آموزش هوش مصنوعی مولد: RAG، LangChain، GraphRAG و Fine-Tuning - آخرین آپدیت

دانلود Generative AI: RAG, LangChain, GraphRAG & Fine-Tuning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ساخت اپلیکیشن‌های LLM با ابزارهای MCP، گاردریل‌ها، حافظه و استقرار در Hugging Face ساخت اولین اپلیکیشن‌های هوش مصنوعی مولد با استفاده از APIهای LLM (OpenAI, DeepSeek, Groq) و رابط‌های کاربری Gradio درک نحوه عملکرد LLMها — توکن‌ها، احتمال، قابلیت‌ها، محدودیت‌ها، هزینه و تاخیر (Latency) طراحی پرامپت‌های موثر و تنظیم پارامترهای مدل مانند Temperature برای خروجی‌های سازگار ارزیابی کیفیت مدل‌های AI با استفاده از Scorecardها و الگوهای LLM-as-judge به‌کارگیری تکنیک‌های مهندسی پرامپت و پیاده‌سازی گاردریل‌ها برای اپلیکیشن‌های AI ایمن‌تر و قابل‌اعتمادتر استخراج داده‌های ساختاریافته از اسناد (مانند بندهای قرارداد) با استفاده از خط‌لوله‌های مبتنی بر LLM ساخت اپلیکیشن‌های LangChain با یکپارچه‌سازی ابزارها، جستجوی وب و زنجیره‌های LCEL ایجاد یک دستیار AI SQL که کوئری‌های دیتابیس را به صورت ایمن تولید، تایید و اجرا می‌کند مقایسه LLMهای بدون وضعیت (Stateless) در مقابل استراتژی‌های حافظه LangChain برای گفتگوهای چندمرحله‌ای ساخت سیستم‌های تولید تقویت‌شده با بازیابی (RAG) با استفاده از Vector Store روی اسناد واقعی استفاده از GraphRAG برای اتصال گراف‌های دانش به جستجوی برداری جهت ایجاد AI آگاه به روابط ساخت ایجنت‌های AI مبتنی بر MCP که از ابزارها برای کوئری گرفتن از داده‌ها، اسناد و سیستم‌های خارجی استفاده می‌کنند خلاصه‌سازی اسناد طولانی با استفاده از خط‌لوله‌های Map-Reduce زمانی که محتوا از حد Context Limit فراتر می‌رود Fine-tune کردن مدل‌های Open-weight با استفاده از LoRA و QLoRA روی نمونه‌های واقعی پشتیبانی مشتری استقرار مدل Fine-tune شده در Hugging Face Spaces با یک دموی Gradio در سطح Production ساختاربندی پروژه‌های Gen AI مشابه تیم‌های مهندسی — پیکربندی، پرامپت‌ها، سرویس‌ها و گاردریل‌ها پیش نیازها: تسلط پایه به برنامه‌نویسی پایتون توصیه می‌شود

هوش مصنوعی مولد: RAG، LangChain، GraphRAG و Fine-Tuning یک دوره عملی از Deeesa Technologies برای توسعه‌دهندگانی است که می‌خواهند اپلیکیشن‌های واقعی هوش مصنوعی مولد بسازند — نه اینکه فقط یک بار یک API را فراخوانی کنند و متوقف شوند.

شما مسیری روشن را از اولین اپلیکیشن LLM خود تا الگوهای سطح Production که در تیم‌های مهندسی مدرن استفاده می‌شود طی خواهید کرد: طراحی پرامپت، گاردریل‌ها، خروجی‌های ساختاریافته، LangChain، حافظه گفتگو، RAG، GraphRAG، یکپارچه‌سازی ابزارهای MCP، خلاصه‌سازی Map-Reduce و Fine-tuning مدل‌های Open-weight همراه با استقرار در Hugging Face.

هر ماژول شامل پروژه‌های قابل اجرا با ساختاری ثابت (main, services, config, prompts, guardrails) است تا یاد بگیرید متخصصان چگونه کدهای Gen AI را سازماندهی می‌کنند.

آنچه خواهید ساخت:

در طول ۱۱ ماژول، اپلیکیشن‌های کاربردی زیر را خواهید ساخت:

  • تولیدکننده گزارشات مدیریتی و پیش‌نویس گزارشات حرفه‌ای — اولین اپلیکیشن‌های Gradio شما

  • Prompt Playground و آزمایشگاه Temperature و Latency — کنترل رفتار، هزینه و سرعت مدل

  • Model Scorecard و گزارش کیفیت ترجمه — ارزیابی خروجی‌ها با الگوهای ارزیابی واقعی

  • قالب‌ساز خروجی و استخراج‌کننده بندهای قرارداد — استخراج ساختاریافته از اسناد

  • دستیار AI SQL — استفاده از LangChain، LCEL و تبدیل ایمن زبان طبیعی به SQL

  • تحلیل‌گر گفتگوهای پشتیبانی مشتری — مقایسه گفتگوهای Stateless در برابر حافظه‌محور

  • دستیار Runbook برای On-Call — پیاده‌سازی RAG روی دستورالعمل‌های عملیاتی (Runbooks)

  • کاوشگر وابستگی‌های GraphRAG — ترکیب گراف‌ها و بازیابی برای پاسخ‌های آگاه به روابط

  • دستیارهای مبتنی بر MCP — اتصال LLMها به دیتابیس‌ها، پایگاه‌های دانش و ابزارها از طریق Model Context Protocol

  • تولیدکننده خلاصه اسناد طولانی — خلاصه‌سازی Map-Reduce برای کتاب‌ها و فایل‌های حجیم

  • هوش مصنوعی پشتیبانی مشتری — Fine-tuning با QLoRA روی مدل‌های Open-weight و استقرار در Hugging Face Spaces



سرفصل ها و درس ها

مقدمه دوره و آماده‌سازی - شروع از اینجا Course Introduction and Setup - Start here

  • این دوره درباره چیست What is this course about

  • نصب و آماده‌سازی پروژه Installation and Project Setup

  • تنظیم API Keyهای OpenAI و DeepSeek Setting up OpenAI and DeepSeek API Keys

  • سورس کد پروژه - آدرس گیت‌هاب Project source code - GitHub Location

ماژول ۰ — مبانی هوش مصنوعی مولد: اولین اپلیکیشن‌های LLM شما Module 0 — Gen AI Foundations: Your First LLM Applications

  • هوش مصنوعی مولد، LLMها و APIها چیستند What Is Generative AI, LLMs, and APIs

  • پروژه: تولیدکننده گزارشات مدیریتی Project: Executive Brief Generator

  • پروژه: پیش‌نویس گزارشات حرفه‌ای Project: Professional Report Drafter

ماژول ۱ — نحوه عملکرد LLMها: توکن‌ها، محدودیت‌ها، هزینه و تاخیر Module 1 — How LLMs Work: Tokens, Limits, Cost & Latency

  • توکن‌ها و احتمال Tokens and Probability

  • قابلیت‌ها و محدودیت‌های AI AI Capabilities and Limitations

  • مبانی هزینه و تاخیر (Latency) Cost and Latency Basics

  • پروژه: Prompt Playground Project: Prompt Playground

  • پروژه: آزمایشگاه Temperature و Latency Project: Temperature & Latency Lab

ماژول ۲ — ارزیابی کیفیت مدل‌های AI Module 2 — Evaluating AI Model Quality

  • ارزیابی مدل‌های AI Evaluating AI Models

  • پروژه: Model Scorecard Project: Model Scorecard

  • پروژه: گزارش کیفیت ترجمه Project: Translation Quality Report

ماژول ۳ — مهندسی پرامپت، گاردریل‌ها و خروجی ساختاریافته Module 3 — Prompt Engineering, Guardrails & Structured Output

  • پرامپت‌نویسی و تکنیک‌های آن Prompting and Prompt Techniques

  • گاردریل‌ها — چیستند و چرا اهمیت دارند Guardrails — What They Are and Why They Matter

  • مرور کلی پروژه — قالب‌ساز خروجی Project Overview — Output Formatter

  • پروژه: قالب‌ساز خروجی — توضیح Project: Output Formatter — Explanation

  • پروژه: قالب‌ساز خروجی — پیاده‌سازی Project: Output Formatter — Implementation

  • پروژه: استخراج‌کننده بندهای قرارداد Project: Contract Clause Extractor

ماژول ۴ — LangChain: زنجیره‌ها، ابزارها و LCEL Module 4 — LangChain: Chains, Tools & LCEL

  • مبانی LangChain LangChain Basics

  • فراخوانی LLMها و یکپارچه‌سازی ابزارها با LangChain Calling LLMs and Integrating Tools with LangChain

  • مبانی LCEL LCEL Basics

  • پروژه: دستیار AI SQL Project: AI SQL Assistant

ماژول ۵ — حافظه گفتگو و LLMهای بدون وضعیت (Stateless) Module 5 — Conversation Memory & Stateless LLMs

  • LLMهای Stateless چیستند What Are Stateless LLMs

  • حافظه در LangChain LangChain Memory

  • پروژه: تحلیل‌گر گفتگوهای پشتیبانی مشتری Project: Customer Support Thread Analyzer

ماژول ۶ — تولید تقویت‌شده با بازیابی (RAG) Module 6 — Retrieval-Augmented Generation (RAG)

  • مقدمه‌ای بر RAG (تولید تقویت‌شده با بازیابی) Introduction to RAG (Retrieval-Augmented Generation)

  • دموی ساده RAG Simple RAG Demo

  • پروژه: دستیار Runbook برای On-Call Project: On-Call Runbook Assistant

ماژول ۷ — GraphRAG: هوش مصنوعی آگاه به روابط Module 7 — GraphRAG: AI That Understands Relationships

  • مقدمه‌ای بر GraphRAG — درک روابط توسط AI Introduction to GraphRAG — Making AI Understand Relationships

  • دموی GraphRAG GraphRAG Demo

  • پروژه: کاوشگر وابستگی‌های GraphRAG Project: GraphRAG Dependency Explorer

ماژول ۸ — ایجنت‌های MCP: هوش مصنوعی با ابزارها و سیستم‌های خارجی Module 8 — MCP Agents: AI with Tools and External Systems

  • مقدمه ماژول ۸ Module 8 Introduction

  • پروتکل MCP (Model Context Protocol) چیست What Is MCP (Model Context Protocol)

  • پروژه: دستیار داده‌های داخلی Project: Internal Data Assistant

  • پروژه: ایجنت پایگاه دانش Project: Knowledge Base Agent

  • پروژه: ایجنت شبیه‌ساز معاملات Project: Trading Simulation Agent

ماژول ۹ — خلاصه‌سازی Map-Reduce برای اسناد طولانی Module 9 — Map-Reduce Summarization for Long Documents

  • خلاصه‌سازی با استفاده از Map-Reduce Summarization Using Map-Reduce

  • دموی خلاصه‌سازی Map-Reduce Map-Reduce Summarization Demo

  • پروژه: تولیدکننده خلاصه اسناد طولانی Project: Long Document Brief Generator

ماژول ۱۰ — Fine-Tuning مدل‌های Open-Weight و استقرار در Hugging Face Module 10 — Fine-Tuning Open-Weight Models & Hugging Face Deployment

  • چرا به Fine-Tuning نیاز داریم Why Do We Need Fine-Tuning

  • در طول Fine-Tuning چه اتفاقی می‌افتد What Happens During Fine-Tuning

  • تکنیک LoRA (Low Rank Adaptation) LoRA (Low-Rank Adaptation)

  • تکنیک QLoRA (Quantized LoRA) QLoRA (Quantized LoRA)

  • پروژه: هوش مصنوعی پشتیبانی مشتری — چه چیزی می‌سازیم Project: Customer Support AI — What are we building

  • پروژه: هوش مصنوعی پشتیبانی مشتری — دمو و استقرار در Hugging Face Project: Customer Support AI — Demo & Hugging Face Deployment

  • پروژه: هوش مصنوعی پشتیبانی مشتری — بررسی کدها Project: Customer Support AI — Code Walkthrough

بررسی موارد بیشتر از Deesa Technologies Explore More from Deesa Technologies

  • سپاسگزاری و مسیر یادگیری آینده Thank You — and What to Explore Next

نمایش نظرات

آموزش هوش مصنوعی مولد: RAG، LangChain، GraphRAG و Fine-Tuning
جزییات دوره
20.5 hours
50
(آخرین آپدیت)
123
4.9 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

RK Sabin Robinson RK Sabin Robinson

مهندس نرم افزار سلام ، نام من Sabin است. من یک مهندس نرم افزار با بیش از 10 سال تجربه هستم. من با MNC های بزرگ کار کرده ام و علاقه زیادی به کارم دارم. در طول زندگی حرفه ای خود ، من با چندین فن آوری کار کرده ام ، تیم های مختلفی را هدایت کرده ام ، مستقیماً با تجارت کار کرده ام و در تصمیمات مهم تجاری شرکت کرده ام. تدریس برای من یک علاقه بوده است و من هزاران دانش آموز را به صورت آنلاین و آفلاین آموزش داده ام. من اینجا هستم تا دانش و تجربه خود را با خانواده Udemy در میان بگذارم :)