آموزش جامع ساخت سیستم‌های RAG با پایتون و LangChain [ویدئویی] - آخرین آپدیت

دانلود Introduction to Building AI RAGs with Python and LangChain [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به شما می‌آموزد که چگونه سیستم‌های تولید تقویت‌شده با بازیابی (RAG) را از ابتدا با استفاده از پایتون و LangChain 1 بسازید. RAG یکی از پرتقاضاترین تکنیک‌های هوش مصنوعی امروز است که به مدل‌های زبانی اجازه می‌دهد به جای تکیه صرف بر داده‌های آموزشی، با استفاده از اسناد، داده‌ها و پایگاه‌های دانش اختصاصی شما به سوالات پاسخ دهند. این دوره به دو بخش تقسیم شده است. در بخش اول، شما یک سیستم تزریق زمینه سند (Document Context Injection) می‌سازید و یاد می‌گیرید چگونه اسناد را بارگذاری کنید، آن‌ها را به قطعات کوچک‌تر تقسیم نمایید، امبدینگ‌ها (Embeddings) را تولید کنید و زمینه مرتبط را به مدل LLM تزریق کنید تا پاسخ‌های دقیق و مستند دریافت کنید. این بخش درک عمیقی از مکانیسم‌های اصلی RAG به شما می‌دهد. در بخش دوم، یک سیستم کامل RAG را با استفاده از زنجیره‌های بازیابی LangChain 1.0 پیاده‌سازی خواهید کرد. شما ذخیره‌سازهای برداری (Vector Stores)، بازیاب‌ها و خط لوله‌های پرس‌وجویی را ایجاد می‌کنید که می‌توانند در میان اسناد شما جستجو کرده و پاسخ‌های دقیقی را همراه با ارجاع به منابع تولید کنند. در پایان، شما یک خط لوله RAG کامل و عملی خواهید داشت که می‌توانید آن را برای هر مجموعه سندی یا هر مورد استفاده‌ای تطبیق دهید. این دوره برای توسعه‌دهندگان پایتون که قصد دارند اپلیکیشن‌های هوش مصنوعی سازگار با داده‌های خصوصی یا تخصصی (مانند اسناد داخلی شرکت، مقالات پژوهشی، قراردادهای حقوقی یا هر پایگاه دانش متنی) بسازند، ایده‌آل است. در این دوره خواهید آموخت: - درک معماری و اجزای سیستم Retrieval-Augmented Generation (RAG). - راه‌اندازی و مقداردهی اولیه مدل‌های LLM برای برنامه‌های پیشرفته هوش مصنوعی. - پیاده‌سازی تزریق زمینه سند برای بهبود دقت مدل‌های AI. - ایجاد و مدیریت امبدینگ‌ها و ذخیره‌سازهای برداری برای بازیابی اسناد. - توسعه سیستم‌های گفتگوهای مستمر با استفاده از مدل‌های هوش مصنوعی. - به‌کارگیری مهارت‌ها برای ساخت سیستم‌های هوش مصنوعی مقیاس‌پذیر با LangChain و پایتون. این دوره برای توسعه‌دهندگان، دانشمندان داده و علاقه‌مندان به هوش مصنوعی که به دنبال ارتقای دانش خود در ساخت سیستم‌های پیشرفته AI هستند، مناسب است. داشتن دانش پایه در برنامه‌نویسی پایتون توصیه می‌شود و آشنایی با مفاهیم یادگیری ماشین به درک سریع‌تر محتوا کمک می‌کند. آنچه در این دوره می‌آموزید: * تسلط بر فرآیند ساخت سیستم‌های RAG مبتنی بر هوش مصنوعی با LangChain و پایتون. * توانایی ایجاد سیستم‌های پیشرفته تزریق زمینه سند و معماری‌های کامل RAG. * آموزش‌های عملی شامل بارگذاری اسناد، تنظیم Prompt سیستم، ایجاد امبدینگ و موارد دیگر.

سرفصل ها و درس ها

ساخت سیستم تزریق زمینه سند با LangChain 1.0 Building Document Context Injection System with LangChain 1.0

  • آنچه خواهیم ساخت What We Will Build

  • معماری سیستم The Architecture of the System

  • مقداردهی اولیه مدل LLM Initializing the LLM

  • پرامپت سیستم و تزریق زمینه System Prompt and Context Injection

  • بارگذاری اسناد Loading the Documents

  • ایجاد زمینه (Context) Creating the Context

  • دریافت پاسخ‌های LLM درباره اسناد Getting Answers from the LLM About the Documents

  • پیاده‌سازی گفتگوهای مستمر بر اساس اسناد Implementing Continuous Conversation Documents

ساخت یک سیستم کامل RAG با LangChain 1.0 Building a Full RAG System with LangChain 1.0

  • سیستم RAG چگونه کار می‌کند How a RAG Works

  • راه‌اندازی مدل LLM Setting Up the LLM

  • راه‌اندازی امبدینگ‌ها و ذخیره‌ساز برداری Setting Up Embeddings and Vector Store

  • ایجاد امبدینگ از اسناد Creating Embeddings from Documents

  • دریافت پاسخ‌ها از سیستم RAG Getting Answers from the RAG

نمایش نظرات

آموزش جامع ساخت سیستم‌های RAG با پایتون و LangChain [ویدئویی]
جزییات دوره
1h 24m
13
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

PythonHow, Ardit Sulce PythonHow, Ardit Sulce

Ardit Sulce یک برنامه نویس پایتون، معلم و بنیانگذار PythonHow است. او در سال 2013 با مدرک کارشناسی ارشد در علوم (فناوری های مکانی) از دانشگاه Muenster آلمان، با تمرکز بر استفاده از پایتون برای سنجش از دور فارغ التحصیل شد. آردیت با شرکت هایی مانند مرکز جغرافیای حفاظتی برای نقشه برداری و درک اکوسیستم های استرالیا، پردازش تصویر با سوئیس in-Terra، و داده کاوی برای به دست آوردن بینش تجاری با اطلاعات سریع استرالیایی همکاری کرده است.