لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
کارگاه هوش مصنوعی: توسعه پیشرفته چت بات
AI Workshop: Advanced Chatbot Development
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
کسبوکارها به طور فزایندهای به راهحلهای مبتنی بر هوش مصنوعی برای افزایش تعاملات مشتری، سادهسازی خدمات و ماندن در رقابت متکی هستند. در این چشمانداز دیجیتالی که به سرعت در حال تحول است، توانایی ساخت و استقرار رباتهای گفتگوی پیچیده بسیار مهم است. این دوره عملی به دانشمندان داده و مهندسان ML قدرت میدهد تا از این ابزارها و تکنیکهای پیشرفته استفاده کنند و از پیشروی سازمانهایشان در ارائه تجربیات استثنایی به مشتریان اطمینان حاصل کنند.
مدرس Axel Sirota شما را در تسلط بر توسعه و استقرار رباتهای گفتگوی پیشرفته و LLM راهنمایی میکند. اهداف کلیدی شامل درک فناوریها و روندهای چت بات، استفاده از Hugging Face برای توسعه، و پیادهسازی رباتهای گفتگو با مجموعه داده OpenOrca است. در طول مسیر، Axel تکنیکهای پیشرفتهای را برای بهینهسازی عملکرد و کارایی پوشش میدهد و تجربه عملی را در استقرار رباتهای گفتگو در Hugging Face Spaces با Gradio و AWS ECS با استفاده از Docker و Terraform ارائه میکند.
پیش نیازها
آشنایی با برنامه نویسی پایتون، زیرا زبان اصلی مورد استفاده در دوره آموزشی است
کمی تجربه با مفاهیم و روشهای یادگیری ماشین
مواجهه قبلی با TensorFlow و Keras برای ساخت و آموزش مدل
دانش اولیه هوش مصنوعی و تکنیک های پردازش زبان طبیعی (NLP)
سرفصل ها و درس ها
مقدمه
Introduction
ساخت ربات چت هوش مصنوعی
Building an AI chatbot
بررسی نسخه
Version check
بیشترین بهره را از این دوره ببرید
Getting the most out of this course
1. درک چت بات ها و در آغوش گرفتن صورت
1. Understanding Chatbots and Hugging Face
اصول چت بات ها
Fundamentals of chatbots
مقدمه ای بر صورت در آغوش گرفتن
Introduction to Hugging Face
راه حل: یک چت بات اولیه بسازید
Solution: Build a basic chatbot
نسخه ی نمایشی: پیاده سازی چت بات در پایتون
Demo: Implementing the chatbot in Python
طراحی چت بات برای تجربه مشتری
Designing a chatbot for customer experience
مروری بر فناوریها و روندهای چت بات
Overview of chatbot technologies and trends
نسخه ی نمایشی: کاوش در آغوش کشیدن صورت
Demo: Exploring Hugging Face
2. ساختن یک چت بات پیشرفته با OpenOrca
2. Building an Advanced Chatbot with OpenOrca
بهبود بیشتر ویژگی های چت بات
Further enhancing chatbot features
نسخه ی نمایشی: ساخت ربات چت با OpenOrca
Demo: Building a chatbot with OpenOrca
راه حل: ربات چت را با OpenOrca تقویت کنید
Solution: Enhance the chatbot with OpenOrca
مقدمه ای بر مجموعه داده OpenOrca
Introduction to OpenOrca dataset
3. آماده سازی مدل برای استقرار
3. Preparing Model for Deployment
اصول هرس مدل
Principles of model pruning
نسخه ی نمایشی: کمی کردن مدل چت بات
Demo: Quantizing the chatbot model
نسخه ی نمایشی: مروری بر نتایج
Demo: Overview of the results
تئوری و عمل تقطیر مدل
Theory and practice of model distillation
درک و اجرای کوانتیزاسیون
Understanding and implementing quantization
راه حل: چت بات را برای استقرار آماده کنید
Solution: Prepare the chatbot for deployment
نسخه ی نمایشی: اعمال تقطیر مدل در ربات چت
Demo: Applying model distillation to the chatbot
نسخه ی نمایشی: هرس کردن مدل چت بات
Demo: Pruning the chatbot model
4. استقرار در فضاهای در آغوش گرفتن صورت با Gradio
4. Deploying to Hugging Face Spaces with Gradio
جزئیاتی که باید در مورد استقرار در Hugging Face Spaces در نظر بگیرید
Details to consider on deploying to Hugging Face Spaces
استقرار ربات چت در Hugging Face Spaces
Deploying the chatbot to Hugging Face Spaces
معرفی Gradio
Introduction to Gradio
نسخه ی نمایشی: استقرار در فضاهای در آغوش گرفتن صورت
Demo: Deploying to Hugging Face Spaces
5. استقرار در AWS ECS با استفاده از Terraform
5. Deploying to AWS ECS Using Terraform
نسخه ی نمایشی: استقرار ربات گفتگوی Dockerized در AWS ECS
Demo: Deploying the Dockerized chatbot to AWS ECS
نسخه ی نمایشی: نوشتن یک فایل Terraform برای استقرار AWS ECS
Demo: Writing a Terraform file for AWS ECS deployment
چگونه در ECS مستقر شویم؟
How to deploy to ECS?
نسخه ی نمایشی: ایجاد Dockerfile
Demo: Creating the Dockerfile
6. ارزیابی عملکرد چت بات
6. Evaluating Chatbot Performance
آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.
نمایش نظرات