آموزش ساخت یک ایجنت هوش مصنوعی تحلیلگر داده ساده با لاما و فلسک - آخرین آپدیت
دانلود Building a Simple Data Analyst AI Agent with Llama and Flask
معرفی مهندسی پرامپت و اپلیکیشنهای مبتنی بر هوش مصنوعی
درک و بهکارگیری تکنیکهای اصلی مهندسی پرامپت مانند یادگیری درونمتنی (In-Context Learning - ICL)، زنجیره تفکر (Chain of Thought - CoT) و درخت تفکر (Tree of Thought - ToT).
نصب و راهاندازی یک مدل زبان بزرگ منبعباز (Llama) بهصورت محلی بدون نیاز به APIهای پولی.
ساخت یک اپلیکیشن ساده Flask مبتنی بر هوش مصنوعی که به پایگاه داده Postgres SQL متصل میشود.
طراحی پرامپتهایی که به عامل هوش مصنوعی امکان درک سوالات کاربر و بازیابی پاسخهای دقیق از دادههای ساختاریافته را میدهند.
توسعه درکی اولیه از اتصال پردازش زبان طبیعی به پایگاههای داده SQL از طریق APIها.
پیشنیازها
- درک اولیه از مفهوم پایگاه داده.
- تجربه کار با Python و SQL مفید است اما اجباری نیست – تمام مفاهیم کلیدی بهوضوح در طول دوره توضیح داده میشوند.
- دسترسی به کامپیوتری که بتوانید بستههای Python را نصب کرده و کانتینرهای Docker را اجرا کنید.
قدرت هوش مصنوعی را آزاد کنید و عامل هوش مصنوعی تحلیلگر داده ساده خود را بدون نیاز به APIهای گرانقیمت یا تجربه برنامهنویسی سنگین بسازید.
در این دوره عملی، شما یاد خواهید گرفت که چگونه یک مدل زبان منبعباز (Llama) را بهصورت محلی راهاندازی و اجرا کنید و یک اپلیکیشن سبک Flask بسازید که میتواند بر اساس اطلاعات ذخیرهشده در یک پایگاه داده Postgres، به سوالات پاسخ دهد، مشابه یک سیستم ساده تولید بازیابی-افزوده (Retrieval-Augmented Generation - RAG).
ما با اصول مهندسی پرامپت شروع میکنیم و تکنیکهای ضروری مانند یادگیری درونمتنی (ICL)، زنجیره تفکر (CoT) و درخت تفکر (ToT) را معرفی میکنیم. شما تمرین خواهید کرد که پرامپتهایی ایجاد، اشکالزدایی و اصلاح کنید که هوش مصنوعی شما را به سمت پاسخهای بهتر و دقیقتر هدایت میکنند.
سپس، به ساخت اولین اپلیکیشن هوش مصنوعی خود میپردازیم. شما یک سرور Flask را راهاندازی میکنید، آن را به یک پایگاه داده Postgres متصل میکنید و یک نقطه پایانی (endpoint) میسازید که سوالات کاربر را میپذیرد، آنها را پردازش میکند و از طریق منطق هوش مصنوعی، پاسخهای پایگاه داده را برمیگرداند.
آنچه خواهید آموخت
- نحوه نصب و راهاندازی یک مدل LLM منبعباز (Llama) روی دستگاه خود
- تکنیکهای اصلی مهندسی پرامپت و چگونگی بهبود استدلال هوش مصنوعی توسط آنها
- نحوه ساخت یک اپلیکیشن ساده Flask و اتصال آن به پایگاه داده Postgres
- نحوه پردازش ورودی کاربر و ارائه پاسخهای تولیدشده توسط هوش مصنوعی از پایگاه داده
این دوره برای چه کسانی مناسب است؟
- مبتدیانی که کنجکاو درباره هوش مصنوعی، مهندسی پرامپت و اپلیکیشنهای سبک هوش مصنوعی هستند
- تحلیلگران دادهای که میخواهند جریانهای کاری مبتنی بر هوش مصنوعی را کشف کنند
- توسعهدهندگانی که علاقهمند به آزمایش اصول تولید بازیابی-افزوده (RAG) هستند
- مهندسان داده
- هر کسی که به دنبال مقدمهای عملی، سریع و واضح برای استفاده از LLMها در پروژههای کوچک و واقعی است
الزامات
- دانش اولیه از مفهوم پایگاه داده (نیازی به دانش عمیق SQL نیست)
- تجربه Python و SQL مفید است اما الزامی نیست؛ تمام مفاهیم کلیدی توضیح داده میشوند
- اشتیاق به یادگیری و آزمایش
چه در حال برداشتن اولین گامهای خود در هوش مصنوعی باشید و چه به دنبال یک پروژه عملی برای بهبود رزومه خود میگردید، این دوره به شما کمک میکند تا چیزی واقعی و کاربردی بسازید و همزمان پایهای قوی در مهندسی پرامپت و کاربردهای هوش مصنوعی ایجاد کنید.
همین امروز ثبتنام کنید و شروع به ساختن کنید!
Introduction
-
مقدمه Introduction
-
مروری بر دوره Course Overview
آماده سازی Preparation
-
راه اندازی پایتون Python Setup
-
LM Studio LM Studio
-
نصب PyCharm (اختیاری) PyCharm Installation (Optional)
-
Docker Docker
-
DBeaver DBeaver
-
راه اندازی SQL SQL Setup
-
بارگذاری داده ها Loading the Data
مهندسی پرامپت Prompt Engineering
-
مهندسی پرامپت یک تحلیلگر داده ساده Prompt Engineering a Simple Data Analyst
-
تکنیک های مهندسی پرامپت ICL ICL Prompt Engineering Techniques
-
آزمون کوتاه درباره ICL Quiz on ICL
-
CoT، ToT و پالایش خودکار CoT, ToT, and Self-Refinement
-
پرسونا، مصاحبه و پرامپت های خلاقانه Persona, Interview, and Creative Prompting
-
عیب یابی اشتباهات رایج در مهندسی پرامپت Troubleshooting Common Mistakes in Prompt Engineering
-
آزمون کوتاه درباره تکنیک های پیشرفته Quiz on Advanced Techniques
-
تکلیف مهندسی پرامپت: اشکال زدایی و اصلاح پرامپت های هوش مصنوعی Prompt Engineering Assignment: Debug and Refine AI Prompts
-
Ollama Ollama
پیاده سازی API API Implementation
-
راه اندازی معماری Setting up architecture
-
بازیابی طرحواره پایگاه داده Retrieving a Database Schema
-
ارسال پرامپت به Llama Sending Prompt to Llama
-
محاسبه کد SQL با استفاده از Llama Compute SQL code using Llama
-
بهینه سازی و اشکال زدایی پرامپت Prompt Optimization and Debugging
-
تجزیه و تحلیل پاسخ Analyze Response
-
کامپایل اولین Endpoint ما Compiling Our First Endpoint
-
نهایی کردن اولین نسخه از برنامه Flask Finalizing the first version of the Flask app
https://donyad.com/d/e324cf
Kiril Spiridonov
مهندس داده
نمایش نظرات