مسیر مهارت Generative AI: از صفر تا صد در Generative AI
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- طراحی و مهندسی پرامپتهای موثر با استفاده از فریمورکهای اثباتشده مانند Chain-of-Thought ،Step-Back و Role prompting
- تنظیم و کنترل رفتار LLM با تغییر ابرپارامترهایی مانند temperature ،top-p ،max tokens و penalties
- اجرا و سفارشیسازی مدلهای زبانی بزرگ (LLM) به صورت لوکال با استفاده از Ollama و یکپارچهسازی آنها با اپلیکیشنهای Python
- ساخت گردش های کاری کامل Generative AI با استفاده از LangChain، شامل قالبهای پرامپت، زنجیرهها، حافظه و مسیریابی پویا
- توسعه سیستمهای Retrieval-Augmented Generation (RAG) که LLMها را با پایگاههای داده برداری برای پاسخهای مستند و واقعی ترکیب میکنند.
- طراحی رابطهای کاربری هوش مصنوعی کاربرپسند با استفاده از Streamlit و بررسی استقرار هوش مصنوعی روی دستگاه با Qualcomm AI Hub
پیشنیازهای دوره
- بدون نیاز به تجربه قبلی در هوش مصنوعی یا کدنویسی -فقط داشتن ذهنی کنجکاو، مهارتهای اولیه کامپیوتر و یک کامپیوتر با دسترسی به اینترنت کافی است.
توضیحات دوره
اگر توسعهدهنده، دانشمند داده، تحلیلگر، محقق هستید یا صرفاً فردی مشتاق به تسلط به موج بعدی هوش مصنوعی هستید، این دوره نقشه راه کامل شماست. آیا تا به حال فکر کردهاید که ChatGPT ،Claude یا Gemini واقعاً در پشت صحنه چگونه کار میکنند؟ یا شاید از خود پرسیده باشید، «چگونه میتوانم اپلیکیشنهای هوش مصنوعی خودم را بسازم یا مدلهای زبانی بزرگ را به صورت لوکال اجرا کنم؟» این دوره شما را گامبهگام از کنجکاوی به تسلط کامل میرساند.
«مسیر مهارت Generative AI: از صفر تا صد در Generative AI» فقط یک دوره تئوریمحور دیگر نیست. این یک سفر عملی و سرتاسری به دنیای مدلهای زبانی بزرگ (LLMs)، مهندسی پرامپت، LangChain، RAG، عاملهای هوش مصنوعی، رابطهای Streamlit و حتی On-Device AI با استفاده از Qualcomm AI Hub است. شما یاد خواهید گرفت که چگونه اپلیکیشنهای هوش مصنوعی را از ابتدا طراحی، ارزیابی و ایجاد کنید با قدرت ابزارها و فریمورکهای واقعی که حرفهایها هر روز از آنها استفاده میکنند.
در این دوره، شما:
- به هنر پرامپتنویسی مسلط میشوید. از ساخت پرامپتهای اولیه تا فریمورکهای پیشرفته مانند Chain-of-Thought Step-Back و Role prompting
- ابرپارامترها را درک و تنظیم دقیق میکنید مانند temperature top-p و penalties تا لحن، خلاقیت و ثبات خروجیهای هوش مصنوعی را کنترل کنید.
- LLMهای قدرتمند را به صورت لوکال اجرا میکنید با استفاده از Ollama و آنها را بهطور یکپارچه با Python برای اپلیکیشنهای سفارشی ادغام میکنید.
- گردش های کاری مجهز به هوش مصنوعی میسازید با استفاده از LangChain - از ایجاد قالبهای پرامپت و زنجیرهها تا ادغام حافظه و مسیریابی پویا
- سیستمهای کامل Retrieval-Augmented Generation (RAG) را توسعه میدهید، و مدلهای هوش مصنوعی خود را به منابع داده خصوصی یا محلی متصل میکنید تا پاسخهای مستند و واقعی دریافت کنید.
- عاملهای هوشمند طراحی میکنید که میتوانند وب را جستجو کنند، از ابزارها استفاده کنند و با استفاده از فریمورک Agent در LangChain حافظه را حفظ کنند.
- اپلیکیشنهای خود را نظارت و بهینهسازی میکنید با LangSmith تا از قابلیت اطمینان و ردیابیپذیری اطمینان حاصل کنید.
- رابطهای کاربری جذاب ایجاد میکنید برای اپلیکیشنهای هوش مصنوعی خود با استفاده از Streamlit، و آینده استقرار On-Device AI را روی پلتفرم Qualcomm بررسی میکنید.
چرا اکنون باید این دوره را گذراند؟
Generative AI در حال تغییر صنایع از تولید محتوا و تحلیل تا توسعه نرمافزار و تحقیقات است. اما برای استفاده واقعی از پتانسیل آن، باید فراتر از استفاده از ابزارها بروید باید با آنها درک کنید، بسازید و نوآوری کنید. این دوره شما را نه تنها به دانش، بلکه به تسلط فنی و تجربه عملی برای طراحی سیستمهای هوشمند خودتان مجهز میکند.
در طول دوره، شما:
- فریمورکهای پرامپت را با بهبودهای قابل ارزیابی در کیفیت خروجی هوش مصنوعی طراحی و تست خواهید کرد.
- LLMهای متنباز را بدون تکیه بر APIهای ابری روی کامپیوتر شخصی خود اجرا و سفارشیسازی خواهید کرد.
- چتباتها، دستیارها و اپلیکیشنهای RAG هوش مصنوعی خودتان را میسازید با استفاده از LangChain و Python
- مدلها را برای حریم خصوصی، سرعت و استفاده آفلاین روی دستگاه بهینهسازی و مستقر خواهید کرد.
- تجربه پروژه واقعی کسب خواهید کرد که شکاف بین تئوری هوش مصنوعی و پیادهسازی را پر میکند.
این دوره با پوشش کامل چرخه عمر از طراحی پرامپت تا توسعه اپلیکیشن و استقرار روی دستگاه متمایز است. چه هدف شما تبدیل شدن به یک مهندس هوش مصنوعی، نوآور محصول یا صرفاً پیشرو ماندن در انقلاب هوش مصنوعی باشد، این دوره شما را از صفر به تسلط کامل میرساند.
فقط از هوش مصنوعی استفاده نکنید. آن را بسازید، درک کنید و با آن رهبری کنید. همین امروز در این دوره شرکت کنید و در عصر Generative AI به یک خالق تبدیل شوید.
این دوره برای چه کسانی مناسب است؟
- مبتدیان و علاقهمندان به تکنولوژی که میخواهند اپلیکیشنهای واقعی Generative AI را از پایه درک کنند و بسازند.
- توسعهدهندگان، دانشمندان داده و یادگیرندگان هوش مصنوعی که مشتاق تسلط به مهندسی پرامپت، LangChain و RAG هستند.
- متخصصان هوش مصنوعی و مدیران محصول که هدفشان اجرا، سفارشیسازی و استقرار LLMها به صورت لوکال یا روی دستگاه برای عملکرد و حریم خصوصی است.
- برنامهنویسان Python و نوآورانی که به دنبال ایجاد اپلیکیشنهای تعاملی GenAI با استفاده از LangChain Streamlit و Qualcomm AI Hub هستند.
- دانشجویان و محققانی که علاقهمند به بررسی چگونگی عملکرد مدلهای زبانی بزرگ در پشت صحنه و چگونگی تنظیم دقیق رفتار آنها هستند.
مسیر مهارت Generative AI: از صفر تا صد در Generative AI
-
مقدمه 08:04
-
ساخت پرامپتهای موثر: دقیق و با جزئیات باشید 04:12
-
بهترین شیوه ها برای پرامپتنویسی 09:41
-
استفاده از قالبهای پرامپت برای ثبات 07:41
-
فریمورک پرامپت نویسی: زنجیره فکر 18:21
-
فریمورک پرامپت نویسی: استدلال گام به عقب 03:49
-
فریمورک پرامپت نویسی: پرامپت نویسی نقشمحور 04:37
-
فریمورک پرامپت نویسی: خودسازگاری 05:42
-
فریمورک پرامپت نویسی: زنجیره چگالی 07:33
-
ساختار فکر: پرامپت نویسی درخت فکر 17:36
-
ساختارهای فکر: پرامپت نویسی اسکلت فکر 04:55
-
ساختارهای فکر: پرامپت نویسی برنامه فکر 05:54
-
درک ابرپارامترهای پرامپت 07:29
-
پارامترهای Temperature و Top-p: کنترل تصادفی بودن 11:50
-
پارامترهای Max Tokens و Stop Sequences: مدیریت طول خروجی 04:21
-
جریمههای Presence و Frequency: افزودن تنوع 03:09
-
تنظیم پارامترهای پرامپت برای نتایج بهینه 09:06
-
سه متد برای ارزیابی کیفیت پرامپت 11:35
-
اجرای تست A/B پرامپت 04:47
-
ارزیابی پرامپتها با PromptFoo 16:33
-
دانلود و نصب راهانداز Ollama 04:32
-
پیکربندی Ollama و دانلود مدلها 08:00
-
سفارشیسازی مدل از طریق خط فرمان یا ترمینال 07:06
-
ساخت، ذخیره و پیادهسازی یک مدل سفارشی Ollama 03:38
-
پیکربندی محیط Python 04:49
-
کار با کتابخانه Ollama در Python 07:54
-
فراخوانی مدل از طریق Ollama REST API 03:21
-
درک LangChain: اهداف و مزایای اصلی 05:00
-
اصول LangChain: قالبهای پرامپت و مدلهای LLM 05:32
-
اصول LangChain: فرمتدهی خروجی 04:38
-
استفاده از اپراتور Pipe در LCEL 08:52
-
درک Runnableها: مبانی نظری 05:22
-
انواع Runnable: موازی، Passthrough و Lambda 05:42
-
مثال: مدیریت جریان اجرا با LCEL 11:25
-
درک مسیریابی پویا در LangChain 04:46
-
پیادهسازی مسیریابی پویا در LCEL 10:25
-
مروری بر حافظه در LangChain 05:55
-
درک حافظه بافر مکالمه 09:09
-
سفارشیسازی حافظه: استفاده از کلیدهای حافظه و افزودن پیامها 04:17
-
پیادهسازی زنجیرههای مکالمه 03:35
-
کار با حافظه پنجره بافر مکالمه 03:48
-
درک حافظه خلاصه مکالمه 04:02
-
استفاده از Runnableها با تاریخچه پیام 05:33
-
مفاهیم Retrieval Augmented Generation (RAG) 09:07
-
مرحله 1: خواندن اسناد در گردش کاری RAG 08:15
-
مرحله 2: ایجاد Chunkها در فرآیند RAG 07:05
-
مرحله 3: تولید Embeddingها در گردش کاری RAG 07:25
-
مرحله 4: ذخیره Embeddingها در پایگاه داده برداری 07:21
-
ساخت یک اپلیکیشن RAG سرتاسری 09:45
-
بررسی ابزارها و عاملها در LangChain 06:50
-
توسعه ابزارهای سفارشی با LangChain 10:41
-
ابزارهای داخلی LangChain: جستجوی DuckDuckGo و Wikipedia 07:23
-
کار با عاملها در LangChain 09:13
-
ساخت یک عامل مجهز به حافظه در LangChain 04:22
-
بررسی LangSmith و قابلیتهای آن 03:35
-
اجرا و نظارت بر اپلیکیشنها با استفاده از LangSmith 06:56
-
مقدمهای بر Streamlit 05:08
-
ساخت رابط کاربری گرافیکی (GUI) برای اپلیکیشن GenAI با استفاده از Streamlit 07:53
-
نقاط قوت و محدودیتهای Generative AI 09:47
-
هوش مصنوعی مولد: جادوی پشت مکانیزم 07:19
-
درک نحوه یادگیری هوش مصنوعی 19:25
-
تکامل از رگرسیون خطی تا شبکههای عصبی 11:37
-
درک توکنها و Embeddingها 14:09
-
درون ترنسفورمرها - معماری اصلی LLMها 05:41
-
چگونه مدلهای زبانی پیشبینیها را تولید میکنند؟ 09:00
-
پیشآموزش در مقابل تنظیم دقیق - چگونه مدلها تکامل مییابند؟ 10:30
-
بررسی LLMهای متنباز 03:32
-
هوش مصنوعی روی دستگاه چیست؟ 05:30
-
بررسی Qualcomm AI Hub 08:46
-
راهاندازی و ورود به Qualcomm AI Hub 02:31
-
درک مراحل استقرار مدل روی دستگاه 07:16
-
فاز آموزش مدل – مفاهیم و گردش کار 07:57
-
آموزش مدل به صورت عملی 05:01
-
کامپایل مدل – مفاهیم و فرآیند 08:04
-
کامپایل مدل به صورت عملی 03:40
-
پروفایلینگ مدل – تئوری و بینش عملکرد 03:33
-
تمرین عملی پروفایلینگ مدل 07:57
-
اجرای استنتاج مدل روی دستگاه 07:34
-
اکسپورت و دانلود مدل شما 07:33
-
مروری بر کوانتیزاسیون 06:09
-
توضیح کوانتیزاسیون متقارن 09:09
-
توضیح کوانتیزاسیون نامتقارن 10:10
-
اعمال تکنیکهای کوانتیزاسیون – به صورت عملی 07:16
مشخصات آموزش
مسیر مهارت Generative AI: از صفر تا صد در Generative AI
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:همه سطوح
- تعداد درس:83
- مدت زمان :10:22:11
- حجم :3.78GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy