هوش مصنوعی مولد با پایتون

آنچه یاد خواهید گرفت

• فراتر از چت‌بات‌های پایه بدانید و یاد بگیرید چگونه هوش مدل‌های زبانی بزرگ (LLMs) را با پایتون به کار ببرید.
• یاد بگیرید چگونه پایگاه داده‌های برداری را برای ذخیره‌سازی و بازیابی مؤثر اطلاعات در اپلیکیشن‌های هوش مصنوعی خود ایجاد و از آن استفاده کنید.
• تکنیک نوآورانه‌ای را که به هوش مصنوعی شما امکان می‌دهد با استفاده از منابع داده خود به سؤال‌های پیچیده پاسخ دهد، بیاموزید؛ این کار آن را هوشمندتر و دقیق‌تر می‌کند.
• دنیای جذاب سامانه‌های Agentic را بررسی کنید و ایجنت‌های هوش مصنوعی مستقلی را بسازید که بتوانند تسک‌ها را انجام دهند، تصمیم بگیرند و با محیطشان تعامل داشته باشند.
• در ساخت پروژه‌های کاربردی که قدرت و انعطاف‌پذیری هوش مصنوعی مولد را نشان می‌دهد، تجربه عملی کسب کنید.
• مفاهیم اساسی مرتبط با هوش مصنوعی مولد را درک کنید و مهارت‌های عملی پایتون برای تبدیل ایده‌های خود به واقعیت را به دست آورید.
• درک عمیقی از فناوری‌های اصلی که نسل بعدی اپلیکیشن‌های هوشمند را هدایت می‌کنند، کسب کنید.

پیش نیازهای دوره

• دانش پایه پایتون مورد نیاز است، شما باید در مورد انواع داده‌های اولیه، نحوه پیاده‌سازی حلقه‌ها یا نحوه نوشتن توابع اطلاعات داشته باشید.

توضیحات دوره

قدرت متحول کننده هوش مصنوعی مولد را با پایتون آشکار کنید! این دوره جامع شما را با دانش ضروری و مهارت‌های عملی پایتون برای تسلط به فناوری‌های اصلی محرک این انقلاب مجهز می‌کند و شما را قادر می‌سازد تا اپلیکیشن‌های هوشمندی بسازید که زبان را درک می‌کنند، تولید می‌کنند و به طور قابل توجهی با آن تعامل دارند.

شما به جزئیات اصول مدل‌های زبانی بزرگ (LLMs) و نقش حیاتی پایگاه‌های داده برداری برای بازیابی مؤثر اطلاعات می‌پردازید. قدرت Retrieval-Augmented Generation (RAG) را کشف کنید، که به هوش مصنوعی شما اجازه می‌دهد با استفاده از داده‌های خودتان به سوالات پیچیده پاسخ دهد و آن را هوشمندتر و از نظر زمینه‌ای آگاه‌تر کند.

علاوه بر این، به حوزه هیجان‌انگیز سیستم‌های Agentic می‌پردازید، یاد می‌گیرید چگونه ایجنت‌های هوش مصنوعی مستقلی را طراحی و بسازید که قادر به انجام تسک ها و تصمیم‌گیری باشند.

در این دوره با موارد زیر آشنا می شوید:

• مدل‌های زبان بزرگ (LLMs)
  • NLP کلاسیک در مقابل LLM
  • دستاوردهای هوش مصنوعی ضعیف (Narrow AI)
  • عملکرد و دستاوردهای مدل
  • فرآیند آموزش مدل
  • گزینه‌های بهبود مدل
  • ارائه‌دهندگان مدل
  • بنچ مارک مدل
  • تعامل با LLMs
  • انواع پیام
  • پارامترهای LLM
  • استفاده محلی از مدل‌ها
  • مدل‌های چندوجهی بزرگ (Large Multimodal)
  • توکن‌سازی
  • مدل‌های استدلالی
  • مدل‌های زبانی کوچک
  • JailBreaking
  • کار با زنجیره‌ها
  • زنجیره‌های موازی، روتر و غیره
• پایگاه داده‌های برداری
  • پایپ لاین جذب داده
  • منبع و بارگذاری داده
  • تقسیم‌بندی داده
  • embedding ها
  • ذخیره‌سازی داده
  • کوئری داده
• Retrieval-Augmented Generation
  • RAG بیس لاین
  • غنی سازی کانتکست
  • RAG اصلاحی
  • RAG هیبرید
  • بسط کوئری (Query Expansion)
  • Speculative RAG
  • Agentic RAG
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
• سیستم‌های Agentic 
  • crewAI
  • Google ADK
  • OpenAI Agents SDK
  • AG2
  • LangGraph (به زودی)
• تعاملات ایجنت
  • MCP
  • ACP
  • A2A

این دوره برای چه کسانی مناسب است؟

• برنامه‌نویسان پایتون که می‌خواهند دانش خود را به حوزه‌ی پرپتانسیل هوش مصنوعی و مدل‌های مولد گسترش دهند.