لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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.
نمایش نظرات