حسابی - تمرین شماره 4 Arithmetic Operators - Exercise #4

• عملگرهای حسابی - تمرین شماره 5 Arithmetic Operators - Exercise #5

• عملگرهای حسابی - تمرین شماره 6 Arithmetic Operators - Exercise #6

• عملگرهای حسابی - تمرین شماره 7 Arithmetic Operators - Exercise #7

• عملگرهای حسابی - تمرین شماره 8 Arithmetic Operators - Exercise #8

• نحو پایه پایتون - عملگرهای حسابی Basic Python Syntax - Arithmetic Operators

• نحو پایه پایتون - علامت برابری دوگانه Basic Python Syntax - The Double Equality Sign

• علامت برابری دوگانه - تمرین شماره 1 The Double Equality Sign - Exercise #1

• نحو پایه پایتون - علامت برابری دوگانه Basic Python Syntax - The Double Equality Sign

• نحو پایه پایتون - مقادیر را مجدداً اختصاص دهید Basic Python Syntax - Reassign Values

• تخصیص مجدد مقادیر - تمرین شماره 1 Reassign Values - Exercise #1

• تخصیص مجدد مقادیر - تمرین شماره 2 Reassign Values - Exercise #2

• تخصیص مجدد مقادیر - تمرین شماره 3 Reassign Values - Exercise #3

• تخصیص مجدد مقادیر - تمرین شماره 4 Reassign Values - Exercise #4

• نحو پایه پایتون - مقادیر را مجدداً اختصاص دهید Basic Python Syntax - Reassign Values

• نحو پایه پایتون - اضافه کردن نظرات Basic Python Syntax - Add Comments

• نحو پایه پایتون - اضافه کردن نظرات Basic Python Syntax - Add Comments

• نحو پایه پایتون - ادامه خط Basic Python Syntax - Line Continuation

• ادامه خط - تمرین شماره 1 Line Continuation - Exercise #1

• نحو پایه پایتون - عناصر نمایه سازی Basic Python Syntax - Indexing Elements

• عناصر نمایه سازی - تمرین شماره 1 Indexing Elements - Exercise #1

• عناصر نمایه سازی - تمرین شماره 2 Indexing Elements - Exercise #2

• نحو پایه پایتون - عناصر نمایه سازی Basic Python Syntax - Indexing Elements

• نحو پایه پایتون - تورفتگی Basic Python Syntax - Indentation

• تورفتگی - تمرین شماره 1 Indentation - Exercise #1

• نحو پایه پایتون - تورفتگی Basic Python Syntax - Indentation

ماژول پایتون: بیشتر در مورد اپراتورها Python Module: More on Operators

• اپراتورها - مقایسه اپراتورها Operators - Comparison Operators

• عملگرهای مقایسه - تمرین شماره 1 Comparison Operators - Exercise #1

• عملگرهای مقایسه - تمرین شماره 2 Comparison Operators - Exercise #2

• عملگرهای مقایسه - تمرین شماره 3 Comparison Operators - Exercise #3

• عملگرهای مقایسه - تمرین شماره 4 Comparison Operators - Exercise #4

• اپراتورها - مقایسه اپراتورها Operators - Comparison Operators

• اپراتورها - عملگرهای منطقی و هویتی Operators - Logical and Identity Operators

• عملگرهای منطقی و هویتی - تمرین شماره 1 Logical and Identity Operators - Exercise #1

• عملگرهای منطقی و هویتی - تمرین شماره 2 Logical and Identity Operators - Exercise #2

• عملگرهای منطقی و هویتی - تمرین شماره 3 Logical and Identity Operators - Exercise #3

• عملگرهای منطقی و هویتی - تمرین شماره 4 Logical and Identity Operators - Exercise #4

• عملگرهای منطقی و هویتی - تمرین شماره 5 Logical and Identity Operators - Exercise #5

• عملگرهای منطقی و هویتی - تمرین شماره 6 Logical and Identity Operators - Exercise #6

• اپراتورها - عملگرهای منطقی و هویتی Operators - Logical and Identity Operators

ماژول پایتون: عبارات شرطی Python Module: Conditional Statements

• بیانیه های مشروط - بیانیه IF Conditional Statements - The IF Statement

• بیانیه IF - تمرین شماره 1 The IF Statement - Exercise #1

• بیانیه IF - تمرین شماره 2 The IF Statement - Exercise #2

• بیانیه های مشروط - بیانیه IF Conditional Statements - The IF Statement

• بیانیه های مشروط - بیانیه ELSE Conditional Statements - The ELSE Statement

• بیانیه ELSE - تمرین شماره 1 The ELSE Statement - Exercise #1

• بیانیه های مشروط - بیانیه ELIF Conditional Statements - The ELIF Statement

• بیانیه ELIF - تمرین شماره 1 The ELIF Statement - Exercise #1

• بیانیه ELIF - تمرین شماره 2 The ELIF Statement - Exercise #2

• بیانیه های شرطی - یادداشتی در مورد مقادیر بولی Conditional Statements - A Note on Boolean Values

• بیانیه های شرطی - یادداشتی در مورد مقادیر بولی Conditional Statements - A Note on Boolean Values

ماژول پایتون: توابع Python Module: Functions

• توابع - تعریف یک تابع در پایتون Functions - Defining a Function in Python

• توابع - ایجاد یک تابع با یک پارامتر Functions - Creating a Function with a Parameter

• ایجاد یک تابع با یک پارامتر - تمرین شماره 1 Creating a Function with a Parameter - Exercise #1

• ایجاد یک تابع با یک پارامتر - تمرین شماره 2 Creating a Function with a Parameter - Exercise #2

• توابع - راه دیگری برای تعریف یک تابع Functions - Another Way to Define a Function

• راه دیگری برای تعریف یک تابع - تمرین شماره 1 Another Way to Define a Function - Exercise #1

• توابع - استفاده از یک تابع در یک تابع دیگر Functions - Using a Function in Another Function

• استفاده از یک تابع در عملکرد دیگر - تمرین شماره 1 Using a Function in Another Function - Exercise #1

• توابع - ترکیب عبارات شرطی و توابع Functions - Combining Conditional Statements and Functions

• ترکیب دستورات و توابع شرطی - تمرین شماره 1 Combining Conditional Statements and Functions - Exercise #1

• توابع - ایجاد توابع حاوی چند آرگومان Functions - Creating Functions Containing a Few Arguments

• توابع - توابع داخلی قابل توجه در پایتون Functions - Notable Built-in Functions in Python

• توابع داخلی قابل توجه در پایتون - تمرین شماره 1 Notable Built-in Functions in Python - Exercise #1

• توابع داخلی قابل توجه در پایتون - تمرین شماره 2 Notable Built-in Functions in Python - Exercise #2

• توابع داخلی قابل توجه در پایتون - تمرین شماره 3 Notable Built-in Functions in Python - Exercise #3

• توابع داخلی قابل توجه در پایتون - تمرین شماره 4 Notable Built-in Functions in Python - Exercise #4

• توابع داخلی قابل توجه در پایتون - تمرین شماره 5 Notable Built-in Functions in Python - Exercise #5

• توابع داخلی قابل توجه در پایتون - تمرین شماره 6 Notable Built-in Functions in Python - Exercise #6

• توابع داخلی قابل توجه در پایتون - تمرین شماره 7 Notable Built-in Functions in Python - Exercise #7

• توابع داخلی قابل توجه در پایتون - تمرین شماره 8 Notable Built-in Functions in Python - Exercise #8

• توابع داخلی قابل توجه در پایتون - تمرین شماره 9 Notable Built-in Functions in Python - Exercise #9

• توابع پایتون Python Functions

ماژول پایتون: دنباله ها Python Module: Sequences

• دنباله ها - لیست ها Sequences - Lists

• لیست ها - تمرین شماره 1 Lists - Exercise #1

• لیست ها - تمرین شماره 2 Lists - Exercise #2

• لیست ها - تمرین شماره 3 Lists - Exercise #3

• لیست ها - تمرین شماره 4 Lists - Exercise #4

• لیست ها - تمرین شماره 5 Lists - Exercise #5

• دنباله ها - لیست ها Sequences - Lists

• توالی ها - با استفاده از روش ها Sequences - Using Methods

• استفاده از روش ها - تمرین شماره 1 Using Methods - Exercise #1

• استفاده از روش ها - تمرین شماره 2 Using Methods - Exercise #2

• استفاده از روش ها - تمرین شماره 3 Using Methods - Exercise #3

• استفاده از روش ها - تمرین شماره 4 Using Methods - Exercise #4

• توالی ها - با استفاده از روش ها Sequences - Using Methods

• توالی - برش فهرست Sequences - List Slicing

• برش فهرست - تمرین شماره 1 List Slicing - Exercise #1

• برش فهرست - تمرین شماره 2 List Slicing - Exercise #2

• برش فهرست - تمرین شماره 3 List Slicing - Exercise #3

• برش فهرست - تمرین شماره 4 List Slicing - Exercise #4

• برش فهرست - تمرین شماره 5 List Slicing - Exercise #5

• برش فهرست - تمرین شماره 6 List Slicing - Exercise #6

• برش فهرست - تمرین شماره 7 List Slicing - Exercise #7

• دنباله ها - تاپل Sequences - Tuples

• تاپل ها - تمرین شماره 1 Tuples - Exercise #1

• تاپل ها - تمرین شماره 2 Tuples - Exercise #2

• تاپل ها - تمرین شماره 3 Tuples - Exercise #3

• تاپل ها - تمرین شماره 4 Tuples - Exercise #4

• دنباله ها - فرهنگ لغت Sequences - Dictionaries

• دیکشنری ها - تمرین شماره 1 Dictionaries - Exercise #1

• دیکشنری ها - تمرین شماره 2 Dictionaries - Exercise #2

• دیکشنری ها - تمرین شماره 3 Dictionaries - Exercise #3

• دیکشنری ها - تمرین شماره 4 Dictionaries - Exercise #4

• دیکشنری ها - تمرین شماره 5 Dictionaries - Exercise #5

• دیکشنری ها - تمرین شماره 6 Dictionaries - Exercise #6

• دنباله ها - فرهنگ لغت Sequences - Dictionaries

ماژول پایتون: تکرار Python Module: Iteration

• تکرار - برای حلقه ها Iteration - For Loops

• برای حلقه ها - تمرین شماره 1 For Loops - Exercise #1

• برای حلقه ها - تمرین شماره 2 For Loops - Exercise #2

• تکرار - برای حلقه ها Iteration - For Loops

• تکرار - در حالی که حلقه ها و افزایش می یابد Iteration - While Loops and Incrementing

• در حالی که حلقه ها و افزایش - تمرین شماره 1 While Loops and Incrementing - Exercise #1

• تکرار - Creatie Lists با تابع range(). Iteration - Creatie Lists with the range() Function

• ایجاد لیست با تابع range() - تمرین شماره 1 Create Lists with the range() Function - Exercise #1

• ایجاد لیست با تابع range() - تمرین شماره 2 Create Lists with the range() Function - Exercise #2

• ایجاد لیست با تابع range() - تمرین شماره 3 Create Lists with the range() Function - Exercise #3

• تکرار - Creatie Lists با تابع range(). Iteration - Creatie Lists with the range() Function

• Iteraion - از عبارات شرطی و حلقه ها با هم استفاده کنید Iteraion - Use Conditional Statements and Loops Together

• بیانیه های شرطی و حلقه ها - تمرین شماره 1 Conditional Statements and Loops - Exercise #1

• بیانیه های شرطی و حلقه ها - تمرین شماره 2 Conditional Statements and Loops - Exercise #2

• بیانیه های شرطی و حلقه ها - تمرین شماره 3 Conditional Statements and Loops - Exercise #3

• تکرار - عبارات شرطی، توابع و حلقه ها Iteration - Conditional Statements, Functions, and Loops

• عبارات شرطی، توابع و حلقه ها - تمرین شماره 1 Conditional Statements, Functions, and Loops - Exercise #1

• تکرار - تکرار بیش از دیکشنری ها Iteration - Iterating over Dictionaries

• تکرار بر روی دیکشنری ها - تمرین شماره 1 Iterating over Dictionaries - Exercise #1

• تکرار بر روی دیکشنری ها - تمرین شماره 2 Iterating over Dictionaries - Exercise #2

ماژول پایتون: چند مفهوم و اصطلاح مهم پایتون Python Module: A Few Important Python Concepts and Terms

• مقدمه ای بر برنامه نویسی شی گرا (OOP) Introduction to Object Oriented Programming (OOP)

• ماژول ها، بسته ها و کتابخانه استاندارد پایتون Modules, Packages, and the Python Standard Library

• وارد کردن ماژول ها Importing Modules

• مفاهیم و اصطلاحات مهم پایتون Important Python Concepts and Terms

• مستندات نرم افزار چیست؟ What is Software Documentation

• مستندات پایتون The Python Documentation

ماژول NLP: مقدمه NLP Module: Introduction

• معرفی دوره Introduction to the course

• مواد درسی و دفترچه یادداشت Course materials and notebooks

• مقدمه ای بر NLP Introduction to NLP

• NLP در زندگی روزمره NLP in everyday life

• NLP نظارت شده در مقابل NLP بدون نظارت Supervised vs unsupervised NLP

ماژول NLP: پیش پردازش متن NLP Module: Text Preprocessing

• اهمیت آماده سازی داده ها The importance of data preparation

• حروف کوچک Lowercase

• حذف کلمات توقف Removing stop words

• عبارات منظم Regular expressions

• توکن سازی Tokenization

• ساقه Stemming

• Lemmatization Lemmatization

• N-گرم N-grams

• کار عملی Practical task

ماژول NLP: شناسایی بخش‌های گفتار و موجودیت‌های نام‌گذاری شده NLP Module: Identifying Parts of Speech and Named Entities

• برچسب گذاری متن Text tagging

• برچسب‌گذاری بخش‌های گفتار (POS). Parts of Speech (POS) tagging

• شناسایی نهاد نامگذاری شده (NER) Named Entity Recognition (NER)

• کار عملی Practical task

ماژول NLP: تجزیه و تحلیل احساسات NLP Module: Sentiment Analysis

• تحلیل احساسات چیست؟ What is sentiment analysis?

• تحلیل احساسات مبتنی بر قانون Rule-based sentiment analysis

• مدل های ترانسفورماتور از قبل آموزش دیده Pre-trained transformer models

• کار عملی Practical task

ماژول NLP: بردار کردن متن NLP Module: Vectorizing Text

• نمایش عددی متن Numerical representation of text

• مدل کیسه کلمات Bag of Words model

• TF-IDF TF-IDF

ماژول NLP: مدل سازی موضوع NLP Module: Topic Modelling

• مدل سازی موضوع چیست؟ What is topic modelling?

• چه زمانی از مدل سازی موضوع استفاده کنیم؟ When to use topic modelling?

• تخصیص دیریکله نهفته (LDA) Latent Dirichlet Allocation (LDA)

• LDA در پایتون LDA in Python

• تحلیل معنایی پنهان (LSA) Latent Semantic Analysis (LSA)

• LSA در پایتون LSA in Python

• چند موضوع؟ How many topics?

ماژول NLP: ساختن طبقه‌بندی‌کننده متن خودتان NLP Module: Building Your Own Text Classifier

• ساخت یک طبقه بندی متن سفارشی Building a custom text classifier

• رگرسیون لجستیک Logistic regression

• بیز ساده لوح Naive Bayes

• ماشین بردار پشتیبان خطی Linear support vector machine

ماژول NLP: دسته بندی اخبار جعلی (مطالعه موردی) NLP Module: Categorizing Fake News (Case Study)

• معرفی پروژه Introducing the project

• کاوش داده های ما از طریق تگ های POS Exploring our data through POS tags

• استخراج موجودیت های نامگذاری شده Extracting named entities

• در حال پردازش متن Processing the text

• آیا احساسات بین انواع اخبار متفاوت است؟ Does sentiment differ between news types?

• چه موضوعاتی در اخبار جعلی ظاهر می شود؟ (قسمت اول) What topics appear in fake news? (Part 1)

• چه موضوعاتی در اخبار جعلی ظاهر می شود؟ (قسمت 2) What topics appear in fake news? (Part 2)

• دسته بندی اخبار جعلی با طبقه بندی سفارشی Categorizing fake news with a custom classifier

ماژول NLP: آینده NLP NLP Module: The Future of NLP

• یادگیری عمیق چیست؟ What is deep learning?

• یادگیری عمیق برای NLP Deep learning for NLP

• NLP غیر انگلیسی Non-English NLP

• آینده NLP چیست؟ What's next for NLP?

ماژول LLMs: مقدمه ای بر مدل های زبان بزرگ LLMs Module: Introduction to Large Language Models

• معرفی دوره Introduction to the course

• مواد درسی و دفترچه یادداشت Course materials and notebooks

• LLM چیست؟ What are LLMs?

• LLM چقدر است؟ How large is an LLM?

• مدل های هدف عمومی General purpose models

• قبل از آموزش و تنظیم دقیق Pre-training and fine tuning

• LLM ها برای چه چیزی می توانند استفاده شوند؟ What can LLMs be used for?

ماژول LLMs: The Transformer Architecture LLMs Module: The Transformer Architecture

• خلاصه یادگیری عمیق Deep learning recap

• مشکل RNN ها The problem with RNNs

• راه حل: توجه تنها چیزی است که نیاز دارید The solution: attention is all you need

• معماری ترانسفورماتور The transformer architecture

• تعبیه های ورودی Input embeddings

• توجه چند سر Multi-headed attention

• لایه فید فوروارد Feed-forward layer

• توجه چند سر پوشیده شده Masked multihead attention

• پیش بینی خروجی های نهایی Predicting the final outputs

ماژول LLMs: شروع به کار با مدل های GPT LLMs Module: Getting Started With GPT Models

• GPT به چه معناست؟ What does GPT mean?

• توسعه ChatGPT The development of ChatGPT

• OpenAI API OpenAI API

• تولید متن Generating text

• سفارشی کردن خروجی GPT Customizing GPT output

• خلاصه متن کلمه کلیدی Key word text summarization

• کدنویسی یک چت بات ساده Coding a simple chatbot

• آشنایی با LangChain در پایتون Introduction to LangChain in Python

• LangChain LangChain

• افزودن داده های سفارشی به ربات چت ما Adding custom data to our chatbot

ماژول LLMs: ترانسفورماتورهای صورت در آغوش گرفتن LLMs Module: Hugging Face Transformers

• بسته صورت در آغوش Hugging Face package

• خط لوله ترانسفورماتور The transformer pipeline

• توکنایزرهای از پیش آموزش دیده Pre-trained tokenizers

• توکن های خاص Special tokens

• Hagging Face و PyTorch/TensorFlow Hugging Face and PyTorch/TensorFlow

• ذخیره و بارگذاری مدل ها Saving and loading models

ماژول LLMs: مدل‌های پرسش و پاسخ با BERT LLMs Module: Question and Answer Models With BERT

• GPT در مقابل BERT GPT vs BERT

• معماری BERT BERT architecture

• در حال بارگیری مدل و توکنایزر Loading the model and tokenizer

• تعبیه‌های BERT BERT embeddings

• محاسبه پاسخ Calculating the response

• ایجاد یک ربات QA Creating a QA bot

• BERT، RoBERTa، DistilBERT BERT, RoBERTa, DistilBERT

ماژول LLMs: طبقه بندی متن با XLNet LLMs Module: Text Classification With XLNet

• GPT در مقابل BERT در مقابل XLNET GPT vs BERT vs XLNET

• پیش پردازش داده های ما Preprocessing our data

• جاسازی های XLNet XLNet Embeddings

• تنظیم دقیق XLNet Fine tuning XLNet

• ارزیابی مدل ما Evaluating our model

ماژول LangChain: مقدمه LangChain Module: Introduction

• معرفی دوره Introduction to the course

• کاربردهای تجاری LangChain Business applications of LangChain

• چه چیزی LangChain را قدرتمند می کند؟ What makes LangChain powerful?

• دوره شامل چه مواردی می شود؟ What does the course cover?

ماژول LangChain: توکن ها، مدل ها و قیمت ها LangChain Module: Tokens, Models, and Prices

• توکن ها Tokens

• مدل ها و قیمت ها Models and Prices

ماژول LangChain: تنظیم محیط LangChain Module: Setting Up the Environment

• راه اندازی یک محیط آناکوندا سفارشی برای ادغام Jupyter Setting up a custom anaconda environment for Jupyter integration

• دریافت کلید OpenAI API Obtaining an OpenAI API key

• تنظیم کلید API به عنوان یک متغیر محیطی Setting the API key as an environment variable

ماژول LangChain: OpenAI API LangChain Module: The OpenAI API

• اولین قدم ها First steps

• نقش های سیستم، کاربر و دستیار System, user, and assistant roles

• ایجاد یک چت ربات طعنه آمیز Creating a sarcastic chatbot

• دما، حداکثر نشانه‌ها و جریان Temperature, max tokens, and streaming

ماژول LangChain: ورودی های مدل LangChain Module: Model Inputs

• چارچوب LangChain The LangChain framework

• ChatOpenAI ChatOpenAI

• سیستم و پیام های انسانی System and human messages

• پیام های هوش مصنوعی AI messages

• الگوهای درخواستی و مقادیر اعلان Prompt templates and prompt values

• الگوهای درخواست چت و مقادیر درخواست چت Chat prompt templates and chat prompt values

• الگوهای درخواست پیام چت چند شات Few-shot chat message prompt templates

• LLMCchain LLMChain

ماژول LangChain: تاریخچه پیام و حافظه چت بات LangChain Module: Message History and Chatbot Memory

• تاریخچه پیام چت Chat message history

• حافظه بافر مکالمه: در حال پیاده سازی تنظیمات Conversation buffer memory: Implementing the setup

• حافظه بافر مکالمه: پیکربندی زنجیره Conversation buffer memory: Configuring the chain

• حافظه پنجره بافر مکالمه Conversation buffer window memory

• حافظه خلاصه مکالمه Conversation summary memory

• حافظه ترکیبی Combined memory

ماژول LangChain: تجزیه کننده های خروجی LangChain Module: Output Parsers

• تجزیه کننده خروجی رشته String output parser

• تجزیه کننده خروجی لیست جدا شده با کاما Comma-separated list output parser

• تجزیه کننده خروجی تاریخ Datetime output parser

ماژول LangChain: LangChain Expression Language (LCEL) LangChain Module: LangChain Expression Language (LCEL)

• لوله کشی یک فرمان، مدل و یک تجزیه کننده خروجی Piping a prompt, model, and an output parser

• دسته بندی Batching

• جریان Streaming

• کلاس های Runnable و RunnableSequence The Runnable and RunnableSequence classes

• زنجیره های Piping و کلاس RunnablePassthrough Piping chains and the RunnablePassthrough class

• نمودارهای Runnable Graphing Runnables

• Runnable Parallel RunnableParallel

• Piping یک Runnable Parallel با سایر Runnable ها Piping a RunnableParallel with other Runnables

• RunnableLambda RunnableLambda

• دکوراتور @chain The @chain decorator

• افزودن حافظه به یک زنجیره (قسمت 1): پیاده سازی راه اندازی Adding memory to a chain (Part 1): Implementing the setup

• RunnablePassthrough با کلیدهای اضافی RunnablePassthrough with additional keys

• آیتم گیر Itemgetter

• افزودن حافظه به زنجیره (قسمت دوم): ایجاد زنجیره Adding memory to a chain (Part 2): Creating the chain

ماژول LangChain: Retrieval Augmented Generation (RAG) LangChain Module: Retrieval Augmented Generation (RAG)

• چگونه داده های سفارشی را در یک LLM ادغام کنیم How to integrate custom data into an LLM

• آشنایی با RAG Introduction to RAG

• مقدمه ای بر بارگذاری و تقسیم اسناد Introduction to document loading and splitting

• مقدمه ای بر جاسازی اسناد Introduction to document embedding

• مقدمه ای بر ذخیره سازی، بازیابی و تولید اسناد Introduction to document storing, retrieval, and generation

• نمایه سازی: بارگیری سند با PyPDFLoader Indexing: Document loading with PyPDFLoader

• نمایه سازی: بارگیری سند با Docx2txtLoader Indexing: Document loading with Docx2txtLoader

• نمایه سازی: تقسیم سند با تقسیم کننده متن کاراکتر (تئوری) Indexing: Document splitting with character text splitter (Theory)

• نمایه سازی: تقسیم سند با تقسیم کننده متن کاراکتر (کد همراه) Indexing: Document splitting with character text splitter (Code along)

• نمایه سازی: تقسیم سند با تقسیم کننده متن سرصفحه Markdown Indexing: Document splitting with Markdown header text splitter

• نمایه سازی: جاسازی متن با OpenAI Indexing: Text embedding with OpenAI

• نمایه سازی: ایجاد یک Chroma vectorstore Indexing: Creating a Chroma vectorstore

• نمایه سازی: بازرسی و مدیریت اسناد در فروشگاه بردار Indexing: Inspecting and managing documents in a vectorstore

• بازیابی: جستجوی تشابه Retrieval: Similarity search

• بازیابی: جستجوی حداکثر ارتباط حاشیه ای (MMR). Retrieval: Maximal Marginal Relevance (MMR) search

• Retrieval: Retriever-backed Vectorstore Retrieval: Vectorstore-backed retriever

• نسل: اسناد پر کردن Generation: Stuffing documents

• Generation: ایجاد پاسخ Generation: Generating a response

ماژول LangChain: ابزارها و عوامل LangChain Module: Tools and Agents

• مقدمه ای بر چت بات های استدلالی Introduction to reasoning chatbots

• ابزارها، جعبه ابزارها، عوامل و مجریان عامل Tools, toolkits, agents, and agent executors

• رفع GuessedAtParserWarning Fixing the GuessedAtParserWarning

• ایجاد یک ابزار ویکی پدیا و لوله کشی آن به یک زنجیره Creating a Wikipedia tool and piping it to a chain

• ایجاد یک رتریور و یک ابزار سفارشی Creating a retriever and a custom tool

• هاب LangChain LangChain hub

• ایجاد یک عامل فراخوانی ابزار و یک مجری عامل Creating a tool calling agent and an agent executor

• AgentAction و AgentFinish AgentAction and AgentFinish

ماژول پایگاه های داده برداری: مقدمه Vector Databases Module: Introduction

• معرفی دوره Introduction to the course

• مقایسه پایگاه داده: SQL، NoSQL و Vector Database comparison: SQL, NoSQL, and Vector

• درک پایگاه های داده برداری Understanding vector databases

ماژول پایگاه های داده برداری: مبانی فضای برداری و داده های با ابعاد بالا Vector Databases Module: Basics of Vector Space and High-Dimensional Data

• مقدمه ای بر فضای برداری Introduction to vector space

• معیارهای فاصله در فضای برداری Distance metrics in vector space

• پیش‌بینی تعبیه‌های برداری Vector embeddings walkthrough

ماژول پایگاه های داده برداری: مقدمه ای بر پایگاه داده های وکتور کاج Vector Databases Module: Introduction to The Pinecone Vector Database

• پایگاه داده برداری، مقایسه Vector databases, comparison

• ثبت نام کاج، بررسی و ایجاد یک فهرست Pinecone registration, walkthrough and creating an Index

• اتصال به Pinecone با استفاده از Python Connecting to Pinecone using Python

• تکلیف Assignment

• ایجاد و حذف ایندکس Pinecone با استفاده از Python Creating and deleting a Pinecone index using Python

• در حال اضافه کردن داده ها به پایگاه داده بردار درخت کاج Upserting data to a pinecone vector database

• آشنایی با مجموعه داده های وب خوب و بارگذاری آن در Jupyter Getting to know the fine web data set and loading it to Jupyter

• اضافه کردن داده ها از یک فایل متنی و استفاده از الگوریتم جاسازی Upserting data from a text file and using an embedding algorithm

ماژول پایگاه داده برداری: جستجوی معنایی با کاج و سفارشی (مطالعه موردی) Vector Databases Module: Semantic Search with Pinecone and Custom (Case Study)

• مقدمه ای بر جستجوی معنایی Introduction to semantic search

• مقدمه ای بر مطالعه موردی – جستجوی هوشمند برای دوره های علوم داده Introduction to the case study – smart search for data science courses

• آشنایی با داده های مطالعه موردی Getting to know the data for the case study

• بارگذاری و پیش پردازش داده ها Data loading and preprocessing

• Pinecone Python API و اتصال به سرور Pinecone Pinecone Python APIs and connecting to the Pinecone server

• الگوریتم های تعبیه شده Embedding Algorithms

• جاسازی داده ها و قرار دادن فایل ها در Pinecone Embedding the data and upserting the files to Pinecone

• شباهت جستجو و پرس و جو داده ها Similarity search and querying the data

• نحوه به روز رسانی و تغییر پایگاه داده برداری How to update and change your vector database

• پیش پردازش و جاسازی داده ها برای دوره هایی با داده های بخش Data preprocessing and embedding for courses with section data

• تکلیف 2 Assignment 2

• در حال آپلود فایل های جدید به روز شده در Pinecone Upserting the new updated files to Pinecone

• شباهت جستجو و پرس و جو دوره ها و داده های بخش ها Similarity search and querying courses and sections data

• تکلیف 3 Assignment 3

• با استفاده از الگوریتم تعبیه BERT Using the BERT embedding algorithm

• پایگاه داده برداری برای موتورهای توصیه Vector database for recommendation engines

• پایگاه داده برداری برای جستجوی تصویر معنایی Vector database for semantic image search

• پایگاه داده برداری برای تحقیقات زیست پزشکی Vector database for biomedical research