آموزش LangChain، Pinecone و OpenAI را بیاموزید: برنامه های نسل بعدی LLM بسازید

Learn LangChain, Pinecone & OpenAI: Build Next-Gen LLM Apps

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: برنامه های کاربردی با LangChain، Pinecone، و OpenAI. ساخت برنامه های وب با Streamlit. امروز به انقلاب هوش مصنوعی بپیوندید! نحوه استفاده از LangChain، Pinecone و OpenAI برای ساخت برنامه های کاربردی LLM. در مورد اجزای LangChain، از جمله بسته‌بندی‌های LLM، قالب‌های سریع، زنجیره‌ها و عامل‌ها بیاموزید. در مورد انواع مختلف زنجیره های موجود در LangChain مانند چیزها، map_reduce، refine و LangChain agents بیاموزید. درک کاملی از جاسازی‌ها و ذخیره‌سازی داده‌های برداری به دست آورید. با نحوه استفاده از جاسازی‌ها و ذخیره‌های داده برداری برای بهبود عملکرد برنامه‌های LangChain خود آشنا شوید. شیرجه عمیق در کاج. درباره شاخص های Pinecone و جستجوی شباهت بیاموزید. پروژه: یک برنامه پاسخگویی به سوالات مبتنی بر LLM با یک صفحه جلویی مدرن مبتنی بر وب برای اسناد سفارشی یا خصوصی بسازید. پروژه: ایجاد یک سیستم خلاصه سازی برای اسناد بزرگ با استفاده از روش ها و زنجیره های مختلف: stuff، map_reduce، refine یا LangChain Agents. این یک تجربه یادگیری از طریق انجام خواهد بود. ما با هم، گام به گام، خط به خط، برنامه های کاربردی دنیای واقعی (از جمله فرانت اند با استفاده از Streamlit) خواهیم ساخت. شما یاد خواهید گرفت که چگونه با استفاده از Streamlit، رابط های وب (فرانت اند) برای LLM و برنامه های هوش مصنوعی تولیدی خود ایجاد کنید. Streamlit: مفاهیم اصلی، ویجت‌ها، وضعیت جلسه، تماس‌ها. پیش نیازها: تجربه اولیه برنامه نویسی پایتون الزامی است. باید بتوانید با یک شماره تلفن معتبر در OpenAI API ثبت نام کنید.

Master LangChain، Pinecone، و OpenAI. با LangChain برنامه‌های کاربردی مبتنی بر LLM بسازید.

با استفاده از Streamlit، صفحه‌های جلویی قدرتمند مبتنی بر وب برای برنامه‌های تولیدی خود ایجاد کنید.

انقلاب هوش مصنوعی اینجاست و جهان را تغییر خواهد داد! در چند سال آینده، کل جامعه توسط هوش مصنوعی تغییر شکل خواهد داد.

در پایان این دوره، شما درک کاملی از اصول LangChain، Pinecone و OpenAI خواهید داشت. همچنین می‌توانید با استفاده از Streamlit در پایتون خالص، فرانت‌اندهای مدرن ایجاد کنید.

این دوره LangChain قسمت دوم "OpenAI API with Python Bootcamp" است. برای مبتدیان کاملاً توصیه نمی شود زیرا به تجربه ضروری برنامه نویسی پایتون نیاز دارد.

در حال حاضر، تلاش، دانش و پول شرکت‌های بزرگ فناوری در سراسر جهان در حال سرمایه‌گذاری در هوش مصنوعی است.


در این دوره آموزشی، نحوه ساخت برنامه های کاربردی پیشرفته LLM با LangChain را خواهید آموخت.


LangChain چیست؟

LangChain یک چارچوب منبع باز است که به توسعه دهندگانی که با هوش مصنوعی کار می کنند اجازه می دهد تا مدل های زبان بزرگ (LLM) مانند GPT-4 را با منابع محاسباتی و داده های خارجی ترکیب کنند. ساخت و استقرار برنامه‌های هوش مصنوعی که هم مقیاس‌پذیر و هم کارآمد هستند را آسان می‌کند.

همچنین ورود به حوزه هوش مصنوعی را برای افراد با پیشینه‌های مختلف تسهیل می‌کند و امکان استقرار هوش مصنوعی را به عنوان یک سرویس فراهم می‌کند.


در این دوره، ما به اجزای LangChain، بسته‌های LLM، Chains و Agents خواهیم پرداخت. ما عمیقاً به جاسازی‌ها و پایگاه‌های داده برداری مانند Pinecone می‌پردازیم.

این یک تجربه یادگیری با انجام خواهد بود. ما با پایتون، LangChain و OpenAI با هم، گام به گام، خط به خط، برنامه های LLM در دنیای واقعی را می سازیم. برنامه‌ها کامل خواهند شد و ما همچنین دارای یک برنامه وب مدرن با استفاده از Streamlit خواهیم بود.


ما یک برنامه پاسخگویی به سؤالات مبتنی بر LLM با استفاده از LangChain، Pinecone، و OpenAI برای اسناد سفارشی یا خصوصی توسعه خواهیم داد. با این کار تعداد نامحدودی از موارد استفاده عملی باز می شود.

ما همچنین یک سیستم خلاصه سازی خواهیم ساخت که یک ابزار ارزشمند برای هر کسی است که نیاز به خلاصه کردن حجم زیادی از متن دارد. این شامل دانشجویان، محققان و متخصصان تجارت می شود.

من به افزودن پروژه های جدید که مشکلات مختلف را حل می کنند ادامه خواهم داد. این دوره، و فناوری‌هایی که در آن پوشش می‌دهد، همیشه در حال توسعه و به‌روزرسانی مداوم خواهند بود.


موضوعات تحت پوشش این دوره آموزشی "LangChain، Pinecone و OpenAI" عبارتند از:

  • مبانی LangChain

  • تنظیم محیط با Dotenv: LangChain، Pinecone، OpenAI

  • مدل های LLM (Wrappers): GPT-3

  • مدل‌های چت: GPT-3.5-Turbo و GPT-4

  • الگوهای درخواست LangChain

  • زنجیره های ساده

  • زنجیره های متوالی

  • معرفی نمایندگان LangChain

  • نمایندگان LangChain در عمل

  • جاسازی های برداری

  • مقدمه ای بر پایگاه های داده برداری

  • غواصی در کاج

  • غواصی در Chroma

  • تقسیم و جاسازی متن با استفاده از LangChain

  • درج جاسازی‌ها در فهرست کاج

  • پرسیدن سوالات (جستجوی مشابه) و دریافت پاسخ (GPT-4)

  • ایجاد فرانت‌اند برای LLM و برنامه‌های هوش مصنوعی با استفاده از Streamlit

  • Streamlit: مفاهیم اصلی، ویجت‌ها، وضعیت جلسه، پاسخ‌های تماس.


مهارت هایی که به دست می آورید به شما امکان می دهد برنامه های هوش مصنوعی دنیای واقعی را بسازید و به کار بگیرید. من نمی توانم به شما بگویم که چقدر هیجان زده هستم که همه این فناوری های پیشرفته را به شما آموزش دهم.


اکنون سوار شوید تا جا نمانید.

من شما را در دوره می بینم!


سرفصل ها و درس ها

شروع شدن Getting Started

  • چگونه از این دوره بیشترین بهره را ببرید How to Get the Most Out of This Course

  • به انجمن خصوصی من بپیوندید! Join My Private Community!

  • منابع دوره Course Resources

شیرجه عمیق به LangChain و Pinecone Deep Dive into LangChain and Pinecone

  • نسخه ی نمایشی LangChain LangChain Demo

  • مقدمه ای بر LangChain Introduction to LangChain

  • تنظیم محیط: LangChain، Pinecone و Python-dotenv Setting Up the Environment: LangChain, Pinecone, and Python-dotenv

  • مدل های LLM (Wrappers): GPT-3 LLM Models (Wrappers): GPT-3

  • مدل‌های چت: GPT-3.5-Turbo و GPT-4 ChatModels: GPT-3.5-Turbo and GPT-4

  • الگوهای درخواستی Prompt Templates

  • زنجیر ساده Simple Chains

  • زنجیره های متوالی Sequential Chains

  • آشنایی با نمایندگان LangChain Introduction to LangChain Agents

  • LangChain Agents in Action LangChain Agents in Action

  • خلاصه کوتاهی از جاسازی ها Short Recap of Embeddings

  • مقدمه ای بر پایگاه های داده برداری Introduction to Vector Databases

  • غواصی در کاج، قسمت 1 Diving into Pinecone, Part 1

  • غواصی در کاج، قسمت 2 Diving into Pinecone, Part 2

  • تقسیم و جاسازی متن با استفاده از LangChain Splitting and Embedding Text Using LangChain

  • درج جاسازی ها در یک فهرست کاج Inserting the Embeddings into a Pinecone Index

  • پرسیدن سوال (جستجوی مشابهت) Asking Questions (Similarity Search)

پروژه شماره 1: برنامه پرسش و پاسخ در اسناد سفارشی (یا خصوصی) شما Project #1: Question-Answering Application on Your Custom (or Private) Documents

  • معرفی پروژه Project Introduction

  • بارگیری اسناد PDF سفارشی (خصوصی) شما Loading Your Custom (Private) PDF Documents

  • بارگیری فرمت های مختلف سند Loading Different Document Formats

  • لودرهای خدمات عمومی و خصوصی Public and Private Service Loaders

  • خرد کردن استراتژی ها و تقسیم اسناد Chunking Strategies and Splitting the Documents

  • جاسازی و آپلود در یک پایگاه داده برداری (Pinecone) Embedding and Uploading to a Vector Database (Pinecone)

  • پرسیدن و دریافت پاسخ Asking and Getting Answers

  • افزودن حافظه (سابقه چت) Adding Memory (Chat History)

پروژه شماره 2: ساختن یک فرانت اند برای برنامه پرسش-پاسخ با استفاده از Streamlit Project #2: Building a Front-End for the Question-Answering App Using Streamlit

  • معرفی پروژه و نصب کتابخانه Project Introduction and Library Installation

  • تعریف توابع Defining Functions

  • ایجاد نوار کناری Creating the Sidebar

  • خواندن، خرد کردن، و جاسازی داده ها Reading, Chunking, and Embedding Data

  • سوال پرسیدن و جواب گرفتن Asking Questions and Getting Answers

  • ذخیره تاریخچه چت Saving the Chat History

  • پاک کردن تاریخچه وضعیت جلسه با استفاده از توابع برگشت به تماس Clearing Session State History Using Callback Functions

پروژه شماره 3: خلاصه کردن با LangChain و OpenAI Project #3: Summarizing With LangChain and OpenAI

  • معرفی پروژه Project Introduction

  • خلاصه کردن با استفاده از یک دستور اولیه Summarizing Using a Basic Prompt

  • خلاصه کردن با استفاده از Prompt Templates Summarizing using Prompt Templates

  • خلاصه کردن با استفاده از StuffDocumentsChain Summarizing Using StuffDocumentsChain

  • خلاصه کردن اسناد بزرگ با استفاده از map_reduce Summarizing Large Documents Using map_reduce

  • map_reduce با درخواست های سفارشی map_reduce With Custom Prompts

  • خلاصه کردن با استفاده از CombineDocumentChain اصلاح شده Summarizing Using the refine CombineDocumentChain

  • با درخواست های سفارشی اصلاح کنید refine With Custom Prompts

  • خلاصه کردن با استفاده از LangChain Agents Summarizing Using LangChain Agents

پروژه شماره 4: ساخت یک برنامه ChatGTP سفارشی با LangChain و Streamlit Project #4: Building a Custom ChatGTP App with LangChain and Streamlit

  • معرفی پروژه Project Introduction

  • ساخت اپلیکیشن Building the App

  • نمایش تاریخچه چت Displaying the Chat History

  • تست اپلیکیشن Testing the App

[پیوست]: ایجاد رابط های وب برای برنامه های LLM با استفاده از Streamlit [Appendix]: Creating Web Interfaces for LLM Applications Using Streamlit

  • بخش منابع Section Resources

  • مقدمه ای بر Streamlit Introduction to Streamlit

  • مفاهیم اصلی Streamlit Streamlit Main Concepts

  • نمایش داده ها روی صفحه: st.write() و Magic Displaying Data on the Screen: st.write() and Magic

  • ابزارک ها، قسمت 1: متن_ورودی، عدد_ورودی، دکمه Widgets, Part 1: text_input, number_input, button

  • ابزارک ها، قسمت 2: چک باکس، رادیو، انتخاب کنید Widgets, Part 2: checkbox, radio, select

  • ابزارک ها، قسمت 3: نوار لغزنده، فایل_آپلودکننده، دوربین_ورودی، تصویر Widgets, Part 3: slider, file_uploader, camera_input, image

  • طرح بندی: نوار کناری Layout: Sidebar

  • چیدمان: ستون ها Layout: Columns

  • چیدمان: گسترش دهنده Layout: Expander

  • نمایش نوار پیشرفت Displaying a Progress Bar

  • وضعیت جلسه Session State

  • تماس های تلفنی Callbacks

  • بعد چه می شود؟ What's Next?

[پیوست]: برنامه نویسی پایتون [Appendix]: Python Programming

  • README README

  • در حالی که و ادامه بیانیه ها While and continue Statements

  • بیانیه‌های while و break While and break Statements

  • فهرست برش و تکرار List Slicing and Iteration

  • درک لیست - قسمت 1 List Comprehension - Part 1

  • درک لیست - قسمت 2 List Comprehension - Part 2

  • کار با دیکشنری ها Working with Dictionaries

  • سریال سازی داده های JSON JSON Data Serialization

  • JSON Deserialization JSON Data Deserialization

  • تکلیف: JSON و Requests/REST API Assignment: JSON and Requests/REST API

  • پاسخ تکلیف: JSON و Requests/REST API Assignment Answer: JSON and Requests/REST API

بخش پاداش BONUS SECTION

  • تبریک می گویم Congratulations

  • جایزه: با تشکر از شما هدیه! BONUS: THANK YOU GIFT!

نمایش نظرات

آموزش LangChain، Pinecone و OpenAI را بیاموزید: برنامه های نسل بعدی LLM بسازید
جزییات دوره
7 hours
75
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,770
4.7 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

Andrei Dumitrescu Andrei Dumitrescu

مهندس DevOps و مربی حرفه ای

Crystal Mind Academy Crystal Mind Academy

آموزش فن آوری های پیشرفته