نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
مبانی AI-Agents: OpenAI API، Gemini API، LLM های منبع باز، GPT-4o، RAG، برنامه های LangChain، Colab، عملکرد مهندسی سریع LLM: پارامترها، وزن ها، استنتاج و شبکه های عصبی درک عملکرد شبکه های عصبی شبکه های عصبی با توکنها در معماری ترانسفورماتور LLM و ترکیبی از متخصصان تنظیم دقیق و ایجاد آموزش تقویتی مدل دستیار (RLHF) در LLMs قوانین مقیاسبندی LLM: GPU و دادهها برای بهبود قابلیتها و پیشرفتهای آینده LLMs استفاده از ابزارهای Calculator:M. کتابخانههای پایتون، و چندوجهی و پردازش بصری بیشتر با LLMs چندوجهی در زبان بهعنوان فیلم «Her» سیستمهای تفکر و چشماندازهای آینده برای خود-بهبودی LLMs پس از AlphaGo (خود-بهبودی) امکانات بهبود: درخواستها، RAGt، و استفاده موثر از LLM با زنجیره فکر و درخت افکار، ترغیب و انطباق بیشتر LLM ها از طریق اعلان های سیستم و شخصی سازی با حافظه بلند مدت ChatGPT با حافظه بلند مدت با RAG و GPT فروشگاه GPT: هر آنچه که باید با استفاده از GPT برای تجزیه و تحلیل داده ها، فایل های PDF بدانید یا جاسازیهای برنامهنویسی تتریس و پایگاههای داده برداری برای RAG ادغام اقدامات Zapier در GPTs مبانی API منبع باز در مقابل LLMs منبع بسته استفاده از Google Gemini API و Claude API Microsoft Copilot و استفاده از آن در Microsoft 365 GitHub Copilot برای برنامههای Copilot: The So OpenAI API: ویژگیها، مدلهای قیمتگذاری، و هر آنچه که باید درباره OpenAI API بدانید، از جمله معرفی ایجاد برنامه در Google Colab برای تماسهای API به OpenAI ایجاد برنامههای هوش مصنوعی و چت رباتها با Langchain، Flowise، Vectorshift، LangGraph، CrewAI، Autogen، Langflow و موارد دیگر ایجاد عوامل هوش مصنوعی برای وظایف مختلف مانند Contetn در رسانه های اجتماعی با آژانس Swarm و Langchain Agents Security در LLMs: Jailbreaks و Prompt Injections و بیشتر مقایسه بهترین LLMs Google Gemini در رابط استاندارد و Google Labs با NotebookLM Claude توسط Anthropic: نمای کلی همه چیز درباره Perplexity و POE OpenAI Playground: ویژگیها، حساب صورتحساب و دمای LLMs Google Gemini API: تجزیه و تحلیل ویدیو و بیشتر LLMهای منبع باز: مدلها و استفاده از Llama 3، Mixtral، Command R+، و بسیاری موارد دیگر HuggingChat: رابط برای Open- منبع LLM اجرای LLM های محلی با Ollama و ساخت ربات های چت محلی راگ Groq: سریع ترین رابط با LPU نصب LM Studio برای استفاده از منبع باز محلی مانند Llama3 LLM برای حداکثر امنیت با استفاده از مدل های منبع باز در LM Studio و سانسور شده در مقابل FLLsM. تنظیم یک مدل منبع باز با Huggingface ایجاد برنامه های خود از طریق API در Google Colab با Dall-E، Whisper، GPT-4o، Vision، و موارد دیگر Microsoft Autogen for AI Agents CrewAI for AI Agents Flowise with LangChain Function Calling OpenAI Assistant API با تابع فراخوانی AI-Agents در چارچوب های مختلف با منبع باز LLM به عنوان امنیت ChatBot در LLM ها و روش هایی برای هک LLM ها آینده LLM ها به عنوان سیستم عامل در ربات ها و رایانه های شخصی پیش نیازها: بدون نیاز به دانش قبلی، همه چیز گام به گام نشان داده خواهد شد. .
آیا تا به حال به این فکر کرده اید که چگونه مدل های زبان بزرگ (LLM) جهان را متحول می کنند و فرصت های بی سابقه ای ایجاد می کنند؟
ریچارد بالدوین میگوید: «هوش مصنوعی کار شما را نمیگیرد، اما کسی که میداند چگونه از هوش مصنوعی استفاده کند، ممکن است.
آیا آمادهاید تا بر پیچیدگیهای LLM مسلط شوید و از پتانسیل کامل آنها برای کاربردهای مختلف، از تجزیه و تحلیل دادهها گرفته تا ایجاد رباتهای گفتگو و عوامل هوش مصنوعی استفاده کنید؟
پس این دوره برای شماست!
در "تسلط LLM: ChatGPT، Gemini، Claude، Llama3، OpenAI API" غوطه ور شوید — جایی که مفاهیم اساسی و پیشرفته LLM، معماری آنها و کاربردهای عملی را بررسی خواهید کرد. درک و مهارت های خود را تغییر دهید تا در انقلاب هوش مصنوعی رهبری کنید.
این دوره برای توسعه دهندگان، دانشمندان داده، علاقه مندان به هوش مصنوعی و هر کسی که می خواهد در خط مقدم فناوری LLM باشد عالی است. چه بخواهید شبکههای عصبی را درک کنید، مدلهای هوش مصنوعی را تنظیم کنید یا برنامههای کاربردی مبتنی بر هوش مصنوعی را توسعه دهید، این دوره هر آنچه را که نیاز دارید ارائه میدهد.
چه چیزی در این دوره انتظار می رود:
دانش جامع LLM:
درک LLM: در مورد پارامترها، وزن ها، استنتاج و شبکه های عصبی بیاموزید.
شبکههای عصبی: نحوه عملکرد شبکههای عصبی با توکنها در LLM را بدانید.
معماری ترانسفورماتور: معماری ترانسفورماتور و ترکیبی از متخصصان را کاوش کنید.
تنظیم دقیق: فرآیند تنظیم دقیق و توسعه مدل دستیار را درک کنید.
یادگیری تقویتی (RLHF): با بازخورد انسانی در یادگیری تقویتی فرو بروید.
تکنیک های پیشرفته و روندهای آینده:
قوانین مقیاسبندی: درباره قوانین مقیاسبندی LLMها، از جمله بهبودهای GPU و دادهها، بیاموزید.
آینده LLM: قابلیت ها و پیشرفت های آینده در فناوری LLM را کشف کنید.
پردازش چندوجهی: درک چندوجهی و پردازش بصری با LLMها، با الهام از فیلمهایی مانند "H".
مهارت ها و برنامه های کاربردی:
استفاده از ابزار: از ابزارهایی با LLMها مانند ماشین حساب و کتابخانه های پایتون استفاده کنید.
تفکر سیستمی: به تفکر سیستمی و چشم اندازهای آینده برای LLMها بپردازید.
خود-بهبودی: روش های خود-بهبودی را با الهام از AlphaGo بیاموزید.
تکنیکهای بهینهسازی: عملکرد LLM را با اعلانها، RAG، فراخوانی تابع و سفارشیسازی افزایش دهید.
مهندسی سریع:
اعلانهای پیشرفته: تکنیکهایی مانند درخواست زنجیره فکر و درخت افکار را مسلط کنید.
سفارشی سازی: LLM ها را با درخواست های سیستم سفارشی کنید و با حافظه ChatGPT شخصی سازی کنید.
حافظه بلند مدت: RAG و GPT را برای قابلیتهای حافظه بلندمدت پیادهسازی کنید.
API و مهارت های یکپارچه سازی:
مبانی API: اصول استفاده از API از جمله OpenAI API، Google Gemini و Claude API را بدانید.
Microsoft و GitHub Copilot: از Microsoft Copilot در 365 و GitHub Copilot برای برنامه نویسی استفاده کنید.
تسلط OpenAI API: قابلیت ها، مدل های قیمت گذاری، و ایجاد برنامه را با OpenAI API کاوش کنید.
توسعه برنامه هوش مصنوعی:
Google Colab: فراخوانی های API به OpenAI با Google Colab را بیاموزید.
عوامل هوش مصنوعی: عوامل هوش مصنوعی را برای وظایف مختلف در چارچوب های LangChain مانند Langgraph، Langflow، Vectorshift، Autogen، CrewAI، Flowise و موارد دیگر ایجاد کنید.
امنیت: با روشهایی برای جلوگیری از جیلبریک و تزریق سریع، امنیت را تضمین کنید.
بینش مقایسه ای:
مقایسه LLMهای برتر: بهترین LLMها، از جمله Google Gemini، کلود، و موارد دیگر را مقایسه کنید.
مدلهای منبع باز: مدلهای منبع باز مانند Llama 3، Mixtral، و Command R+ را با امکان اجرای هر چیزی به صورت محلی روی رایانه شخصی خود برای حداکثر امنیت، کاوش و استفاده کنید.
کاربردهای عملی:
پایگاههای داده جاسازی و برداری: جاسازیها را برای RAG پیادهسازی کنید.
یکپارچه سازی Zapier: اقدامات Zapier را در GPT ها ادغام کنید.
LLMهای منبع باز: برای حداکثر امنیت، LM Studio را برای LLMهای منبع باز محلی نصب و استفاده کنید.
تنظیم دقیق مدل: مدلهای منبع باز را با Huggingface تنظیم کنید.
توسعه برنامه مبتنی بر API: برنامههایی را با DALL-E، Whisper، GPT-4o، Vision و موارد دیگر در Google Colab ایجاد کنید.
ابزارها و عوامل نوآورانه:
Microsoft Autogen: از Microsoft Autogen برای توسعه عوامل هوش مصنوعی استفاده کنید.
CrewAI: عوامل هوش مصنوعی را با CrewAI توسعه دهید.
LangChain: چارچوب را با بخش هایی مانند LangGraph، LangFlow و موارد دیگر درک کنید.
Flowise: Flowise را با فراخوانی تابع و LLM منبع باز به عنوان ربات چت پیاده سازی کنید.
ملاحظات اخلاقی و امنیتی:
امنیت LLM: اقدامات امنیتی را برای جلوگیری از هک کردن درک کرده و اعمال کنید.
آینده LLM ها: پتانسیل LLM ها را به عنوان سیستم عامل در روبات ها و رایانه های شخصی کاوش کنید.
این دوره برای هر کسی که به دنبال کاوش عمیق تر در دنیای LLM است ایده آل است - از توسعه دهندگان و خلاقان گرفته تا کارآفرینان و علاقه مندان به هوش مصنوعی.
از قدرت تحول آفرین فناوری LLM برای توسعه راه حل های نوآورانه و گسترش درک خود از کاربردهای متنوع آنها استفاده کنید.
در پایان «تسلط LLM: ChatGPT، Gemini، Claude، Llama3، APIهای OpenAI» شما درک جامعی از LLMها، کاربردهای آنها و مهارتهای استفاده از قدرت آنها برای اهداف مختلف خواهید داشت. اگر آماده هستید که سفری متحول کننده به هوش مصنوعی داشته باشید و خود را در خط مقدم این انقلاب فناوری قرار دهید، این دوره برای شما مناسب است.
امروز ثبت نام کنید و سفر خود را برای تبدیل شدن به یک متخصص در دنیای مدل های زبان بزرگ آغاز کنید!
سرفصل ها و درس ها
مقدمه و بررسی اجمالی
Introduction and Overview
خوش آمدید
Welcome
بررسی اجمالی دوره
Course Overview
هدف من و چند نکته
My Goal and Some Tips
توضیح لینک ها و دانلودها
Explanation of Links and Downloads
لینک های مهم
Important Links
نحوه کار LLM ها: پارامترها، وزن ها، استنتاج، شبکه های عصبی و موارد دیگر
How LLMs Work: Parameters, Weights, Inference, Neural Networks & More
این بخش در مورد چیست؟
What This Section Is About?
یک LLM فقط از دو فایل پارامتر فایل و چند خط کد تشکیل شده است
An LLM Consists of Only Two Files Parameter File and a Few Lines of Code
چگونه پارامترها ایجاد می شوند قبل از آموزش (آموزش اولیه LLM)
How Are the Parameters Created Pretraining (Initial Training of the LLM)
شبکه عصبی چیست و چگونه کار می کند؟
What Is a Neural Network and how it works?
چگونه یک شبکه عصبی در یک LLM با توکن ها کار می کند
How a Neural Network Works in an LLM with Tokens
معماری ترانسفورماتور به طور کامل درک نشده است (هنوز؟)
The Transformer Architecture Is Not Fully Understood (Yet?)
سایر امکانات معماری ترانسفورماتور: توضیح ترکیبی از کارشناسان
Other Possibilities of the Transformer Architecture: Mixture of Experts Explaied
بعد از پیشآموزش، تنظیم دقیق میآید: مدل دستیار ایجاد میشود
After Pretraining Comes Finetuning: The Assistant Model Is Created
مرحله نهایی: یادگیری تقویتی (RLHF)
The Final Step: Reinforcement Learning (RLHF)
قوانین مقیاس LLM: برای بهبود LLM، ما فقط به دو چیز نیاز داریم، GPU و داده
LLM Scaling Laws: To Improve LLM, We Only Need Two Things, GPU & Data
نقد و بررسی: آنچه تاکنون یاد گرفته اید
Review: What Have You Learned So Far
قابلیت های اضافی LLM و پیشرفت های آینده
Additional Capabilities of LLMs & Future Developments
این بخش در مورد چه چیزی است
What This Section Is About
LLM ها می توانند از ابزارهای مختلفی مانند ماشین حساب، کتابخانه های پایتون و غیره استفاده کنند.
LLMs Can Use Various Tools, Like Calculators, Python Libraries, etc.
چندوجهی، پردازش بصری (دید)، و تشخیص تصویر
Multimodality, Visual Processing (Vision), and Image Recognition
چندوجهی با زبانی مانند فیلم "Her"
Multimodality with Language Like in the Movie "Her"
چه اتفاقی ممکن است در آینده بیفتد؟ تفکر سیستمی! [تفکر سریع و آهسته]
What Could Happen in the Future? Systems Thinking! [Thinking Fast and Slow]
خودسازی با الهام از AlphaGo
Self-Improvement Inspired by AlphaGo
راههای دیگر برای بهبود LLM: درخواستها، RAG، سفارشیسازی/اعلامهای سیستم
Further Ways to Improve LLMs: Prompts, RAG, Customization/System Prompts
LLM به عنوان سیستم عامل جدید: آینده چگونه می تواند باشد
LLMs as the New Operating System: What the Future Could Look Like
بررسی: آنچه در این بخش آموخته اید
Review: What Have You Learned in This Section
مهندسی سریع: استفاده موثر از LLM در رابط استاندارد
Prompt Engineering: Effective Use of LLMs in the Standard Interface
این بخش درباره چه چیزی است و رابط LLM ها
What This Section Is About and the Interface of LLMs
محدودیت توکن چیست و چرا مهم است
What is the Token Limit and why is it important
چرا مهندسی سریع مهم است؟ یک مثال!
Why Is Prompt Engineering Important? An Example!
مبانی مهندسی سریع: انجمن معنایی
Prompt Engineering Basics: Semantic Association
مهندسی سریع برای LLM: ساده ترین استراتژی ها (اعلان های ساختاریافته)
Prompt Engineering for LLMs: The Simplest Strategies (Structured Prompts)
3 "هک" مهم برای Prompt Engineering و Instruction Pormpting
3 Important "hacks" for Prompt Engineering and the Instruction Pormpting
درخواست نقش در ChatGPT و سایر LLM ها
Role Prompting in ChatGPT and other LLMs
اعلان شات: شات صفر، یک شات و چند شات
Shot Prompting: Zero-Shot, One-Shot und Few-Shot
مهندسی سریع معکوس و ترفند "OK".
Reverse Prompt Engineering and the "OK" Trick
تحریک زنجیره ای فکر: گام به گام تا رسیدن به هدف
Chain of Thought Prompting: Step by Step to the Goal
ترغیب درخت افکار (ToT).
Tree of Thoughts (ToT) Prompting
ترکیبی از مفاهیم انگیزشی
The Combination of Prompting Concepts
موارد استفاده در دنیای واقعی برای مدل های زبان بزرگ
Real-World Use Cases for Large Language Models
مرور و کمی تکلیف
Review and a bit of Homework
سفارشی سازی LLM: درخواست های سیستم، حافظه، RAG و ایجاد مدل های خبره یا GPT
LLM Customization: System Prompts, Memory, RAG & Creating Expert Models or GPTs
این بخش در مورد چه چیزی است
What This Section Is About
ساده ترین شکل شخصی سازی: حافظه ChatGPT
The Simplest Form of Personalization: ChatGPT Memory
سفارشی سازی از طریق فرمان های سیستم و دستورالعمل های سفارشی
Customization Through System Prompts and Custom Instructions
یادگیری درون متنی: حافظه کوتاه مدت تا حد امکان ساده
In-Context Learning: Short-Term Memory as Simple as Possible
یادگیری درون متنی: "حافظه کوتاه مدت" اما کارآمد با SPR
In-Context Learning: "The Short-Term Memory" but Efficient with SPR
جاسازی ها و پایگاه های داده برداری برای RAG: توضیح مفصل
Embeddings and Vector Databases for RAG: A Detailed Explanation
حافظه بلند مدت با RAG: تا حد امکان ساده با GPT و RAG
Long-Term Memory with RAG: As Simple as Possible with GPTs & RAG
فروشگاه GPT: هر آنچه که باید بدانید و آزمایش GPT برای کد، PDF و YT
The GPT Store: Everything You Need to Know & Testing of GPTs for Code, PDFs & YT
سه راه برای کسب درآمد با GPT
Three ways to make Money with GPTs
اول: برای تولید لیدها از GPT به یک نمایه ساز نیاز دارید
First: You need a Builder Profile to generate Leads from GPTs
یک GPT با دانش ایجاد کنید که میتواند سرنخ ایجاد کند و فروش بالایی ایجاد کند
Create a GPT with Knowledge that can generate Leads and makes Upsells
API چیست؟
What is a API?
اقدامات Zapier در GPT: Gmail، Google Docs و موارد دیگر را با Zapir API خودکار کنید
Zapier Actions in GPTs: Automate Gmail, Google Docs, & more with the Zapir API
چگونه هر API را در GPT خود ادغام کنیم
How to Integrate Every API in your GPT
خلاصه: آنچه در این بخش آموخته اید
Summary: What You Have Learned in This Section
LLM های منبع بسته: مروری بر مدل های موجود و نحوه استفاده از آنها
Closed-Source LLMs: An Overview of Available Models and how to use them
منبع باز در مقابل LLM های منبع بسته
Open-Source vs. Closed-Source LLMs
تفاوت چیست: پارامترها، معماری، اندازه پیش آموزش و موارد دیگر
What is the difference: Parameters, Architecture, Pretraining size & more
Google Gemini در رابط استاندارد: هر آنچه که باید بدانید
Google Gemini in the Standard Interface: Everything you need to know
Google Labs با NotebookLM: بهترین روش برای یادگیری کتاب
Google Labs with NotebookLM: The Best Method to Learn Books
کلود توسط آنتروپیک: یک مرور کلی
Claude by Anthropic: An Overview
شرکتهای پیشرو OpenAI، Google و Anthropic هستند: بسیاری از آنها بر اساس آنها ساخته میشوند
The Leading Companies Are OpenAI, Google & Anthropic: Many Are Building on Them
گیجی: مزایا و معایب و کاربردها
Perplexity: Advantages and Disadvantages, and Applications
پو، پلتفرم همه کاره همه کاره
Poe, The Versatile All-in-One Platform
Microsoft Copilot چیست: چگونه کار می کند و آیا داده های من ذخیره می شود؟
What is the Microsoft Copilot: How it works and is my Data Save?
استفاده از Microsoft Copilot در رابط وب
Using Microsoft Copilot in the Web Interface
رایانه های شخصی مایکروسافت Copilot
Microsoft Copilot PCs
Microsoft 365: تفاوت بین اشتراک رایگان و پولی
Microsoft 365: Differences Between Free and Paid Subscription
اشتراک Copilot مناسب و یک جایگزین رایگان.
The Right Copilot Subscription and a Free Alternative.
Copilot در Microsoft Word: سریعتر از همیشه بنویسید
Copilot in Microsoft Word: Write Faster Than Ever
Copilot در Microsoft PowerPoint: The Quick Presentation
Copilot in Microsoft PowerPoint: The Quick Presentation
Copilot در Microsoft Outlook: ایمیل های خود را سریعتر بنویسید و به آنها پاسخ دهید
Copilot in Microsoft Outlook: Write and Reply to Your Emails Faster
Copilot در Microsoft Excel: امکانات بزرگ اما هنوز کمی زود است
Copilot in Microsoft Excel: Big Possibilities but Still a Bit Early
Microsoft Copilot GPT: چت ربات شخصی خود را ایجاد کنید
Microsoft Copilot GPT: Create your own personalized ChatBots
GitHub Copilot: راه حل هوش مصنوعی برای برنامه نویسان
GitHub Copilot: The AI Solution for Programmers
نتیجه گیری در مورد Microsoft Copilot
Conclusion on Microsoft Copilot
بررسی LLM های منبع بسته
Review of the Closed-Source LLMs
APIهای LLMهای منبع بسته
APIs of Closed-Source LLMs
این در مورد چیست؟ APIهای LLMهای منبع بسته
What Is This About? APIs of Closed-Source LLMs
مروری بر OpenAI API
Overview of the OpenAI API
مدل های قیمت گذاری OpenAI API
Pricing Models of the OpenAI API
مهم: نمای کلی زمین بازی OpenAI و حساب صورتحساب
Important: OpenAI Playground overview and Billing Account
اقدام OpenAI Playgroundin
The OpenAI Playgroundin action
Google Gemini API: تجزیه و تحلیل ویدیو و سایر ویژگی ها
The Google Gemini API: Video Analysis and Other Features
API Anthropic برای مدلهای کلود
The Anthropic API for the Claude Models
خلاصه ای از APIهای منبع بسته
Summary of the Closed-Source APIs
LLM های منبع باز: مدل های موجود و استفاده از آنها در Claude & Locally
Open-Source LLMs: Available Models and Their Use in the Claude & Locally
LLM های منبع باز چیست و کدام یک در دسترس هستند
What Are Open-Source LLMs and Which Ones Are Available
صورت در آغوش گرفته: مقدمه
Huggingface: An Introduction
HuggingChat: رابطی برای استفاده از LLMهای منبع باز با فراخوانی تابع
HuggingChat: An Interface for Using Open-Source LLMs with Function Calling
Groq: سریعترین رابط با LPU به جای GPU
Groq: The Fastest Interface with an LPU Instead of a GPU
نصب LM Studio برای Opensource LLM: به GPU، CPU، Cuda، Ram نیاز دارید
Installation of LM Studio for Opensource LLMs: You need GPU, CPU, Cuda, Ram
استفاده از مدلهای منبع باز در LM Studio: Llama3، Mistral. Phi-3 و بیشتر
Using Open-Source Models in LM Studio: Llama3, Mistral; Phi-3 & more
LLM های سانسور شده در مقابل LLM های بدون سانسور (Llama3 Dolphin)
Censored vs. Uncensored LLMs (Llama3 Dolphin)
راه اندازی سرور محلی خود با LM Studio
Setting Up Your Own Local Server with LM Studio
تنظیم دقیق یک مدل منبع باز با Huggingface یا Google Colab
Finetuning an Open-Source Model with Huggingface or Google Colab
Grok از xAI
Grok from xAI
به روز رسانی (آگوست 2024): اطلاعات Llama 3.1 و مدل هایی که باید استفاده کنید
UPDATE (AUGUST 2024): Llama 3.1 Infos and What Models should you use
آنچه شما باید به یاد داشته باشید
What You Should Remember
اولین قدم برای ایجاد برنامه های خود از طریق API در Google Colab
First Steps to Creating Your Own Apps via APIs in Google Colab
این بخش درباره چیست
What Is This Section About
بررسی اجمالی GitHub: چرا باید یک حساب داشته باشید
GitHub Overview: Why You Should Have an Account
مقدمه ای بر Google Colab
Introduction to Google Colab
آنچه در Google Colab ایجاد خواهید کرد
What You Will Create in Google Colab
اولین فراخوان API ما به OpenAI در Google Colab (تولید متن)
Our First API Call to OpenAI in Google Colab (Text Generation)
DALL-E از طریق OpenAI API در Google Colab (تولید تصویر)
DALL-E via the OpenAI API in Google Colab (Image Generation)
تبدیل متن به گفتار (TTS) با OpenAI API در Google Colab
Text-to-Speech (TTS) with the OpenAI API in Google Colab
رونویسی با Whisper از طریق OpenAI API در Google Colab
Transcribing with Whisper via the OpenAI API in Google Colab
تشخیص تصویر با Vision از طریق OpenAI API در Google Colab
Image Recognition with Vision via the OpenAI API in Google Colab
مروری بر کل نوت بوک شما و چند ترفند
Overview of Your Entire Notebook and a few tricks
آنچه شما در اینجا آموخته اید
What You Have Learned Here
برنامه ها، چت ربات ها و عوامل هوش مصنوعی: چیزهای جالبی برای اتوماسیون و سرگرمی بسازید
Apps, Chatbots, and AI Agents: Build cool Stuff for Automation and FUN
عوامل هوش مصنوعی: تعریف و ابزارهای موجود برای ایجاد برنامهها و کمککنندگان
AI Agents: Definition and Available Tools for Creating Apps and Helpers
رابط Vectorshift برای عوامل هوش مصنوعی و برنامه های هوش مصنوعی
The Vectorshift Interface for AI Agents and AI Apps
راه آسان برای ساخت چت بات در Vectorshift
The easy way to make a ChatBot in Vectorshift
دانش از طریق RAG: آموزش عامل هوش مصنوعی در مورد داده ها با به روز رسانی خودکار
Knowledge Through RAG: Training the AI Agent on Data with Automatic Updates
استقرار ربات: به عنوان یک برنامه مستقل، در WhatsApp، Slack یا در وب سایت ها
Bot Deployment: As a Standalone App, in WhatsApp, Slack, or on Websites
مروری بر یک عامل هوش مصنوعی با چندین متخصص در Vectorshift
Overview of a AI Agent with Multiple Experts in Vectorshift
Langchain، Langflow، CrewAI، Autogen... چه چیزی نیاز دارم و آیا پایتون مهم است؟
Langchain, Langflow, CrewAI, Autogen.... What Do I Need and is Python important?
سه راه برای اجرای Flowise: به صورت محلی با Node.js یا خارجی در Claude
Three Ways to Run Flowise: Locally with Node.js or Externally in the Claude
نصب Flowise با Node.js (محیط زمان اجرا جاوا اسکریپت)
Installing Flowise with Node.js (JavaScript Runtime Environment)
رابط Flowise: سادهتر از langflow، مبتنی بر Langchain و LangGraph
The Flowise Interface: Simpler Than langflow, builds on Langchain & LangGraph
مثالی برای چت بات: زنجیره پرسش و پاسخ، حافظه و RAG با پایگاه داده Vector
A Example for a Chatbot: Q&A Chain, Memory & RAG with Vectordatabase
فراخوانی تابع، حافظه و RAG: با OpenAI Assistant API ساده شده است
Function Calling, Memory & RAG: Simplified with the OpenAI Assistant API
نصب Olama، دانلود Llama3 و میزبانی آن بر روی یک سرور محلی
Installation of Ollama, downloading Llama3, and hosting it on a local server
چت ربات محلی RAG با Llama3 و Ollama: یک برنامه محلی Langchain
Local RAG Chatbot with Llama3 & Ollama: A Local Langchain App
عوامل هوش مصنوعی مانند Langchain + LangGraph یا Autogen & CrewAI (با Flowise)
AI Agents Like with Langchain + LangGraph or Autogen & CrewAI (with Flowise)
عامل هوش مصنوعی Langchain-Style با کارشناسان مختلف برای رسانه های اجتماعی، ریاضی و کد
Langchain-Style AI Agent with different Experts for Social Media, Math and Code
از نماینده خود به عنوان یک برنامه کاربردی مستقل استفاده کنید
Use your Agent as a standalone Application
میزبانی ربات های چت برای مشتریان به صورت خارجی در رندر (میزبان ابری)
Hosting Chatbots for Customers Externally on Render (Cloud Hosting)
یک ربات چت را در وب سایت ها جاسازی کنید: HTML، WordPress، Shopify Page و موارد دیگر
Embed a Chatbot into Websites: HTML, WordPress, Shopify Page & More
نکات جریان: دریافت لیدها، نقاط پایانی API، تشخیص گفتار و موارد دیگر
Flowise Tips: Getting Leads, API Endpoints, Speech Recognition & More
ایجاد یک چت بات رایگان با مدل ها و ابزارهای منبع باز: مخلوط Mistral
Creating a Free Chatbot with Open-Source Models and Tools: Mistral Mixture
استنتاج بسیار سریع با Groq API
Insanely fast inference with the Groq API
بازار را بررسی کنید: If Else Chain و بیشتر
Check Out the Marketplace: If Else Chain and More
مروری بر Microsoft Autogen، CrewAI و Agency Swarm در Github
Overview of Microsoft Autogen, CrewAI and Agency Swarm on Github
مرور و آنچه باید انجام دهید!
Review and What You Should Do!
امنیت LLM: حق چاپ، حقوق، فرار از زندان، و تزریق سریع
LLM Security: Copyrights, Rights, Jailbreaks, and Prompt Injections
چه چیزی در این بخش پوشش داده شده است؟
What Is Covered in This Section?
Jailbreaks: روشی برای هک LLM ها با درخواست.
Jailbreaks: A Method to Hack LLMs with Prompts.
تزریق سریع: یکی دیگر از آسیب پذیری های امنیتی LLM ها
Prompt Injections: Another Security Vulnerability of LLMs
مسمومیت داده ها و حملات درب پشتی
Data Poisoning and Backdoor Attacks
حق چاپ: آیا می توانید محتوای تولید شده با هوش مصنوعی را بفروشید؟
Copyrights: Can you Sell AI generated Content?
تضمین ایمنی شخصی: چگونه از داده های من استفاده می شود؟
Ensuring Personal Safety: How Will My Data Be Used?
قوانین پلت فرم و آشکارسازهای هوش مصنوعی: اجازه ندهید ماشین ها شما را فریب دهند
Platform Rules & AI Detectors: Don't let machines fool you
هوش مصنوعی اخلاقی: مزایا، خطرات و معایب
Ethical AI: Benefits, Risks and Downsides
نقد و بررسی: آنچه را که نباید فراموش کنید
Review: What You Should Not Forget
تست مقایسه: بهترین LLM چیست؟
Comparison Test: What Is the Best LLM?
بهترین LLM چیست؟
What Is the Best LLM?
Finetuning LLM: OpenAI API و Google Colab
Finetuning LLMs: OpenAI API and Google Colab
تنظیم دقیق GPT-3.5، Llama 3، یا Mistral از طریق OpenAI API یا Google Colab
Fine-tuning GPT-3.5, Llama 3, or Mistral via the OpenAI API or Google Colab
بخش اختیاری: برنامه های افزودنی Chrome برای ChatGPT و LLM
OPTIONAL SECTION: Chrome Extensions for ChatGPT & LLMs
بخش اختیاری
OPTIONAL SECTION
برنامههای افزودنی Chrome به شما کمک میکند در هزینه، زمان و کارآمدی بیشتر صرفهجویی کنید
Chrome Extensions will help you save Money, Time and be more efficient
برنامه های افزودنی کروم چیست و چگونه از آنها استفاده کنیم
What are Crome Extensions & how to use them
خلاصه یوتیوب با ChatGPT
Youtube Summary with ChatGPT
برنامه های افزودنی کروم: مدیریت AI-Prompt برای مهندسی سریع سریع
Chrome Extensions: AI-Prompt Management for fast Prompt Engineering
هوش مصنوعی مرلین به عنوان افزونه کروم
Merlin AI as Chrome Extension
برنامه افزودنی Chrome برای شمارش رمز شما در ChatGPT
Chrome Extension for counting your Token in ChatGPT
مشکل محدودیت رمز توسط مایکروسافت حل شد
Token Limit Problem Solved by Microsoft
مروری بر افزونههای زیباتر Chrome
Overview of more nice Chrome Extensions
نتیجهگیری برنامههای افزودنی Google Chrome برای ChatGPT
Conclusions of Google Chrome Extensions for ChatGPT
آینده: LLM به عنوان سیستم عامل در ربات ها و رایانه های شخصی: بعد چه می شود؟
The Future: LLMs as Operating Systems in Robots & PCs: What Comes Next?
LLM به عنوان سیستم عامل در ربات ها و رایانه های شخصی؟
LLMs as Operating Systems in Robots and PCs?
نگاهی به آینده: آیا ما این بار اسب هستیم؟
A Look into the Future: Are We the Horses This Time??
درک هوش مصنوعی، AGI، ASI و رشد تصاعدی
Understanding AI, AGI, ASI and Exponential Growth
وقتی به AGI/ASI برسیم چه اتفاقی می افتد و آیا هوش مصنوعی جایگزین همه مشاغل می شود؟
What Happens When We Reach AGI/ASI & Will AI Replace All Jobs?
با تشکر من، خلاصه و آنچه بعدا می آید
My Thanks, Recap & What Comes Next
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
نمایش نظرات