آموزش هوش مصنوعی عملی: ساخت اولین اپلیکیشن مبتنی بر LLM - آخرین آپدیت

دانلود Hands-On AI: Building Your First LLM-Powered App

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آیا آماده‌اید تا ساخت اپلیکیشن‌هایی با مدل‌های زبانی بزرگ (LLMs) را شروع کنید اما نمی‌دانید از کجا آغاز کنید؟ این دوره که به‌طور ویژه برای مبتدیان بدون تجربه در فضای LLM طراحی شده است، دیدگاهی جامع از مبانی مدل‌های زبانی بزرگ را به همراه چالش‌های عملی برای ارتقای مهارت‌های شما ارائه می‌دهد. در این مسیر، مفاهیم ضروری تولید تقویت‌شده با بازیابی (RAG)، از جمله مبانی موتورهای جستجو، محدودیت‌های مدل‌های Embedding و نحوه ساخت یک اپلیکیشن «گفت‌وگو با PDF» را بررسی خواهید کرد. همچنین، مدرس دوره (Han Lee) تکنیک‌های مهندسی پرامپت، استراتژی‌های مهندسی بافت (Context Engineering) برای مدیریت بهینه ورودی‌های LLM و نحوه نظارت بر خروجی‌ها از طریق ابزارهای مشاهده‌پذیری مانند LangSmith را به شما آموزش می‌دهد.

این دوره با GitHub Codespaces ادغام شده است؛ یک محیط توسعه ابری فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به نصب هیچ نرم‌افزاری روی سیستم محلی فراهم می‌کند. با GitHub Codespaces، شما می‌توانید در هر زمان و با هر دستگاهی تمرینات عملی را انجام دهید—در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محیط‌های کاری واقعی با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیو «استفاده از GitHub Codespaces در این دوره» را مشاهده کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • ساخت اپلیکیشن‌ها با استفاده از مدل‌های زبانی بزرگ (LLMs) Building apps using large language models (LLMs)

1. مدل‌های زبانی بزرگ (LLM): مفاهیم ضروری 1. LLM: The Essentials

  • قابلیت‌های LLM LLM capabilities

  • راهکار: افزودن LLM به اپلیکیشن Streamlit Solution: Adding an LLM to the Streamlit app

  • چالش: افزودن LLM به اپلیکیشن Streamlit Challenge: Adding an LLM to the Streamlit app

  • دریافت توکن OpenAI Obtaining an OpenAI token

  • چالش: آشنایی با Streamlit Challenge: Introduction to Streamlit

  • پرامپت‌ها و قالب‌های پرامپت Prompts and prompt templates

  • راهکار: آشنایی با Streamlit Solution: Introduction to Streamlit solution

  • مدل‌های زبانی و توکن‌سازی (Tokenization) Language models and tokenization

  • محدودیت‌های LLMها Limitations of LLMs

2. تولید تقویت‌شده با بازیابی (RAG) 2. Retrieval-Augmented Generation (RAG)

  • راهکار: ایندکس‌گذاری اسناد در پایگاه داده برداری (Vector Database) Solution: Indexing documents into a vector database

  • چالش: ایندکس‌گذاری اسناد در پایگاه داده برداری Challenge: Indexing documents into a vector database

  • راهکار: فعال‌سازی آپلود PDF در اپلیکیشن Streamlit Solution: Enabling PDF uploads in the Streamlit app

  • محدودیت‌های مدل‌های Embedding Embedding model limitations

  • چالش: فعال‌سازی آپلود PDF در اپلیکیشن Streamlit Challenge: Enabling PDF uploads in the Streamlit app

  • جستجوی مبتنی بر Embedding Embedding search

  • معرفی RAG Introducing RAG

  • مبانی موتورهای جستجو Search engine basics

  • راهکار: تجمیع و نهایی‌سازی پروژه Solution: Putting it all together

  • چالش: تجمیع و نهایی‌سازی پروژه Challenge: Putting it all together

3. مهندسی پرامپت 3. Prompt Engineering

  • مبانی مهندسی پرامپت Prompt engineering basics

  • چالش: تنظیمات پرامپتینگ و LangSmith Challenge: Set up prompting and LangSmith

  • چالش: استقرار اپلیکیشن در Hugging Face Challenge: Deploying your app on Hugging Face

  • راهکار: تنظیمات پرامپتینگ و LangSmith Solution: Set up prompting and LangSmith

  • راهکار: استقرار اپلیکیشن در Hugging Face Solution: Deploying your app on Hugging Face

جمع‌بندی Conclusion

  • ادامه مسیر یادگیری LLM Continue your LLM journey

نمایش نظرات

آموزش هوش مصنوعی عملی: ساخت اولین اپلیکیشن مبتنی بر LLM
جزییات دوره
1h 14m
26
(آخرین آپدیت)
2,677
- از 5
ندارد
دارد
دارد
Han-chung Lee
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Han-chung Lee Han-chung Lee

هان لی تجربه گسترده ای در ساختن سیستم های NLP، جستجو و توصیه دارد.

Han سیستم های یادگیری ماشینی را می سازد و راه اندازی می کند و در منطقه خلیج سانفرانسیسکو مستقر است. او بیش از دو دهه تجربه حرفه ای کار در نقش های مختلف در زمینه های مهندسی، خدمات مالی و مدیریت دارایی، علم داده و هوش مصنوعی دارد.

هان دارای لیسانس علوم در مهندسی برق و علوم کامپیوتر از دانشگاه کالیفرنیا، برکلی و کارشناسی ارشد مدیریت بازرگانی از دانشگاه ایالتی سن خوزه.