آموزش تسلط بر مهندسی AI و LLM - راهنمای جامع GenAI و RAG [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• دمو: آنچه در این دوره خواهید ساخت Demo: What You'll Build in This Course

• ساختار دوره Course Structure

• چگونه بیشترین بهره را از این دوره ببریم How to Get the Most from This Course

راه‌اندازی محیط توسعه Development Environment Setup

• راه‌اندازی محیط توسعه: بررسی کلی Development Environment Setup: Overview

• نصب پایتون در ویندوز: برای کاربران ویندوز Install Python on Windows: For Windows Users

• نصب پایتون در مک: برای کاربران مک Install Python on Mac: For Mac Users

• دانلود Visual Studio Code Download Visual Studio Code

• نصب بسته افزونه پایتون برای VS Code Install the Python Extension Pack for VS Code

• اجرای اولین برنامه پایتون در VS Code Running First Python Program in VS Code

اختیاری: غوطه‌وری در پایتون - تسلط بر مبانی پایتون Optional: Python Deep Dive—Master Python Fundamentals

• پایتون چیست و کجا استفاده می‌شود؟ What Is Python and Where It's Used?

• فرآیند کامپایل و تفسیر پایتون Python Compilation and Interpretation Process

• تعریف متغیرها در پایتون Declaring Variables in Python

• انواع داده‌ها Data Types

• استفاده از f-strings در پایتون Python f-Strings

• اعداد: صحیح (Integer) و اعشاری (Float) Numbers: Integers and Floats

• مقدمه‌ای بر لیست‌ها: دسترسی و تغییر Introduction to Lists: Accessing and Modifying Them

• استفاده از f-strings و مقادیر تکی از یک لیست f-Strings and Individual Values from a List

• مرتب‌سازی لیست و به دست آوردن طول لیست Sorting a List and Getting a List Length

• لیست‌ها و حلقه‌ها: پیمایش در یک لیست Lists and Loops: Looping Through a List

• ساخت لیستی از اعداد با حلقه‌ها و تابع range Making a List of Numbers with Loops and the Range Function

• توابع آماری برای اعداد Statistics Functions for Numbers

• تولید اعداد زوج با لیست و range Generate Even Numbers with the List and Range

• مهم: نکته‌ای درباره سازماندهی کد Important: Code Organization Note

• درک لیست‌ها (List Comprehension) List Comprehension

• تاپل‌ها (Tuples) Tuples

• شاخه‌بندی: دستورات If و مقادیر Boolean Branching: If Statements and Booleans

• کلمات کلیدی elif و in The Elif and the in Keywords

• عملی: استفاده از عملگرهای منطقی and و or Hands-On: Using and and or Logical Operators

• عملگرهای منطقی and و or and or Logical Operators

• بررسی نابرابری‌ها Checking for Inequalities

• عملی: دستورات If تو در تو Hands-On: Inner If-Statements

• ساختارهای داده: دیکشنری‌ها - مقدمه، تعریف و دسترسی به مقادیر Data Structures: Dictionaries—Introduction and Declaring and Accessing Values

• تغییر در دیکشنری Modifying a Dictionary

• پیمایش در یک دیکشنری Iterating Through a Dictionary

• دیکشنری‌های تو در تو و پیمایش آن‌ها Nested Dictionaries and Looping Through Them

• پیمایش در دیکشنری حاوی لیست Looping Through a Dictionary with a List Inside

• ورودی کاربر و حلقه‌های While: مقدمه ورودی کاربر User Input and While Loops: User Input—Introduction

• عملی: عدد فرد یا زوج Hands-On: Odd or Even Number

• حلقه‌های While و برنامه ساده خروج While Loops and Simple Quit Program

• عملی: بازی کوییز Hands-On: Quiz Game

• حذف تمام موارد از مقادیر خاص در یک لیست Removing All Instances of Specific Values from a List

• عملی: برنامه برنامه سفر رویایی - پر کردن دیکشنری با ورودی کاربر Hands-On: Dream Travel Itinerary Program—Filling a Dictionary with User Input

• توابع: مقدمه Functions: Introduction

• ارسال اطلاعات به تابع (پارامترها) Passing Information to a Function (Parameters)

• آرگومان‌های موقعیتی و نام‌گذاری شده Positional and Named Arguments

• مقادیر پیش‌فرض: پارامترها Default Values: Parameters

• مقادیر بازگشتی از یک تابع Return Values from a Function

• عملی: بازگرداندن عدد صحیح و مقدمه‌ای بر DocString Hands-On: Returning an Integer and Intro to DocString

• توابع: ارسال یک لیست به عنوان آرگومان Functions: Passing a List as Argument

• ارسال تعداد نامشخص آرگومان به یک تابع Passing an Arbitrary Number of Arguments to a Function

• مقدمه‌ای بر ماژول‌ها: وارد کردن توابع خاص از یک ماژول Introduction to Modules: Importing Specific Functions from a Module

• استفاده از as برای نام مستعار Using the "as" as an Alias

• کلاس‌ها و OOP: برنامه‌نویسی شی‌گرا - متدهای init و str Classes and OOP: Object-Oriented Programming—The init and str Methods

• متدهای init و str The init and str Methods

• افزودن متدهای بیشتر به کلاس Adding More Methods to the Class

• تنظیم مقدار پیش‌فرض برای یک ویژگی (Attribute) Setting a Default Value for an Attribute

• تغییر ویژگی کلاس: به صورت مستقیم و با متدها Modifying Class Attribute: Directly and with Methods

• وراثت: ساخت یک کتاب الکترونیکی - کلاس فرزند Inheritance: Create an Ebook—Child Class

• بازنویسی متدها (Overriding) Overriding Methods

• ساخت و وارد کردن از یک ماژول Creating and Importing from a Module

• کلاس Object: بررسی کلی The Object Class: Overview

• کتابخانه استاندارد پایتون The Python Standard Library

• ماژول Random: تمرین عملی میوه‌های تصادفی Random Module: Random Fruit Hands-On

• عملی: میوه تصادفی با متد choice در ماژول random Hands-On: Random Fruit with Choice Module Method

• استفاده از ماژول Datetime Using Datetime Module

• نوشتن و خواندن فایل‌ها: انجام کارهای کاربردی با پایتون Writing and Reading Files: Do Useful Tasks with Python

• کلاس Path و خواندن یک فایل متنی The Path Class and Reading a Text File

• حل مسیر (Resolving Path): خواندن از زیرپوشه با Path Resolving Path: Reading from a Subdirectory with Path

• بررسی کلی ویژگی‌های Path Path Properties Overview

• نوشتن در فایل متنی با Path Writing to Text File with Path

• خواندن و نوشتن در فایل با استفاده از کلمه کلیدی with Read and Write to File Using the "with" Keyword

• مدیریت استثناها (Handling Exceptions) Handling Exceptions

• انواع استثناهای FileNotFound و IndexError The "FileNotFound" and "IndexError" Exception Types

• ساخت و مدیریت استثناهای سفارشی Custom Exception Creation and Handling

• JSON: خواندن و نوشتن در یک فایل JSON JSON: Reading and Writing to a JSON File

• عملی: نوشتن و خواندن نام کشورها در فایل JSON Hands-On: Writing and Reading Countries to JSON File

• عملی: سازمان‌دهنده فایل‌ها Hands-On: File Organizer

• محیط مجازی پایتون و PIP Python Virtual Environment and PIP

• راه‌اندازی محیط مجازی و نصب یک بسته Setting Up Virtual Environment and Installing a Package

• عملی: ابزار واترمارک پایتون Hands-On: Watermarker Python Tool

• ساخت واترمارک تصاویر در پایتون: بخش اول Building an Image Watermarker in Python: Part 1

• تولید تصاویر واترمارک شده Generating the Watermarked Images

• خواندن فایل CSV: مقدمه Reading CSV File: Introduction

• به دست آوردن موقعیت هدر CSV Getting the CSV Header Position

• خواندن داده‌ها از یک ستون CSV Reading Data from a CSV Column

• رسم نمودار با داده‌های CSV Plotting a Graph with CSV Data

درک یادگیری عمیق و یادگیری ماشین Understanding Deep and Machine Learning

• بررسی عمیق یادگیری عمیق و ماشین: نمای کلی و تفکیک Deep and Machine Learning Deep Dive: Overview and Breakdown

• جنبه‌های کلیدی یادگیری عمیق Deep Learning Key Aspects

• کالبدشکافی شبکه عصبی عمیق: بررسی کامل با مثال‌های مشابه Deep Neural Network Dissection: Full Dive with Analogies

• محاسبات تک نورون: بررسی عمیق The Single Neuron Computation: Deep Dive

• وزن‌ها (Weights): بررسی عمیق Weights: Deep Dive

• توابع فعال‌ساز: بررسی عمیق با مثال‌های مشابه Activation Functions: Deep Dive with Analogies

• خلاصه یادگیری عمیق Deep Learning Summary

• مقدمه یادگیری ماشین: یادگیری ماشین در مقابل یادگیری عمیق Machine Learning Introduction: Machine Learning vs. Deep Learning

• انواع یادگیری: مثال مشابه با سیستم آموزشی Learning Types: Education System Analogy

• قابلیت‌های مقایسه‌ای: خلاصه یادگیری عمیق، یادگیری ماشین و AI Comparative Capabilities: Deep Learning, Machine Learning, and AI Summary

هوش مصنوعی مولد (GenAI): معماری و تکنولوژی‌های اصلی Generative AI: Architecture and Core Technologies

• مقدمه GenAI و بررسی کلی معماری GenAI Introduction and Architecture Overview

• تکنولوژی‌های کلیدی GenAI: محدودیت‌ها و چالش‌ها GenAI Key Technologies: Limitations and Challenges

• بررسی کلی و خلاصه اجزای اصلی GenAI GenAI Key Components Overview and Summary

مدل‌های زبانی بزرگ (LLMs): مفاهیم، معماری و توسعه عملی LLMs: Concepts, Architecture, and Hands-On Development

• مدل‌های LLM: بررسی کلی LLMs: Overview

• معماری ترنسفورمر: مبانی The Transformer Architecture: Fundamentals

• مکانیزم خود-توجهی (Self Attention): مثال مشابه The Self-Attention Mechanism: Analogy

• کتابخانه Transformers: بررسی عمیق The Transformers Library: Deep Dive

• عملی: ساخت یک LLM ساده با کتابخانه Transformers Hands-On: Create a Simple LLM from the Transformers Library

• عملی: LLM ارتقایافته با Transformers Hands-On: Enhanced Transformers LLM

• مدل‌های متن‌باز در مقابل مدل‌های بسته: بررسی کلی Open-Source vs. Closed-Source Models: Overview

مدل‌های OpenAI و راه‌اندازی OpenAI Models and Setup

• راه‌اندازی حساب OpenAI و کلید API Set Up OpenAI Account and API Key

• استفاده موثر از APIها در پروژه‌های AI Using APIs Effectively in AI Projects

• عملی: اولین فراخوانی مدل OpenAI Hands-On: Making Our First Call to OpenAI Model

مهندسی پرامپت: از مبانی تا پیشرفته Prompt Engineering: From Basics to Advanced

• مقدمه مهندسی پرامپت Prompt Engineering Introduction

• مهندسی پرامپت و انواع آن: چرا اهمیت دارد Prompt Engineering and Types: Why It Matters

• عملی: مثال ساده از پرامپت‌نویسی Hands-On: Simple Prompting Example

• تکنیک‌های پیشرفته پرامپت‌نویسی و چالش‌ها Advanced Prompting Techniques and Challenges

• عملی: پرامپت‌نویسی چند-نمونه‌ای (Few Shots) Hands-On: Few-Shots Prompting

• عملی: پرامپت‌نویسی صفر-نمونه‌ای (Zero Shot) Hands-On: Zero-Shot Prompting

• عملی: پرامپت‌نویسی زنجیره تفکر (Chain of Thought) Hands-On: Chain-of-Thought Prompting

• عملی: پرامپت‌نویسی دستوری (Instructional) Hands-On: Instructional Prompting

• عملی: نقش‌آفرینی و پرامپت‌های باز Hands-On: Role-Playing and Open-Ended Prompting

• پارامترهای Temperature و Top p Sampling Temperature and Top-p Sampling

• عملی: ترکیب تکنیک‌های پرامپت و استریمینگ (Streaming) Hands-On: Prompt Techniques Combination and Streaming

• خلاصه مهندسی پرامپت و نکات کلیدی Prompt Engineering Summary and Takeaways

مدیریت متن و حافظه در LLMها Context and Memory Management in LLMs

• عملی: بررسی کلی مدیریت متن و حافظه Hands-On: Context and Memory Management Overview

• مدیریت متن و حافظه چیست: بررسی عمیق What Is Context and Memory Management: Deep Dive

• عملی: افزودن حافظه و متن به چت‌بات Hands-On: Adding Memory and Context to Chatbox

• خلاصه Summary

ثبت وقایع (Logging) در اپلیکیشن‌های LLM Logging in LLM Applications

• مقدمه Logging: چیستی و چرایی Logging Introduction: What and the Why

• ثبت وقایع در اپلیکیشن‌های LLM و چرخه حیات Logging Logging in LLM Applications and Logging Life Cycle

• عملی: چت‌بات همراه با Logging Hands-On: Chatbot with Logging

• خلاصه Summary

درک تولید تقویت‌شده با بازیابی (RAG) Understanding Retrieval-Augmented Generation (RAG)

• مقدمه RAG: این چیست؟ RAG Introduction: What Is It?

• اجزای کلیدی RAG: تثلیث RAG RAG Key Components: The RAG Triad

• مقایسه RAG با مدل‌های GenAI خالص RAG vs. Pure GenAI Models

• بررسی عمیق RAG: تحلیل کامل نمودار RAG Deep Dive: Full Diagram Walkthrough

• مزایا و کاربردهای عملی RAG RAG Benefits and Practical Applications

• چالش‌های RAG RAG Challenges

• مبانی RAG: نکات کلیدی و خلاصه RAG Fundamentals: Takeaways and Summary

گردش کار RAG برای PDF و ادغام رابط کاربری RAG PDF Workflow and UI Integration

• ساخت خط لوله RAG: بررسی کلی Building a RAG Pipeline: Overview

• اولین نمودار معماری گردش کار RAG First RAG Workflow Architectural Diagram

• راه‌اندازی کلاس مدل Embedding Setting Up the Embedding Model Class

• عملی: ساخت و نمایش گردش کار RAG Hands-On: Building and Showcasing the RAG Workflow

• عملی: گردش کار RAG با رابط کاربری Streamlit Hands-On: RAG Workflow with UI—Streamlit

• خلاصه اولین خط لوله RAG First RAG Pipeline Summary

عملی: سیستم RAG برای PDF با تکه‌تکه سازی متن Hands-On: PDF RAG System with Text Chunking

• گردش کار RAG برای PDF: بررسی کلی معماری PDF RAG Workflow: Architecture Overview

• پردازش PDF، تکه‌بندی و همپوشانی تکه‌ها: بررسی عمیق PDF and Chunk Processing and Chunk Overlap: Deep Dive

• راه‌اندازی کلاس و متدهای SimpleRAGSystem Setting Up the SimpleRAGSystem Class and Methods

• تست سیستم PDF RAG Testing the PDF RAG System

• گردش کار ساده PDF RAG: خلاصه Simple PDF RAG Workflow: Summary

مبانی LangChain و ادغام گردش کار LangChain Fundamentals and Workflow Integration

• مقدمه فریم‌ورک‌های LLM: مبانی LangChain LLM Frameworks Introduction: LangChain Fundamentals

• LangChain چیست و اجزای اصلی آن کدامند What Is LangChain and Main Components

• راه‌اندازی LangChain و ChatModel LangChain Setup and ChatModel

• عملی: استفاده از ChatPromptTemplates در LangChain Hands-On: LangChain ChatPromptTemplates

• اندکس‌ها، بازیاب‌ها و آماده‌سازی داده‌ها: بررسی کلی Indexes, Retrievers, and Data Preparation: Overview

• عملی: استفاده از TextLoaders در LangChain Hands-On: LangChain TextLoaders

• عملی: تکه‌تکه سازی و پاک‌سازی متن Hands-On: Text Splitting and Cleaning

• عملی: Embeddings و بازیاب با FAISS VectorStore Hands-On: Embeddings and Retriever with FAISS VectorStore

• بررسی عمیق TextSplitter در LangChain LangChain TextSplitter: Deep Dive

• استفاده از DirectoryLoader در LangChain LangChain DirectoryLoader

• استفاده از PDFLoader در LangChain LangChain PDFLoader

• عملی: زنجیره‌ها (Chains) در LangChain Hands-On: LangChain Chains

• عملی: سیستم RAG ساده با چت و زنجیره‌های LangChain Hands-On: Simple RAG System with Chat and LangChain Chains

• عملی: بات QA کامل سیستم RAG با استفاده از LangChain Hands-On: Full RAG System QA Bot Using LangChain

عملی: ساخت اپلیکیشن‌های LLM با LangChain Hands-On: Building LLM Applications with LangChain

• اپلیکیشن LLM: خلاصه‌ساز اخبار - بررسی کلی معماری LLM Application: News Summarizer—Architectural Overview

• خلاصه‌ساز اخبار: پیاده‌سازی کامل News Summarizer: Full Implementation

• اپلیکیشن LLM: خلاصه‌ساز ویدیوهای یوتیوب - بررسی کلی معماری LLM Application: YouTube Video Summarizer—Architectural Overview

• راه‌اندازی پیش‌نیازهای خلاصه‌ساز یوتیوب و Q&A YouTube Video Summarizer and Q&A Dependency Setup

• راه‌اندازی کلاس خلاصه‌ساز یوتیوب و بررسی آن YouTube Video Summarizer Class Setup and Walkthrough

• بخش Q&A خلاصه‌ساز یوتیوب: تست گردش کار YouTube Video Summarizer Q&A: Testing the Workflow

• اپلیکیشن LLM: سیستم RAG دستیار صوتی - بررسی کلی معماری LLM Application: Voice Assistant RAG System—Architectural Overview

• سیستم RAG دستیار صوتی: دمو Voice Assistant RAG System: Demo

• سیستم RAG دستیار صوتی: بررسی و دمو Voice Assistant RAG System: Walkthrough and Demo

تنظیم دقیق (Fine Tuning) مدل‌های LLM Fine-Tuning LLMs

• مقدمه تنظیم دقیق (Fine Tuning): بررسی کلی Fine-Tuning Introduction: Overview

• تکنیک‌های Fine Tuning: بررسی کلی Fine-Tuning Techniques: Overview

• مقایسه تکنیک‌های Fine Tuning Fine-Tuning Comparison of Techniques

• فرآیند کلی Fine Tuning: بررسی کلی Fine-Tuning General Process: Overview

• قیمت‌گذاری مدل‌های OpenAI برای Fine Tuning Fine-Tuning OpenAI Models Pricing

• توکن‌ها و ابزار Tokenizer در OpenAI Tokens and the Tokenizer OpenAI Tool

• عملی: تنظیم دقیق یک مدل OpenAI - راهنمای کامل Hands-On: Fine-Tuning an OpenAI Model—Full Walkthrough

• ساخت چت‌بات با مدل Fine-tune شده و تست آن Creating a Chatbot with Our Fine-Tuned Model and Testing

تنظیم دقیق مبتنی بر LoRA و استقرار LoRA-Based Fine-Tuning and Deployment

• مقدمه LoRA: مزایا LoRA Introduction: Benefits

• تحلیل عمیق LoRA LoRA Deep Analysis

• گردش کار استراتژی پیاده‌سازی LoRA LoRA Implementation Strategy Workflow

• عملی: آموزش مدل‌ها - LoRA و PEFT Hands-On: Training Models—LoRA and PEFT

• اجرای Fine Tuning مدل LoRA و تست آن Running LoRA Model Fine-Tuning and Testing

• ساخت سرویس API برای ارتباط با مدل‌های Fine-tune شده Creating an API Service to Interface with Our Fine-Tuned Models

• تست نقطه پایانی (Endpoint) ای‌پی‌آی مدل LoRA Testing Our LoRA Model API Endpoint

• چت با مدل‌های Fine-tune شده LoRA Chatting with LoRA Fine-Tuned Models

• گردش کار کامل LoRA: آموزش و چت با مدل‌های تنظیم شده Full LoRA Workflow: Train and Chat with Fine-Tuned Models

جمع‌بندی و گام‌های بعدی Wrap-Up and Next Steps

• جمع‌بندی و گام‌های بعدی Wrap-Up and Next Steps