لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش دوره جامع LangChain برای توسعه اپلیکیشنهای LLM
- آخرین آپدیت
دانلود LangChain Course for LLM Application Development
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
دوره جامع LangChain برای جریانهای کاری پیشرفته هوش مصنوعی مولد، شما را با مهارتهای لازم برای ساخت اپلیکیشنهای مقیاسپذیر و مبتنی بر بازیابی (RAG) با استفاده از مدلهای زبانی بزرگ تجهیز میکند. در ابتدای دوره با مفاهیم بنیادی آشنا میشوید؛ یاد میگیرید که چگونه Model I/O، لودرهای سند (document loaders) و تقسیمکنندههای متن (text splitters) دادهها را برای وظایف GenAI آماده و ساختاردهی میکنند. سپس به سراغ تکنیکهای Embedding و ذخیرهسازهای برداری (Vector Stores) برای جستجوی معنایی کارآمد و بازیابی دادهها میرویم. در ادامه، متدهای بازیابی LangChain و انواع زنجیرهها (Chains) مانند Sequential، Stuff، Refine و Map Reduce را برای مدیریت جریانهای کاری پیچیده فرا میگیرید. در نهایت، با حافظه (Memory) و ایجنتهای (Agents) لنگچین آشنا شده و سیستمهای آگاه به متن را توسعه داده و مدلهای محلی مانند Falcon را برای کاربردهای واقعی ادغام خواهید کرد.
برای موفقیت در این دوره، باید تسلط مناسبی بر زبان پایتون، مدلهای زبانی و مفاهیم پایه هوش مصنوعی مولد داشته باشید.
در پایان این دوره شما قادر خواهید بود:
- دادههای بدون ساختار را با استفاده از ابزارهای LangChain I/O سازماندهی و پردازش کنید
- از Embeddingها و Vector Storeها برای جستجو و بازیابی معنایی استفاده کنید
- جریانهای کاری چندمرحلهای GenAI را با استفاده از زنجیرهها و بازیابهای LangChain بسازید
- اپلیکیشنهای آگاه به متن را با استفاده از حافظه و ایجنتهای LangChain ایجاد کنید
این دوره برای توسعهدهندگان AI، مهندسان یادگیری ماشین (ML) و متخصصان GenAI ایدهآل است.
سرفصل ها و درس ها
مبانی Model I/O و پردازش اسناد
Foundations of Model I/O and Document Processing
اهداف یادگیری
Learning Objectives
جریان اجرای اپلیکیشن چتبات و Model I/O
Flow of Chatbot Application and Model I/O
دمو: مدلها، پرومپتها و تجزیهکنندههای خروجی در LangChain
Demo: LangChain-Models, Prompts, and Output Parsers
جریان اپلیکیشن چتبات و لودرهای سند
Chatbot Application Flow and Document Loaders
انواع لودرهای سند: بخش اول
Types of Document Loaders: Part 1
انواع لودرهای سند: بخش دوم
Types of Document Loaders: Part 2
تقسیمکنندههای متن و مثالهای آن
Text Splitters and Its Examples
تقسیمکنندههای متن: Recursive Character Text Splitter
Text Splitters: Recursive Character Text Splitter
جایگذاریهای برداری (Embeddings) و ذخیرهسازهای Vector Store
Embeddings and Vector Stores
آشنایی با Embeddings در هوش مصنوعی مولد
Introduction to Embeddings in GenAI
مدلهای Text Embedding: شهود و مثالها
Text Embedding Models: Intuition and Examples
بررسی کلی VectorStore و نحوه عملکرد آن
Overview of VectorStore and Its Working
دمو: لودرها، تقسیمکنندههای متن، Embeddingها و Vector Storeها
Demo: Loaders, Text Splitters, Embeddings, and Vector Stores
بازیابی و زنجیرههای LangChain
LangChain Retrieval and Chains
بررسی کلی و مثالهایی از LangChain Retriever
Overview and Examples of LangChain Retriever
مقدمهای بر زنجیرههای LangChain و چارچوب آن
Introduction and LangChain Chains and Its Framework
زنجیرههای Sequential و Stuff در LangChain
Sequential Chain and Stuff Chain in LangChain
زنجیرههای Refine و Map Reduce در LangChain
Refine Chain and Map Reduce Chain in LangChain
دمو: زنجیره Sequential در LangChain
Demo: LangChain Sequential Chain
حافظه و ایجنتهای LangChain
LangChain Memory and Agents
آشنایی با حافظه LangChain و انواع آن
Introduction to LangChain Memory and Its Types
دمو: حافظه LangChain
Demo: Langchain Memory
ایجنتهای LangChain و پیامهای چت
LangChain Agents and Chat Messages
دمو: ایجاد و بهکارگیری ایجنتهای LangChain
Demo: Creating and Utilizing LangChain Agents
نمایش نظرات