آموزش دوره جامع تسلط بر هوش مصنوعی مولد: LLM، RAG و اپلیکیشن‌های Vision - آخرین آپدیت

دانلود Complete Generative AI Mastery Course: LLM, RAG & Vision App

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ساخت اپلیکیشن‌های واقعی هوش مصنوعی مولد با استفاده از پایتون، LangChain، مدل‌های زبانی بزرگ (LLMs)، RAG و Vision AI همراه با تسلط بر بیش از ۱۲ پروژه عملی درک مفاهیم بنیادی هوش مصنوعی مولد، شامل ترنسفورمرها (Transformers)، GANها، Autoencoderها و چارچوب‌های RAG ساخت اپلیکیشن‌های جامع LLM با استفاده از LangChain، Llama 3، BGE و Faiss برای تحلیل متن و اسناد پیاده‌سازی سیستم‌های تولید تقویت‌شده با بازیابی (RAG) با استفاده از پایگاه‌های داده برداری مانند Milvus برای ساخت چت‌بات‌های هوشمند متنی توسعه مدل‌های سفارشی GAN و استفاده از Stable Diffusion برای تولید تصاویر واقع‌گرایانه و گردش کارهای خلاقانه AI تسلط بر جستجوی شباهت متن-تصویر با استفاده از CLIP embeddings و ایندکس‌گذاری برداری در مقیاس بزرگ ایجاد سیستم‌های هوش مصنوعی چندوجهی (Multimodal) برای درک متن، تصویر و ویدیو با استفاده از VILA 2.0 و T5 یادگیری نحوه آموزش، فاین‌تونیگ (Fine-tuning) و استقرار مدل‌های هوش مصنوعی مولد برای کاربردهای دنیای واقعی درک ساختار داخلی ترنسفورمرها، شامل Multi-head Attention، Positional Embeddings و بلوک‌های Feedforward بررسی Autoencoderها و Variational Autoencoders (VAE) برای حذف نویز، بازسازی و یادگیری فضای پنهان (Latent-space) ساخت اپلیکیشن‌های مبتنی بر AI مانند چت‌بات‌ها، سیستم‌های جستجوی ویدیو و دستیارهای هوشمند از صفر یادگیری ادغام Faiss و Milvus برای جستجو و بازیابی برداری با کارایی بالا در محیط‌های عملیاتی توسعه خط لوله‌های (Pipelines) تولید آماده برای محیط عملیاتی، شامل تولید Embedding، بهینه‌سازی استنتاج و استقرار کسب تجربه عملی از طریق بیش از ۱۲ پروژه پیشرفته که تئوری را با کدنویسی کاربردی ترکیب می‌کند کسب مهارت‌های مهندسی AI برای طراحی، ساخت و استقرار راهکارهای مقیاس‌پذیر هوش مصنوعی مولد پیش نیازها: دانش پایه برنامه‌نویسی پایتون الزامی است. آشنایی با متغیرها، انواع داده‌ها، کنترل جریان، توابع و اسکریپت‌نویسی پایه برای دنبال کردن آزمایشگاه‌ها ضروری است. سیستم‌عامل ویندوز با حداقل ۴ گیگابایت رم توصیه می‌شود. اطمینان حاصل کنید که فضای دیسک کافی برای مجموعه‌داده‌ها و ابزارهای توسعه ضروری نصب شده باشد. داشتن GPU اختیاری است اما برای آموزش سریع‌تر و آزمایش‌های بلادرنگ شدیداً توصیه می‌شود؛ در غیر این صورت، زمان آموزش طولانی‌تر و عملکرد کندتر خواهد بود. پروژه‌ها و تمرینات بر روی سیستم‌های ویندوزی توسعه و تست شده‌اند؛ راهنماها، اسکریپت‌ها و مراحل عیب‌یابی منحصراً برای کاربران ویندوز بهینه شده‌اند.

با این دوره جامع تسلط بر هوش مصنوعی مولد، به دنیای هوش مصنوعی مولد و مدل‌های زبانی بزرگ (LLMs) قدم بگذارید؛ برنامه‌ای جامع و پروژه-محور که شما را از مفاهیم پایه به سطح حرفه‌ای می‌رساند. در این دوره Generative AI، شما اپلیکیشن‌های AI در سطح صنعتی را با استفاده از چارچوب‌های استانداردی مانند LangChain، LLaMA 3، FAISS و Milvus خواهید ساخت؛ همان تکنولوژی‌هایی که سیستم‌های AI سازمانی و پژوهشی دنیا را به حرکت در می‌آورند.

این دوره با بررسی عمیق مفاهیم بنیادی ترنسفورمرها، GANها، Embeddingها و مدل‌های پایه آغاز می‌شود تا درک کنید مدل‌های مولد مدرن چگونه محتوای شبیه به انسان را پردازش و تولید می‌کنند. سپس به سراغ تولید تقویت‌شده با بازیابی (RAG)، پایگاه‌های داده برداری و هوش مصنوعی چندوجهی می‌رویم تا راهکارهای قدرتمند و هوشمندی برای درک متن، تصویر و ویدیو خلق کنید.

از طریق بیش از ۱۲ پروژه عملی و هدایت‌شده، موارد زیر را خواهید ساخت:

  • چت‌بات‌های AI قدرت گرفته از LLMها

  • سیستم‌های هوشمند بازیابی اسناد و RAG

  • اپلیکیشن‌های تولید تصویر و Vision AI

  • موتورهای جستجوی شباهت معنایی

  • سیستم‌های بازیابی ویدیو مبتنی بر AI

شما با مدل‌ها و معماری‌های پیشرو از جمله T5 و مدل‌های چندوجهی کار خواهید کرد و بهترین متدهای طراحی سیستم در دنیای واقعی را به کار می‌گیرید.

در پایان این دوره، شما بر خط لوله کامل هوش مصنوعی مولد مسلط خواهید شد — از ورودی داده‌ها، Embeddingها، زنجیره‌سازی مدل‌ها، فاین‌تونیگ و بهینه‌سازی تا استقرار مقیاس‌پذیر در محیط‌های Edge، ابری و ترکیبی.

چه برنامه‌نویس پایتون، علاقه‌مند به AI، دانشمند داده، پژوهشگر یا نوآور تکنولوژی باشید، این دوره شما را به مهارت‌های عملی و درک فنی عمیقی مجهز می‌کند که برای طراحی، ساخت و استقرار نسل بعدی سیستم‌های LLM و Vision AI از صفر نیاز دارید.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

آشنایی با مدرس Meet Your Instructor

  • آشنایی با مدرس و بررسی کلی دوره Introduction to Your Instructor and Course Overview

درک هوش مصنوعی – از خاستگاه تا تاثیرات Understanding AI – From Origins to Impact

  • هوش مصنوعی چیست و چگونه تکامل یافته است What is AI and How It Has Evolved

نقشه راه جامع و دقیق یادگیری عمیق (Deep Learning) The Complete Detailed Roadmap of Deep learning

  • نقشه راه جامع و دقیق یادگیری عمیق The Complete Detailed Roadmap of Deep learning

نقشه راه جامع و دقیق پردازش زبان طبیعی (NLP) The Complete Detailed Roadmap of Natural Language Processing (NLP)

  • نقشه راه جامع و دقیق پردازش زبان طبیعی (NLP) The Complete Detailed Roadmap of Natural Language Processing (NLP)

نقشه راه جامع و دقیق هوش مصنوعی مولد (Gen AI) The Complete Detailed Roadmap of Generative AI (Gen Ai)

  • نقشه راه جامع و دقیق هوش مصنوعی مولد (Gen AI) The Complete Detailed Roadmap of Generative AI (Gen Ai)

راه‌اندازی محیط توسعه پایتون Environment Setup for Python Development

  • نصب پایتون Installing Python

  • راه‌اندازی VS Code برای توسعه پایتون VS Code Setup for Python Development

پروژه ۱: تولید تصویر با GAN سفارشی – ساخت و آموزش مدل Project #1: Custom GAN Image Generation — Build & Train Your Own Model

  • بخش ۱: تولید تصویر با GAN سفارشی – ساخت و آموزش مدل Part 1: Custom GAN Image Generation — Build & Train Your Own Model

  • بخش ۲: تولید تصویر با GAN سفارشی – ساخت و آموزش مدل Part 2: Custom GAN Image Generation — Build & Train Your Own Model

پروژه ۲: تولید تصویر با GAN پیش‌آموزش‌دیده – استقرار مدل SOTA Project #2: Pre-trained GAN Image Generation — Deploy SOTA Model

  • تولید تصویر با GAN پیش‌آموزش‌دیده – استقرار مدل SOTA Pre-trained GAN Image Generation — Deploy SOTA Model

پروژه ۳: استگانوگرافی با GAN – پنهان‌سازی متن در تصاویر Project #3: Steganography with GAN – Hide Text in Images

  • بخش ۱: پنهان‌سازی متن در تصاویر با GAN با استفاده از استگانوگرافی Part 1: GAN Based Text Hiding in Images Using Steganography

  • بخش ۲: پنهان‌سازی متن در تصاویر با GAN با استفاده از استگانوگرافی Part 2: GAN Based Text Hiding in Images Using Steganography

  • بخش ۳: پنهان‌سازی متن در تصاویر با GAN با استفاده از استگانوگرافی Part 3: GAN Based Text Hiding in Images Using Steganography

بررسی دقیق معماری ترنسفورمر (Transformer) Detailed Overview of the Transformer Architecture

  • درک معماری ترنسفورمر Understanding the Transformer Architecture

پروژه ۴: ساخت ترنسفورمر از صفر برای ترجمه ماشینی عصبی Project #4 Build a Transformer from Scratch for Neural Machine Translation

  • مبانی ترنسفورمر – ورودی‌ها و Positional Embeddings Transformer Basics –Input & Positional Embeddings

  • درک Layer Normalization و بلوک‌های Feedforward در ترنسفورمرها Understanding Layer Normalization & Feedforward Blocks In Transformers

  • توضیح مکانیزم Multi Head Attention در لایه‌های ترنسفورمر Transformer Layer-Mutli Head Attention Explained

  • توضیح تکنیک‌های آموزش ترنسفورمر Transformer Training Techniques Explained

  • استنتاج (Inference) با مدل‌های ترنسفورمر آموزش‌دیده Inference with Trained Transformer Models

پروژه ۵: ساخت چت‌بات با Gemma 2B – مدل و استقرار Project #5: Build a Chatbot with Gemma 2B – Model & Deployment

  • ساخت چت‌بات با Gemma 2B – مدل و استقرار Build a Chatbot with Gemma 2B – Model & Deployment

پروژه ۶: گفتگو با اسناد PDF با استفاده از BGE 1.5، Faiss و مدل PHI 2 Project #6: Chat With Your Own Pdf Document Using BGE 1.5, Faiss & PHI-2 LLM

  • توضیح مفهوم RAG و بررسی مدل BGE 1.5 RAG Explanation & BGE 1.5 Model Explanation

  • پیاده‌سازی Faiss و مفاهیم کلیدی Faiss-Implementation & Key Concepts

  • پیاده‌سازی مدل PHI 2 و توضیح کد استنتاج PHI-2 Model-Implementation & Inference Code Explanation

  • پیاده‌سازی نهایی چت و اجرای کد BGE 1.5، Faiss و PHI 2 Final Chat Implementation-BGE 1.5,Faiss & PHI-2 Code Execution

پروژه ۷: سیستم RAG با Llama 2 + LangChain + MPNet Embeddings Project #7: RAG System with Llama-2 + LangChain + MPNet Embeddings

  • بخش ۱: ساخت سیستم RAG با Llama 2، LangChain و MPNet Embeddings Part 1: Build a RAG System with Llama-2, LangChain, and MPNet Embeddings

  • بخش ۲: ساخت سیستم RAG با Llama 2، LangChain و MPNet Embeddings Part 2: Build a RAG System with Llama-2, LangChain, and MPNet Embeddings

پروژه ۸: چت‌بات RAG برای اسناد خط‌مشی (BGE + Faiss + Llama 3) Project #8: RAG Chatbot for Policy Documents (BGE + Faiss + Llama 3)

  • پروژه RAG با BGE، Faiss و Llama 3 – توضیح پروژه RAG Project-BGE,Faiss & Llama-3 Project Explanation

  • پروژه RAG با BGE، Faiss و Llama 3 – توضیح کد و اجرا RAG Project-BGE,Faiss & Llama-3 Code Explanation & Execution

پروژه ۹: تولید تصویر با Stable Diffusion – کدنویسی و پرامپت‌ها Project #9: Stable Diffusion Image Generation – Code & Prompts

  • توضیح پیاده‌سازی کد Stable Diffusion Stable Diffusion-Code Implementation Explanation

  • اجرای کد Stable Diffusion با پرامپت‌های مختلف Stable Diffusion-Code Execution with Prompts

پروژه ۱۰: جستجوی شباهت تصویر و متن با CLIP، Faiss و Milvus Project #10: Image & Text Similarity Search with CLIP, Faiss & Milvus

  • جستجوی شباهت تصویر و متن با CLIP، Faiss و مجموعه‌داده COCO Image & Text Similarity Search-CLIP, Faiss & COCO Dataset

  • جستجوی شباهت تصویر و متن – CLIP، Faiss و استنتاج روی COCO Image & Text Similarity Search – CLIP, Faiss & Inference on COCO Dataset

  • شباهت تصویر و متن – CLIP، Milvus و مجموعه‌داده COCO Image & Text Similarity –CLIP,Milvus & COCO Dataset

  • شباهت تصویر و متن – CLIP Embeddings، ایندکس‌گذاری Milvus و استنتاج روی COCO Image & Text Similarity – CLIP Embeddings, Milvus Indexing & Inference on COCO

پروژه ۱۱: سیستم جستجوی هوشمند ویدیو با VILA 2.0، T5 و Milvus Project #11: Smart Video Search System using VILA-2.0, T5 & Milvus

  • بخش ۱: سیستم جستجوی هوشمند ویدیو با مدل VLM VILA 2.0، T5 و Milvus Part 1: Smart Video Search System Using VILA-2.0 VLM Model, T5 & Milvus

  • بخش ۲: سیستم جستجوی هوشمند ویدیو با مدل VLM VILA 2.0، T5 و Milvus Part 2: Smart Video Search System Using VILA-2.0 VLM Model, T5 & Milvus

  • بخش ۳: سیستم جستجوی هوشمند ویدیو با مدل VLM VILA 2.0، T5 و Milvus Part 3: Smart Video Search System Using VILA-2.0 VLM Model, T5 & Milvus

  • بخش ۴: سیستم جستجوی هوشمند ویدیو با مدل VLM VILA 2.0، T5 و Milvus Part 4: Smart Video Search System Using VILA-2.0 VLM Model, T5 & Milvus

  • بخش ۵: سیستم جستجوی هوشمند ویدیو با مدل VLM VILA 2.0، T5 و Milvus Part 5: Smart Video Search System Using VILA-2.0 VLM Model, T5 & Milvus

مفاهیم تکمیلی – Auto Encoders و Variational Auto Encoders Additional Concepts – Auto Encoders & Variational Auto Encoders

  • درک Auto Encoders و Variable Auto Encoders Auto Encoders and Variable Auto Encoders Understanding

  • درک تابع هزینه Auto Encoder (MSE + BCE) Understanding Auto Encoder Loss Function (MSE+BCE)

تکمیلی – پروژه ۱۲: حذف نویز تصویر با Auto Encoder در TensorFlow و PyTorch Additional – Project #12: Auto Encoder Image Denoising with TensorFlow & PyTorch

  • بخش ۱: حذف نویز تصویر با Auto Encoders در TensorFlow و PyTorch Part 1: Auto Encoders Based Image Denoising with Tensorflow and Pytorch

  • بخش ۲: حذف نویز تصویر با Auto Encoders در TensorFlow و PyTorch Part 2: Auto Encoders Based Image Denoising with Tensorflow and Pytorch

پروژه تکمیلی ۱۳: حذف نویز تصویر با Variable Auto Encoders در PyTorch Additional Project #13: Variable Auto Encoders Image Denoising Using PyTorch

  • بخش ۱: حذف نویز تصویر با Variable Auto Encoders در PyTorch Part 1 : Variable Auto Encoders Based Image Denoising Using Pytorch

  • بخش ۲: حذف نویز تصویر با Variable Auto Encoders در PyTorch Part 2: Variable Auto Encoders Based Image Denoising Using Pytorch

نمایش نظرات

آموزش دوره جامع تسلط بر هوش مصنوعی مولد: LLM، RAG و اپلیکیشن‌های Vision
جزییات دوره
8.5 hours
46
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,231
4.9 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

Muhammad Yaqoob G Muhammad Yaqoob G

بنیان‌گذار ScratchLearn