مسیر اصلی مهندسی هوش مصنوعی: مهندسی LLM ،RAG ،QLoRA و ایجنت ها
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- پروژه 1: ساخت بروشورساز مجهز به هوش مصنوعی که وبسایتهای شرکت را به صورت هوشمند اسکرپ و ناوبری میکند.
- پروژه 2: ساخت ایجنت پشتیبانی مشتری چندرسانهای برای یک شرکت هواپیمایی با رابط کاربری و قابلیت function-calling
- پروژه 3: توسعه ابزاری که با استفاده از مدلهای متنباز و کسب و کار، صورتجلسات و اقدامات اجرایی را از فایل صوتی استخراج میکند.
- پروژه 4: ساخت هوش مصنوعی که کد Python را به ++C بهینه تبدیل کرده و عملکرد را تا 60,000 برابر افزایش میدهد!
- پروژه 5: ساخت یک دانشکار مجهز به هوش مصنوعی با استفاده از RAG برای تبدیل شدن به متخصص در تمام امور مرتبط با شرکت.
- پروژه 6: بخش اول پروژه نهایی – پیشبینی قیمت محصولات از روی توضیحات کوتاه با استفاده از مدلهای Frontier
- پروژه 7: بخش دوم پروژه نهایی – اجرای مدل متنباز فینتیون شده برای رقابت با مدلهای Frontier در پیشبینی قیمت.
- پروژه 8: بخش سوم پروژه نهایی – ساخت سیستم خودکار چند ایجنتی که با همکاری مدلها، تخفیفها را شناسایی کرده و فرصتهای خرید ویژه را اطلاعرسانی میکند.
- مقایسه تکنیکهای جدید برای بهبود عملکرد راهکارهای LLM، مانند RAG ،fine-tuning و گردش های کاری ایجنتی
- ارزیابی 10 مدل برتر Frontier و 10 مدل برتر متنباز و توانایی انتخاب بهترین گزینه برای هر تسک خاص
پیشنیازهای دوره
- آشنایی با Python. این دوره مبانی Python را پوشش نمیدهد و تمام پروژهها با Python انجام میشوند.
- یک کامپیوتر با اتصال اینترنت (Mac ،Linux یا Windows).
- توصیه میشود حدود 5 دلار برای هزینههای API جهت کار با مدلهای Frontier در نظر بگیرید. با این حال، در صورت تمایل میتوانید دوره را فقط با مدلهای متنباز تکمیل کنید.
توضیحات دوره
تسلط به Generative AI و مدلهای زبانی بزرگ (LLMs): یک سفر عملی 8 هفتهای
با پروژههای عملی و واقعی تحت هدایت Ed Donner، متخصص باسابقه این صنعت، به حرفه خود در زمینه هوش مصنوعی سرعت ببخشید. محصولات پیشرفته Generative AI بسازید، با بیش از 20 مدل انقلابی آزمایش انجام دهید و به تکنیکهای روز دنیا مانند RAG، QLoRA و ایجنتها مسلط شوید.
آنچه یاد خواهید گرفت
- ساخت محصولات پیشرفته Generative AI با استفاده از مدلها و فریمورکهای پیشرو
- آزمایش روی بیش از 20 مدل هوش مصنوعی سنتشکن، شامل مدلهای Frontier و متنباز
- کسب مهارت در کار با پلتفرمهایی نظیر HuggingFace ،LangChain و Gradio
- پیادهسازی تکنیکهای پیشرفته مانند RAG (تولید با بازیابی تقویتشده)، fine-tuning با QLoRA و ایجنتها
خلق اپلیکیشنهای هوش مصنوعی واقعی، شامل:
- دستیار پشتیبانی مشتری چندرسانهای که با متن، صدا و تصویر تعامل دارد.
- دانشکار هوش مصنوعی که میتواند بر اساس فایلهای اشتراکی شرکت، به هر سوالی پاسخ دهد.
- برنامهنویس هوش مصنوعی که نرمافزارها را بهینه کرده و عملکرد را بیش از 60,000 برابر بهبود میبخشد.
- یک اپلیکیشن تجارت الکترونیک که قیمت محصولات جدید را به دقت پیشبینی میکند.
- انتقال از مرحله استنتاج به آموزش، با fine-tuning کردن مدلهای Frontier و متنباز
- استقرار محصولات هوش مصنوعی در محیط عملیاتی با رابطهای کاربری شکیل و قابلیتهای پیشرفته
- ارتقای مهارتهای مهندسی AI و LLM برای حضور در خط مقدم این صنعت
پروژهها:
پروژه 1: بروشورساز مجهز به هوش مصنوعی که وبسایتهای شرکت را به صورت هوشمند اسکرپ و ناوبری میکند.
پروژه 2: ایجنت پشتیبانی مشتری چندرسانهای برای یک شرکت هواپیمایی با رابط کاربری و قابلیت function-calling
پروژه 3: ابزاری که با استفاده از مدلهای متنباز و کسب و کار، صورتجلسات و اقدامات اجرایی را از فایل صوتی استخراج میکند.
پروژه 4: هوش مصنوعی که کد Python را به ++C بهینه تبدیل کرده و عملکرد را تا 60,000 برابر افزایش میدهد!
پروژه 5: دانشکار هوش مصنوعی مجهز به RAG برای تسلط به تمام داده مرتبط با شرکت
پروژه 6: بخش اول پروژه نهایی – پیشبینی قیمت محصولات از روی توضیحات کوتاه با استفاده از مدلهای Frontier
پروژه 7: بخش دوم پروژه نهایی – Fine-tuned کردن مدل متنباز برای رقابت با مدلهای Frontier در پیشبینی قیمت
پروژه 8: بخش سوم پروژه نهایی – سیستم ایجنت خودکار که با همکاری مدلها، تخفیفها را شناسایی کرده و فرصتهای خرید ویژه را اطلاعرسانی میکند.
چرا این دوره؟
- یادگیری عملی: بهترین راه یادگیری، انجام دادن است. شما در تمرینات کاربردی شرکت کرده و اپلیکیشنهای هوش مصنوعی واقعی میسازید که نتایج خیرهکنندهای ارائه میدهند.
- تکنیکهای پیشرفته: با یادگیری جدیدترین فریمورکها و تکنیکها از جمله RAG ،QLoRA و ایجنتها، از دیگران پیشی بگیرید.
- محتوای در دسترس: طراحی شده برای یادگیرندگان در تمام سطوح. دستورالعملهای گامبهگام، تمرینات عملی، برگههای تقلب و منابع فراوانی در اختیار شما قرار میگیرد.
- بدون نیاز به ریاضیات پیشرفته: تمرکز دوره بر کاربرد عملی است. برای تسلط به مهندسی LLM نیازی به محاسبات دیفرانسیل یا جبر خطی پیچیده ندارید.
ساختار دوره
هفته 1: اصول و اولین پروژهها
- بررسی عمیق مبانی Transformerها
- آزمایش با 6 مدل پیشروی Frontier
- ساخت اولین محصول هوش مصنوعی کسل و کار که وب را اسکرپ کرده، تصمیمگیری میکند و بروشورهای فروش فرمتشده میسازد.
هفته 2: APIهای Frontier و چتباتهای خدمات مشتری
- بررسی APIهای Frontier و تعامل با سه مدل برتر.
- توسعه یک چتبات خدمات مشتری با رابط کاربری حرفهای که میتواند با متن، تصویر و صدا تعامل داشته باشد و از ابزارها یا ایجنتها استفاده کند.
هفته 3: استقبال از مدلهای متنباز
- کشف دنیای مدلهای متنباز با استفاده از HuggingFace
- انجام 10 مورد استفاده رایج Generative AI، از ترجمه تا تولید تصویر
- ساخت محصولی برای استخراج صورتجلسات و اقدامات اجرایی از فایلهای ضبط شده
هفته 4: انتخاب LLM و تولید کد
- درک تفاوتهای بین LLMها و نحوه انتخاب بهترین مدل برای تسک های کسب و کار
- استفاده از مدلها برای تولید کد و ساخت محصولی که کد را از Python به ++C ترجمه کرده و عملکرد را بیش از 60,000 برابر بهبود میبخشد.
هفته 5: تولید با بازیابی تقویتشده (RAG)
- تسلط به RAG برای بهبود دقت راهکارهای خود.
- کسب مهارت در Vector Embeddings و بررسی بردارها در دیتابیسهای برداری متنباز محبوب
- ساخت یک راهکار کسب و کار کامل مشابه محصولات واقعی موجود در بازار
هفته 6: انتقال به مرحله آموزش
- عبور از مرحله استنتاج به آموزش
- Fine-tune کردن یک مدل Frontier برای حل یک مسئله کسب و کار واقعی
- ساخت مدل تخصصی خودتان که نقطه عطفی در مسیر هوش مصنوعی شما خواهد بود.
هفته 7: تکنیکهای پیشرفته آموزش
- بررسی تکنیکهای پیشرفته مانند fine-tuning با QLoRA
- آموزش یک مدل متنباز برای عملکرد بهتر نسبت به مدلهای Frontier در تسک های خاص
- انجام پروژههای چالشبرانگیزی که مهارتهای شما را به سطح بعدی ارتقا میدهد.
هفته 8: استقرار و نهاییسازی
- استقرار محصول کسب و کار در محیط عملیاتی با یک رابط کاربری شکیل
- تقویت قابلیتها با استفاده از Agents
- ارائه اولین مدل LLM عملیاتی، ایجنتی و fine-tuned شده خودتان
- جشن گرفتن تسلط به مهندسی AI و LLM، آماده برای شروع فاز جدیدی در مسیر شغلی
این دوره برای چه کسانی مناسب است؟
- مهندسان هوش مصنوعی و دانشمندان داده مشتاق که میخواهند وارد حوزه Generative AI و LLMها شوند.
- متخصصانی که به دنبال ارتقای مهارت و حفظ رقابت در چشمانداز به سرعت در حال تغییر هوش مصنوعی هستند.
- توسعهدهندگانی که علاقهمند به ساخت اپلیکیشنهای پیشرفته هوش مصنوعی با تجربه عملی و کاربردی هستند.
- افرادی که به دنبال تغییر شغل هستند یا قصد دارند با استفاده از فریمورکهای ساخته شده با LLM، بهرهوری خود را افزایش دهند.
مسیر اصلی مهندسی هوش مصنوعی: مهندسی LLM ،RAG ،QLoRA و ایجنت ها
-
روز 1 - اجرای اولین LLM به صورت محلی با Ollama و مدلهای متنباز 10:44
-
روز 1 - دموی آموزش زبان اسپانیایی با مدلهای متنباز و مرور کلی دوره 10:53
-
روز 1 - راهاندازی محیط توسعه LLM با Cursor و UV 05:54
-
روز 1 - راهاندازی محیط توسعه کامپیوتر با Git و Cursor 09:50
-
روز 1 - راهاندازی Mac: نصب Git، کلون کردن مخزن و محیط Cursor IDE 09:47
-
روز 1 - نصب UV و راهاندازی محیط توسعه Cursor 07:52
-
روز 1 - راه اندازی کلید OpenAI API و متغیرهای محیطی 12:28
-
روز 1 - نصب اکستنشنهای Cursor و راهاندازی Jupyter Notebook 09:04
-
روز 1 - اجرای اولین فراخوانی OpenAI API و درک تفاوت پرامپتهای سیستم و کاربر 11:41
-
روز 1 - ساخت یک خلاصهساز وبسایت با استفاده از OpenAI Chat Completions API 10:14
-
روز 1 - تمرین عملی: ساخت اولین فراخوانی OpenAI API از ابتدا 05:34
-
روز 2 - سنگ بناهای مهندسی LLM: مدلها، ابزارها و تکنیکها 09:22
-
روز 2 - سفر 8 هفتهای شما: از APIهای چت تا تبدیل شدن به مهندس LLM 02:51
-
روز 2 - مدلهای Frontier: مقایسه OpenAI GPT ،Claude ،Gemini و Grok 06:14
-
روز 2 - مدلهای LLM متنباز: LLaMA ،Mistral ،DeepSeek و Ollama 12:03
-
روز 2 - رابط API تکمیل چت: تفاوت HTTP Endpoints و کلاینت پایتون OpenAI 10:11
-
روز 2 - استفاده از کلاینت پایتون OpenAI با چندین ارائهدهنده LLM مختلف 07:41
-
روز 2 - اجرای Ollama به صورت محلی با استفاده از Endpoints سازگار با OpenAI 10:28
-
روز 3 - مدلهای Base ،Chat و Reasoning: درک انواع مختلف LLM 10:44
-
روز 3 - مدلهای Frontier: بررسی نقاط قوت و ضعف GPT ،Claude و Gemini 12:56
-
روز 3 - تست ChatGPT-5 و مدلهای برتر از طریق رابط کاربری وب 09:43
-
روز 3 - تست Claude ،Gemini ،Grok و DeepSeek با قابلیت Deep Research در ChatGPT 11:33
-
روز 3 - هوش مصنوعی ایجنتی در عمل: بررسی Deep Research ،Claude Code و حالت Agent 11:22
-
روز 3 - نبرد مدلهای Frontier: ساخت یک بازی رقابتی بین LLMها 10:14
-
روز 4 - درک Transformerها: معماری پشت پرده GPT و مدلهای زبانی بزرگ 12:46
-
روز 4 - از LSTMها تا Transformerها: مکانیزم توجه، هوش ظهوریافته و هوش مصنوعی ایجنتی 09:08
-
روز 4 - پارامترها: از میلیونها تا تریلیونها در GPT ،LLaMA و DeepSeek 08:26
-
روز 4 - توکن چیست؟ از کاراکترها تا Tokenizer اختصاصی GPT 04:02
-
روز 4 - درک توکنسازی: نحوه تجزیه متن به توکن توسط GPT 08:13
-
روز 4 - توکنسازی با tiktoken و درک توهم حافظه 10:56
-
روز 4 - پنجرههای بافتار، هزینههای API و محدودیتهای توکن در LLMها 10:49
-
روز 5 - ساخت یک تولیدکننده بروشور فروش با استفاده از OpenAI Chat Completions API 09:03
-
روز 5 - ساخت پرامپتهای JSON و استفاده از API تکمیل چت OpenAI 10:43
-
روز 5 - زنجیرهسازی فراخوانیهای GPT: ساخت تولیدکننده هوشمند بروشور شرکتی 09:07
-
روز 5 - ساخت تولیدکننده بروشور با GPT-4 و نمایش لحظهای نتایج 11:17
-
روز 5 - کاربردهای کسب و کار، چالشها و ساخت معلم هوش مصنوعی اختصاصی شما 09:56
-
روز 1 - اتصال به چندین مدل Frontier با استفاده از APIها (OpenAI ،Claude ،Gemini) 11:58
-
روز 1 - تست مدلهای GPT-5 با قابلیت تلاش برای استدلال و معماهای مقیاسپذیری 06:59
-
روز 1 - تست عملکرد Claude ،GPT-5 ،Gemini و DeepSeek در حل معماهای فکری 07:59
-
روز 1 - مدلهای محلی با Ollama، استفاده از APIهای بومی و یکپارچهسازی با OpenRouter 09:08
-
روز 1 - مقایسه LangChain و LiteLLM: انتخاب فریمورک مناسب برای LLM 12:11
-
روز 1 - تقابل LLMها: ساخت گفتگوهای چند مدلی با استفاده از OpenAI و Claude 10:44
-
روز 2 - ساخت رابط کاربری برای علوم داده با Gradio (بدون نیاز به مهارتهای Front-End) 09:57
-
روز 2 - ساخت اولین رابط Gradio با استفاده از Callbackها و قابلیت اشتراکگذاری 09:31
-
روز 2 - ساخت رابطهای Gradio به همراه احراز هویت و یکپارچهسازی با GPT 08:43
-
روز 2 - پاسخهای Markdown و قابلیت Streaming با Gradio و OpenAI 10:13
-
روز 2 - ساخت رابطهای کاربری چند مدلی در Gradio با Streaming از GPT و Claude 08:42
-
روز 3 - ساخت رابطهای چت با Gradio: اولین دستیار هوش مصنوعی محاورهای شما 08:51
-
روز 3 - ساخت یک چتبات با قابلیت Streaming با استفاده از Gradio و OpenAI API 06:02
-
روز 3 - پرامپت های سیستم، پرامپتنویسی چند-نمونهای و اولین نگاه به RAG 10:23
-
روز 4 - چگونگی عملکرد واقعی فراخوانی ابزار در مدلهای زبانی (بدون جادو، فقط پرامپت) 08:10
-
روز 4 - موارد کاربرد رایج برای ابزارهای مدل زبانی و جریانهای کاری هوش مصنوعی عاملی 03:31
-
روز 4 - ساخت یک دستیار هوش مصنوعی هواپیمایی با قابلیت فراخوانی ابزار در OpenAI و Gradio 11:40
-
روز 4 - مدیریت چندین فراخوانی ابزار به صورت همزمان با OpenAI و Gradio 09:57
-
روز 4 - پیادهسازی فراخوانی ابزار با یکپارچهسازی پایگاهداده SQLite 12:43
-
روز 5 - مقدمهای بر هوش مصنوعی عاملی و ساخت گردش های کاری چند-ابزاری 08:29
-
روز 5 - چگونگی عملکرد Gradio: ساخت رابطهای کاربری وب از کدهای Python 07:56
-
روز 5 - ساخت اپلیکیشنهای چند-وجهی با DALL-E 3، تبدیل متن به گفتار و Gradio Blocks 10:42
-
روز 5 - اجرای دستیار هوش مصنوعی چند-وجهی با Gradio و ابزارها 08:21
-
روز 1 - مقدمهای بر پلتفرم Hugging Face: مدلها، مجموعهداده و Spaceها 11:57
-
روز 1 - کتابخانههای HuggingFace: تشریح Transformers، Datasets و Hub 06:34
-
روز 1 - مقدمهای بر Google Colab و پردازندههای گرافیکی ابری برای توسعه هوش مصنوعی 10:26
-
روز 1 - شروع کار با Google Colab: راهاندازی، زمان اجرا و دسترسی رایگان به GPU 07:44
-
روز 1 - راهاندازی Google Colab با Hugging Face و اجرای اولین مدل توسط مدرس 09:45
-
روز 1 - اجرای Stable Diffusion و FLUX روی پردازندههای گرافیکی Google Colab 14:02
-
روز 2 - مقدمهای بر پایپلاینهای Hugging Face برای استنتاج سریع هوش مصنوعی 08:25
-
روز 2 - استفاده از API پایپلاینهای HuggingFace برای تحلیل احساسات روی GPU T4 در Colab 11:25
-
روز 2 - بازشناسی موجودیتهای نامدار (NER)، پرسش و پاسخ، و تسک های پایپلاین Hugging Face 10:12
-
روز 2 - پایپلاینهای Hugging Face: مدلهای تصویر، صوت و انتشار در Colab 07:24
-
روز 3 - Tokenizers: چگونگی تبدیل متن به عدد توسط مدلهای زبانی بزرگ 09:12
-
روز 3 - Tokenizers در عمل: کدگذاری و رمزگشایی با Llama 3.1 11:01
-
روز 3 - چگونگی عملکرد الگوهای چت: توکنایزرهای LLaMA و توکنهای خاص 07:27
-
روز 3 - مقایسه توکنایزرها: بررسی عملی Phi-4، DeepSeek و QWENCoder 05:26
-
روز 4 - بررسی عمیق Transformers، کوانتیزاسیون و شبکههای عصبی 07:52
-
روز 4 - کار با API سطح پایین Transformers در Hugging Face و کوانتیزاسیون 10:11
-
روز 4 - درون LLaMA: معماری مدل PyTorch و تعبیه های توکن 08:51
-
روز 4 - درون LLaMA: لایههای رمزگشا، مکانیزم توجه و علت اهمیت غیرخطی بودن 11:27
-
روز 4 - اجرای مدلهای زبانی بزرگ متنباز: Phi ،Gemma ،Qwen و DeepSeek با Hugging Face 11:08
-
روز 5 - مصورسازی استنتاج توکنبهتوکن در مدلهای GPT 12:16
-
روز 5 - استخراج صورتجلسات از فایل صوتی با Whisper و Google Colab 08:50
-
روز 5 - ساخت صورتجلسات با OpenAI Whisper و LLaMA 3.2 09:32
-
روز 5 - جمعبندی هفته 3: ساخت یک تولیدکننده داده مصنوعی با مدلهای متنباز 04:25
-
روز 1 - انتخاب مدل زبانی مناسب: استراتژی و اصول انتخاب مدل 11:44
-
روز 1 - قانون مقیاسبندی Chinchilla: پارامترها، داده آموزشی و اهمیت آن 04:02
-
روز 1 - درک بنچمارکهای مدل هوش مصنوعی: GPQA ،MMLU-Pro و HLE 08:08
-
روز 1 - محدودیتهای بنچمارکهای هوش مصنوعی: آلودگی داده و بیشبرازش 08:27
-
روز 1 - ساخت یک جدول امتیازات برای بازی Connect Four (بنچمارک استدلال) 08:39
-
روز 2 - ناوبری جداول امتیازات هوش مصنوعی: Artificial Analysis ،HuggingFace و موارد دیگر 08:58
-
روز 2 - بررسی عمیق Artificial Analysis: مقایسه هوشمندی مدل در برابر هزینه 10:45
-
روز 2 - جداول امتیازات ضروری مدلهای هوش مصنوعی: Vellum ،SEAL و LiveBench 09:14
-
روز 2 - LM Arena: تست کور مدلهای هوش مصنوعی با رتبهبندی Elo جامعه کاربری 04:32
-
روز 2 - موارد کاربرد تجاری: اتوماسیون، تقویت توانمندیها و هوش مصنوعی عاملی 08:48
-
روز 3 - انتخاب مدلهای زبانی برای تولید کد: تبدیل Python به ++C با Cursor 08:32
-
روز 3 - انتخاب مدلهای پیشرو: GPT-5 ،Claude، Grok و Gemini برای تولید کد ++C 08:48
-
روز 3 - پورت کردن Python به ++C با GPT-5: افزایش عملکرد تا 230 برابر 11:15
-
روز 3 - رقابت برنامهنویسی هوش مصنوعی: عملکرد GPT-5 در مقابل Claude ،Gemini و Groq 09:57
-
روز 4 - مدلهای متنباز برای تولید کد: Qwen ،DeepSeek و Ollama 09:41
-
روز 4 - ساخت یک رابط کاربری Gradio برای تست مدلهای تبدیل کد Python به ++C 06:29
-
روز 4 - رقابت عملکردی Qwen 3 Coder در مقابل GPT OSS در OpenRouter 07:39
-
روز 5 - ارزیابی مدل: معیارهای فنی در مقابل نتایج کسب و کار 10:17
-
روز 5 - ترجمه کد Python به Rust: تست Gemini 2.5 Pro با Cursor 09:48
-
روز 5 - پورت کردن Python به Rust: تست مدلهای GPT ،Claude و Qwen 09:37
-
روز 5 - پیروزی مدل متنباز؟ چالش سرعت تولید کد Rust 13:24
-
روز 1 - مقدمهای بر RAG: اصول تولید تقویتشده با بازیابی 09:15
-
روز 1 - ساخت یک دستیار دانش ساده RAG با مدل GPT-4-1 Nano 11:11
-
روز 1 - ساخت یک سیستم RAG ساده: جستجوی لغتنامهای و بازیابی متن 09:15
-
روز 1 - تعبیه های برداری و مدلهای زبانی رمزگذار: زیربنای RAG 09:18
-
روز 1 - چگونگی نمایش معنا توسط تعبیه های برداری: از word2vec تا رمزگذارها 07:51
-
روز 1 - درک ایده اصلی پشت RAG و ذخیرهسازهای داده برداری 07:10
-
روز 2 - بردارها برای RAG: مقدمهای بر LangChain و پایگاهداده برداری 07:54
-
روز 2 - تقسیم اسناد به قطعات کوچک با متنشکنهای LangChain 12:12
-
روز 2 - مدلهای رمزگذار در مقابل پایگاهداده برداری: OpenAI ،BERT ،Chroma و FAISS 09:10
-
روز 2 - ایجاد ذخیرهسازهای برداری با Chroma و مصورسازی تعبیه ها با t-SNE 10:06
-
روز 2 - مصورسازی سهبعدی بردارها و مقایسه مدلهای تعبیه 11:51
-
روز 3 - ساخت یک پایپلاین کامل RAG با LangChain و Chroma 07:53
-
روز 3 - ساخت پایپلاین RAG با LangChain: راهاندازی مدل زبانی و بازیاب 10:05
-
روز 3 - ساخت RAG با LangChain: یکپارچهسازی بازیاب و مدل زبانی بزرگ 10:57
-
روز 3 - ساخت RAG عملیاتی با ماژولهای Python و رابط کاربری Gradio 12:03
-
روز 3 - سیستم RAG با تاریخچه گفتگو: ساخت رابط Gradio و عیبیابی قطعات متن 12:33
-
روز 4 - ارزیابیهای RAG: اندازهگیری عملکرد و تکرار بر روی پایپلاین 10:28
-
روز 4 - ارزیابی سیستمهای RAG: معیارهای بازیابی، مدل زبانی به عنوان داور و داده مرجع 13:45
-
روز 4 - ارزیابی سیستمهای RAG: معیارهای MRR، NDCG و داده تست با Pydantic 10:32
-
روز 4 - مدل زبانی به عنوان داور: ارزیابی پاسخهای RAG با خروجیهای ساختاریافته 09:17
-
روز 4 - اجرای ارزیابیهای RAG با Gradio: نمایش MRR ،nDCG و نتایج تست 08:33
-
روز 4 - آزمایش استراتژیهای قطعهبندی و مدلهای تعبیه در RAG 09:48
-
روز 4 - تست تعبیه های OpenAI و ارزیابی بهبود عملکرد RAG 07:29
-
روز 5 - تکنیکهای پیشرفته RAG: پیشپردازش، رتبهبندی مجدد و ارزیابیها 08:55
-
روز 5 - تکنیکهای پیشرفته RAG: قطعهبندی، رمزگذارها و بازنویسی کوئری 10:08
-
روز 5 - تکنیکهای پیشرفته RAG: گسترش کوئری، رتبهبندی مجدد و GraphRAG 11:51
-
روز 5 - ساخت RAG پیشرفته بدون LangChain: قطعهبندی معنایی با مدلهای زبانی 13:07
-
روز 5 - ایجاد تعبیه ها با Chroma، مصورسازی با t-SNE و رتبهبندی مجدد 11:15
-
روز 5 - ساخت RAG بدون LangChain: رتبهبندی مجدد و بازنویسی کوئری 08:30
-
روز 5 - ساخت RAG عملیاتی با گسترش کوئری و چندپردازشی 11:53
-
روز 5 - ارزیابی پیشرفته RAG: افزایش MRR از 0.73 به 0.91 با GPT-4o 11:03
-
روز 5 - چالش RAG: نتایج مدرس را به چالش بکشید و کارگر دانش خود را بسازید 09:14
-
روز 1 - آموزش، مجموعهداده و تعمیمدهی: آغاز پروژه نهایی 09:17
-
روز 1 - Fine-tuning مدلهای زبانی و معرفی پروژه نهایی «قیمت مناسب است» 12:16
-
روز 1 - جمعآوری مجموعهداده: یافتن منابع داده و ساخت مجموعههای آموزشی 10:04
-
روز 1 - جمعآوری داده Amazon با Hugging Face برای پیشبینی قیمت 12:58
-
روز 1 - بررسی توزیع مجموعهداده Amazon و حذف موارد تکراری 11:24
-
روز 1 - نمونهبرداری وزندار با NumPy و بارگذاری مجموعهداده در Hugging Face 11:53
-
روز 2 - استراتژی پنجمرحلهای برای انتخاب و بهکارگیری مدلهای زبانی در مسائل کسب و کار 10:28
-
روز 2 - فرآیند پنجمرحلهای هوش مصنوعی و عملیاتیسازی با MLOps 08:33
-
روز 2 - پیشپردازش داده با مدلهای زبانی و حالت دستهای Groq 09:44
-
روز 2 - پردازش دستهای با API شرکت Groq و فایلهای JSONL برای گردش های کاری مدل زبانی 12:29
-
روز 2 - پردازش دستهای با Groq: اجرای 22 هزار درخواست مدل زبانی با کمتر از 1 دلار 13:42
-
روز 3 - ساخت مدلهای پایه با یادگیری ماشین سنتی و XGBoost 11:31
-
روز 3 - ساخت اولین مدل پایه با قیمتگذار تصادفی و Scikit-learn 11:54
-
روز 3 - مدلهای پایه و رگرسیون خطی با Scikit-Learn 09:45
-
روز 3 - روش Bag of Words و CountVectorizer برای پردازش متن در رگرسیون خطی 07:53
-
روز 3 - مدلهای جنگل تصادفی و XGBoost: مدلهای گروهی در Scikit-Learn 10:23
-
روز 4 - آموزش اولین شبکه عصبی و تست مدلهای پیشرو 10:47
-
روز 4 - مقایسه عملکرد پایه انسانی با مدلهای یادگیری ماشین در PyTorch 08:32
-
روز 4 - ساخت اولین شبکه عصبی با PyTorch 10:28
-
روز 4 - تست GPT-4o-mini و Claude Opus در برابر شبکههای عصبی 11:12
-
روز 4 - تست Gemini 3 ،GPT-5.1 ،Claude 4.5 و Grok در پیشبینی قیمت 10:31
-
روز 5 - Fine-Tuning مدلهای پیشرو OpenAI با روش نظارتشده (SFT) 12:59
-
روز 5 - Fine-Tuning GPT-4o Nano با API شرکت OpenAI برای مدلهای سفارشی 09:18
-
روز 5 - Fine-TuningGPT-4o-mini-nano: اجرای فرآیندها و پایش آموزش 09:03
-
روز 5 - نتایج Fine-Tuning: زمانی که عملکرد GPT-4o-mini ضعیفتر میشود 09:39
-
روز 5 - شکست Fine-Tuning مدلهای پیشرو و ساخت شبکههای عصبی عمیق 09:51
-
روز 5 - جبران با شبکه عصبی عمیق: 289 میلیون پارامتر در مقابل مدلهای پیشرو 10:08
-
روز 1 - مقدمهای بر QLoRA برای Fine-Tuning مدلهای متنباز 07:44
-
روز 1 - روش LoRA: آموزش LLaMA 3.2 با آداپتورهای کمرتبه 08:31
-
روز 1 - تشریح هایپرپارامترهای LoRA و کوانتیزاسیون QLoRA 11:38
-
روز 1 - راهاندازی Google Colab و بررسی معماری مدل LLaMA 3.2 14:35
-
روز 1 - بارگذاری مدلها با کوانتیزاسیون 8 بیتی و 4 بیتی با استفاده از QLoRA 10:53
-
روز 1 - محاسبات پارامترهای LoRA و اندازه مدل در Hugging Face 08:42
-
روز 2 - آمادهسازی مجموعهداده برای Fine-Tuning با محدودیت توکن 10:35
-
روز 2 - آمادهسازی Fine-Tuning داده: گرد کردن قیمتها و بهینهسازی طول توکنها 12:28
-
روز 2 - آمادهسازی مجموعهداده Hugging Face و تست مدل پایه LLaMA 3.2 10:33
-
روز 2 - مدلهای پایه در مقابل مدلهای چت: درک Fine-Tuning LLaMA 11:22
-
روز 3 - هایپرپارامترهای Fine-Tuning: تنظیمات QLoRA و پیکربندی آموزش 11:17
-
روز 3 - نرخ یادگیری، بهینهسازها و هایپرپارامترهای آموزشی برای LoRA 09:59
-
روز 3 - راهاندازی آموزش: هایپرپارامترها، پیکربندی qLoRA و سرویس Weights & Biases 14:06
-
روز 3 - راهاندازی Weights & Biases و مربی SFT در HuggingFace 09:03
-
روز 3 - اجرای Fine-Tuning با کتابخانه TRL و پایش آموزش در Weights & Biases 09:21
-
روز 4 - پایش فرآیند Fine-Tuning با Weights & Biases 10:39
-
روز 4 - آموزش روی مجموعهداده کامل در Google Colab A100 با 800 هزار نقطه داده 10:17
-
روز 4 - پایش خطای آموزش و نرخ یادگیری در Weights & Biases 08:57
-
روز 4 - تحلیل نتایج Weights & Biases و شناسایی بیشبرازش 10:31
-
روز 4 - مدیریت فرآیندها در Weights & Biases و انتخاب بهترین Checkpoints مدل 05:40
-
روز 5 - روز نتایج: اجرای استنتاج روی مدلهای Fine-Tuned شده و محاسبه خطا 07:35
-
روز 5 - خطای انتروپی متقاطع: چگونگی محاسبه توزیع احتمال توسط مدلهای زبانی بزرگ 08:55
-
روز 5 - تست مدل LoRA که Fine-Tuned شده مدرس در برابر GPT-4o Nano 06:42
-
روز 5 - مدل Fine-Tuned شده LLaMA 3.2 مدلهای GPT-5.1 و پیشرو را شکست میدهد 09:50
-
روز 1 - مقدمهای بر هوش مصنوعی عاملی و استقرار بدون سرور در Modal 11:49
-
روز 1 - طراحی معماریهای عامل و راهاندازی پلتفرم Modal 08:57
-
روز 1 - اجرای Python به صورت محلی و ابری با قابلیت اجرای از راه دور Modal 10:36
-
روز 1 - راه اندازی Modal Secrets و استقرار مدلهای LLaMA در فضای ابری 10:22
-
روز 1 - استقرار مدلهای Fine-Tuned شده در فضای ابری Modal با ذخیرهساز دائمی 14:29
-
روز 1 - ساخت اولین عامل با هوش مصنوعی بدون سرور Modal 06:18
-
روز 2 - ساخت RAG پیشرفته با ChromaDB و ذخیرهسازهای برداری (بدون LangChain) 09:19
-
روز 2 - مصورسازی بردارهای Chroma با t-SNE و ساخت یک پایپلاین RAG 09:54
-
روز 2 - سیستم RAG با GPT-4o در مقابل مدلهای Fine-Tuned شده: ساخت یک مدل گروهی 09:54
-
روز 2 - موفقیت مدل گروهی: ترکیب RAG، شبکههای عصبی و Modal 10:44
-
روز 2 - ساخت و تست یک عامل گروهی با چندین فراخوانی مدل زبانی بزرگ 04:30
-
روز 3 - خروجیهای ساختاریافته با Pydantic و کدگشایی محدود شده 07:21
-
روز 3 - ساخت یک اسکنر معاملات با خروجیهای ساختاریافته و Pydantic 09:06
-
روز 3 - خروجیهای ساختاریافته برای تجزیه و ساخت یک عامل نوتیفیکیشن Pushover 12:07
-
روز 4 - ساخت هوش مصنوعی عاملی: عوامل برنامهریز با ارکستریشن بزارها 07:59
-
روز 4 - ساخت یک عامل برنامهریز خودمختار با قابلیت فراخوانی ابزار و GPT-4 08:09
-
روز 4 - ساخت یک سیستم خودمختار چندعامله با قابلیت فراخوانی ابزار و منطق عامل 10:01
-
روز 4 - ساخت یک پلتفرم هوش مصنوعی چندمدلی: 34 فراخوانی در مدلهای GPT-5، Claude و متنباز 02:56
-
روز 5 - نهاییسازی گردش کاری عاملی مدرس و تبدیل شدن به مهندس هوش مصنوعی 03:02
-
روز 5 - ساخت رابط کاربری عامل «قیمت مناسب است» با Gradio و DealAgentFramework 06:17
-
روز 5 - جمعبندی دوره: سفر شما به سوی مهندسی هوش مصنوعی 09:03
-
باز کردن سرد - پرش مستقیم به مهندسی LLM 00:37
-
راه اندازی Olama برای استقرار محلی LLM در ویندوز و مک 04:14
-
کشف قدرت LLMs محلی - ایجاد معلم خصوصی زبان اسپانیایی با استفاده از Ollama 04:07
-
نقشه راه مهندسی LLM - از مبتدی تا تسلط در 8 هفته 05:45
-
ساخت اپلیکیشن های LLM - چت بات ها، RAG و پروژه های هوش مصنوعی عاملی 01:49
-
از وال استریت تا هوش مصنوعی - مسیر اد دانر برای تبدیل شدن به مهندس LLM 02:07
-
راه اندازی محیط توسعه LLM - ابزارها و بهترین شیوه ها 06:11
-
راهنمای راه اندازی مک - Jupyter Lab و Conda برای پروژه های LLM 06:54
-
راه اندازی آناکوندا برای مهندسی LLM - راهنمای نصب ویندوز 11:37
-
راه اندازی جایگزین پایتون برای پروژه های LLM - راهنمای Virtualenv در مقابل آناکوندا 06:32
-
راه اندازی OpenAI API برای توسعه LLM - کلیدها، قیمت گذاری و بهترین شیوه ها 07:14
-
ایجاد فایل env. برای ذخیره ایمن کلیدهای API 05:00
-
پروژه رضایت فوری - ایجاد خلاصه ساز صفحه وب مبتنی بر هوش مصنوعی 09:31
-
پیاده سازی خلاصه سازی متن با استفاده از GPT-4 OpenAI و Beautiful Soup 13:36
-
جمع بندی - نکات کلیدی و گام های بعدی در مهندسی LLM 02:48
-
تسلط به مهندسی LLM - مهارت ها و ابزارهای کلیدی برای توسعه هوش مصنوعی 06:52
-
درک مدل های مرزی - GPT ،Claude و LLMs متن باز 07:42
-
چگونه از Olama برای استنتاج LLM محلی استفاده کنیم؟ - آموزش پایتون با Jupyter 06:55
-
تسک عملی LLM - مقایسه OpenAI و Ollama برای خلاصه سازی متن 00:36
-
مدل های هوش مصنوعی مرزی - مقایسه GPT-4 ،Claude ،Gemini و LLAMA 07:38
-
مقایسه LLMs پیشرو - نقاط قوت و اپلیکیشن های کسب و کار 01:49
-
بررسی پیش نمایش GPT-4o در مقابل O1 - تفاوت های کلیدی در عملکرد 03:54
-
خلاقیت و کدنویسی - استفاده از ویژگی GPT-4o Canvas 06:31
-
ترازبندی و ایجاد آرتیفکت Claude 3.5 - بررسی عمیق 05:26
-
مقایسه مدل هوش مصنوعی - Gemini در مقابل Cohere برای تسک های عجیب و غریب و تحلیلی 04:46
-
ارزیابی هوش مصنوعی متا و Perplexity - تفاوت های ظریف خروجی های مدل 04:36
-
چالش رهبری LLM - ارزیابی مدل های هوش مصنوعی از طریق پرامپت های خلاقانه 05:41
-
افشای برنده رهبری - چالش سرگرم کننده LLM 07:50
-
بررسی سفر هوش مصنوعی - از مدل های اولیه تا ترنسفرمرها 03:02
-
درک پارامترهای LLM - از GPT-1 تا مدل های دارای تریلیون وزن 05:01
-
توضیح توکن سازی GPT - مدل های زبانی بزرگ چگونه ورودی متن را پردازش می کنند؟ 10:41
-
پنجره های کانتکس چگونه بر مدل های زبانی هوش مصنوعی تأثیر می گذارد؟ - توضیح محدودیت های توکن 03:13
-
ناوبری هزینه های مدل هوش مصنوعی - قیمت گذاری API در مقابل سابسکریپشن های رابط چت 02:48
-
مقایسه پنجره های کانتکس LLM - بررسی GPT-4 در مقابل Claude در مقابل Gemini 1.5 Flash 05:22
-
جمع بندی - نکات کلیدی و بینش های عملی 02:40
-
ساخت بروشورهای بازاریابی مبتنی بر هوش مصنوعی با OpenAI API و پایتون 03:08
-
آموزش JupyterLab - وب اسکرپینگ برای بروشورهای شرکت مبتنی بر هوش مصنوعی 06:20
-
خروجی های ساختار یافته در LLMs - بهینه سازی پاسخ های جی سان برای پروژه های هوش مصنوعی 09:20
-
ایجاد و فرمت بندی پاسخ ها برای محتوای بروشور 08:39
-
تنظیمات نهایی - بهینه سازی نشانه گذاری و استریمینگ در JupyterLab 09:50
-
تسلط به پرامپت نویسی چند شات - افزایش قابلیت اطمینان LLM در پروژه های هوش مصنوعی 04:22
-
تکلیف - توسعه معلم خصوصی سفارشی مبتنی بر LLM خود 04:07
-
جمع بندی هفته 1 - دستاوردها و گام های بعدی 02:56
-
تسلط به چندین AI APIs - بررسی OpenAI ،Claude و Gemini برای مهندسان LLM 04:50
-
استریمینگ پاسخ های هوش مصنوعی - پیاده سازی خروجی LLM به صورت بلادرنگ در پایتون 16:14
-
چگونه با استفاده از OpenAI و Claude APIs مکالمات هوش مصنوعی متخاصم را ایجاد کنیم؟ 11:18
-
ابزارهای هوش مصنوعی - بررسی ترنسفرمرها و LLMs مرزی برای توسعه دهندگان 01:20
-
ایجاد رابط های هوش مصنوعی با Gradio - نمونه سازی اولیه سریع برای مهندسان LLM 03:03
-
آموزش Gradio - ایجاد رابط های هوش مصنوعی تعاملی برای مدل های OpenAI GPT 11:41
-
پیاده سازی استریمینگ پاسخ ها با GPT و Claude در رابط کاربری Gradio 05:58
-
ساخت رابط چت هوش مصنوعی چند مدلی با Gradio - GPT در مقابل Claude 08:22
-
ایجاد رابط های هوش مصنوعی پیشرفته - از OpenAI API تا رابط های چت با Gradio 01:23
-
ساخت چت بات های هوش مصنوعی - تسلط به Gradio برای دستیاران پشتیبانی مشتری 04:43
-
ساخت چت بات مکالمه ای هوش مصنوعی با OpenAI و Gradio - گام به گام 12:36
-
تقویت چت بات ها با پرامپت نویسی چند شات و غنی سازی کانتکس 10:12
-
تسلط به ابزارهای هوش مصنوعی - توانمندسازی LLMs برای اجرای کد روی ماشین خود 02:35
-
استفاده از ابزارهای هوش مصنوعی با LLMs - افزایش قابلیت های مدل زبانی بزرگ 07:27
-
ساخت دستیار خط هوایی هوش مصنوعی - پیاده سازی ابزارها با OpenAI GPT-4 06:10
-
چگونه LLMs را با ابزارهای سفارشی تجهیز کنیم؟ - آموزش فراخوانی تابع OpenAI 11:35
-
تسلط به ابزارهای هوش مصنوعی - ساخت دستیاران پیشرفته مجهز به LLM با APIs 01:13
-
دستیاران هوش مصنوعی چندوجهی - یکپارچه سازی تولید تصویر و صدا 05:01
-
هوش مصنوعی چندوجهی - یکپارچه سازی تولید تصویر DALL-E 3 در JupyterLab 08:27
-
ساخت ایجنت هوش مصنوعی چندوجهی - یکپارچه سازی ابزارهای صوتی و تصویری 06:53
-
چگونه یک دستیار هوش مصنوعی چندوجهی بسازیم؟ - یکپارچه سازی ابزارها و ایجنت ها 04:32
-
آموزش Hugging Face - بررسی مدل ها و مجموعه داده های هوش مصنوعی متن باز 10:38
-
بررسی HuggingFace Hub - مدل ها، مجموعه داده ها و فضاها برای توسعه دهندگان هوش مصنوعی 12:39
-
آشنایی با Google Colab - بررسی Cloud Jupyter Notebooks برای یادگیری ماشین 03:16
-
یکپارچه سازی Hugging Face با Google Colab - بررسی Secrets و راه اندازی کلیدهای API 10:35
-
تسلط به Google Colab - مدل های هوش مصنوعی متن باز با Hugging Face 01:58
-
ترنسفرمرهای Hugging Face - استفاده از پایپ لاین ها برای تسک های هوش مصنوعی در پایتون 04:07
-
پایپ لاین ها در Hugging Face - ساده سازی تسک های هوش مصنوعی با کتابخانه ترنسفرمرها 13:11
-
تسلط به پایپ لاین ها در Hugging Face - استنتاج کارآمد هوش مصنوعی برای تسک های ML 01:41
-
بررسی توکنایزرها در هوش مصنوعی متن باز - Llama ،Phi-2 ،Qwen و Starcoder 05:12
-
تکنیک های توکن سازی در هوش مصنوعی - استفاده از AutoTokenizer با مدل LLAMA 3.1 11:00
-
مقایسه توکنایزرها - Llama ،PHI-3 و QWEN2 برای مدل های هوش مصنوعی متن باز 11:35
-
توکنایزرهای Hugging Face - آماده سازی برای تولید متن پیشرفته با هوش مصنوعی 00:51
-
کلاس مدل Hugging Face - استنتاج در حال اجرا روی مدل های هوش مصنوعی متن باز 03:38
-
ترنسفرمرهای Hugging Face - بارگذاری و کمی سازی LLMs با بیت ها و بایت ها 14:51
-
ترنسفرمرهای Hugging Face - ایجاد جوک ها با مدل های هوش مصنوعی متن باز 10:44
-
تسلط به ترنسفرمرهای Hugging Face - مدل ها، پایپ لاین ها و توکنایزرها 01:31
-
ترکیب مدل های مرزی و متن باز برای خلاصه سازی صدا به متن 03:24
-
استفاده از Hugging Face و OpenAI برای تولید صورت جلسه با هوش مصنوعی 12:56
-
ساخت ژنراتور داده تست مصنوعی - مدل هوش مصنوعی متن باز برای کسب و کار 04:49
-
چگونه LLM مناسب را انتخاب کنیم؟ - مقایسه مدل های متن باز و متن بسته 12:13
-
قانون مقیاس بندی Chinchilla - بهینه سازی پارامترهای LLM و اندازه داده آموزش 05:44
-
محدودیت های بنچ مارک های LLM - بیش برازش و نشت داده آموزش 07:26
-
ارزیابی مدل های زبانی بزرگ - رونمایی از بنچ مارک های سطح بعدی 06:29
-
OpenLLM Leaderboard در HuggingFace - مقایسه مدل های زبانی متن باز 09:33
-
تسلط به LLM Leaderboards - مقایسه مدل های متن باز و متن بسته 01:48
-
مقایسه LLMs - شش Leaderboards برتر برای ارزیابی مدل های زبانی 05:45
-
LLM Leaderboards تخصصی - یافتن بهترین مدل برای یوزکیس خود 08:05
-
LLAMA در مقابل GPT-4 - بنچ مارکینگ مدل های زبانی بزرگ برای تولید کد 13:05
-
مدل های زبانی رتبه بندی شده توسط انسان - آشنایی با عرصه چت بات LM Sys 07:21
-
کاربردهای تجاری مدل های زبانی بزرگ - از قانون تا آموزش 05:43
-
مقایسه LLMs مرزی و متن باز برای پروژه های تبدیل کد 03:00
-
استفاده از مدل های مرزی برای تولید کد با کارایی بالا در ++C 02:37
-
مقایسه LLMs برتر برای تولید کد - GPT-4 در مقابل Claude 3.5 Sonnet 08:24
-
بهینه سازی کد پایتون با مدل های زبانی بزرگ - GPT-4 در مقابل Claude 3.5 07:50
-
مشکلات تولید کد - زمانی که مدل های زبانی بزرگ خطا تولید می کنند 05:52
-
Blazing تولید کدهای سریع - چگونه می توان 13000 برابر Claude را بهتر از پایتون کرد؟ 04:32
-
ساخت رابط کاربری Gradio برای تولید کد با مدل های زبانی بزرگ 04:05
-
بهینه سازی تولید کد ++C - مقایسه عملکرد GPT و Claude 07:22
-
مقایسه GPT-4 و Claude برای تولید کد - بنچ مارک های عملکرد 04:44
-
LLMs متن باز برای تولید کد - بررسی اندپوینت های Hugging Face 01:59
-
چگونه از اندپوینت های استنتاج HuggingFace برای مدل های تولید کد استفاده کنیم؟ 08:20
-
یکپارچه سازی مدل های متن باز با LLMs مرزی برای تولید کد 07:01
-
مقایسه تولید کد - GPT-4 و Claude و CodeQuen LLMs 10:33
-
تسلط به تولید کد با LLMs - تکنیک ها و انتخاب مدل 01:48
-
ارزیابی عملکرد LLM - متریک های مدل محور در مقابل متریک های کسب و کار محور 09:11
-
تسلط به تولید کد LLM - چالش های پیشرفته برای توسعه دهندگان پایتون 07:51
-
اصول RAG - استفاده از داده خارجی برای بهبود پاسخ های LLM 05:03
-
ساخت سیستم DIY RAG - پیاده سازی نسل بازیابی افزوده (RAG) 13:09
-
درک تعبیه های بردار - کلید بازیابی RAG و LLM 09:30
-
رونمایی از LangChain - ساده سازی پیاده سازی RAG برای اپلیکیشن های LLM 03:45
-
آموزش تقسیم کننده متن LangChain - بهینه سازی تکه ها برای سیستم های RAG 10:59
-
آماده سازی برای پایگاه داده های برداری - تعبیه OpenAI و Chroma در RAG 01:14
-
تسلط به تعبیه های بردار - OpenAI و Chroma برای مهندسی LLM 04:14
-
مصورسازی تعبیه ها - بررسی فضای چندبعدی با t-SNE 17:41
-
ساخت پایپ لاین های RAG - از بردارها تا تعبیه ها با LangChain 02:51
-
پیاده سازی پایپ لاین RAG - بررسی LLM ،Retriever و حافظه در LangChain 04:37
-
تسلط به بازیابی نسل افزوده (RAG) - یکپارچه سازی عملی LLM 10:38
-
تسلط به پایپ لاین RAG - ساخت سیستم های RAG کارآمد 01:57
-
بهینه سازی سیستم های RAG - عیب یابی و فیکس کردن مشکلات رایج 01:02
-
سوئیچینگ فروشگاه های برداری - FAISS در مقابل Chroma در پایپ لاین های LangChain RAG 08:40
-
رمزگشایی LangChain - پشت صحنه ساخت پایپ لاین RAG 03:15
-
اشکال زدایی RAG - بهینه سازی بازیابی کانتکس در LangChain 10:28
-
ساخت Knowledge Worker هوش مصنوعی شخصی خود - RAG برای افزایش بهره وری 07:07
-
تیونینگ دقیق مدل های زبانی بزرگ - از استنتاج تا آموزش 10:17
-
یافتن و ساخت مجموعه داده ها برای تیونینگ دقیق LLM - منابع و تکنیک ها 05:59
-
تکنیک های Curation داده برای تیونینگ دقیق LLMs در توضیحات محصول 12:35
-
بهینه سازی داده آموزش - تکنیک های Scrubbing برای تیونینگ دقیق LLM 15:46
-
ارزیابی عملکرد LLM - متریک های مدل محور در مقابل متریک های کسب و کار 08:31
-
پایپ لاین استقرار LLM - از مشکل کسب و کار تا راه حل تولید 07:42
-
پرامپت نویسی، RAG و تیونینگ دقیق - زمان استفاده از هر رویکرد 09:55
-
تولید LLMs - بهترین شیوه ها برای استقرار مدل های هوش مصنوعی در مقیاس بالا 01:49
-
بهینه سازی مجموعه داده های بزرگ برای آموزش مدل - استراتژی های Curation داده 09:50
-
چگونه یک مجموعه داده متوازن برای آموزش LLM ایجاد کنیم؟ - تکنیک های Curation 11:27
-
نهایی سازی Curation مجموعه داده - تحلیل همبستگی های توضیح-قیمت 12:03
-
چگونه یک مجموعه داده با کیفیت بالا را در HuggingFace ایجاد و آپلود کنیم؟ 01:39
-
مهندسی ویژگی و Bag of Words - ایجاد بیس لاین های ML برای NLP 07:10
-
مدل های بیس لاین در ML - پیاده سازی توابع پیش بینی ساده 17:18
-
تکنیک های مهندسی ویژگی برای مدل های پیش بینی قیمت محصولات آمازون 09:08
-
بهینه سازی عملکرد LLM - استراتژی های پیشرفته مهندسی ویژگی 07:21
-
رگرسیون خطی برای تیونینگ دقیق LLM - مقایسه مدل بیس لاین 05:43
-
Bag of Words در NLP - پیاده سازی Count Vectorizer برای تحلیل متن در ML 07:48
-
پشتیبانی از رگرسیون برداری در مقابل جنگل تصادفی - Face-Off یادگیری ماشین 06:03
-
مقایسه مدل های سنتی ML - از تصادفی تا جنگل تصادفی 04:13
-
ارزیابی مدل های مرزی - مقایسه عملکرد با فریمورک های بیس لاین 01:46
-
انسان در مقابل هوش مصنوعی - ارزیابی عملکرد پیش بینی قیمت در مدل های مرزی 11:17
-
GPT-4o Mini - ارزیابی مدل هوش مصنوعی مرزی برای تسک های برآورد قیمت 10:59
-
مقایسه GPT-4 و Claude - عملکرد مدل در تسک های پیش بینی قیمت 09:00
-
قابلیت های هوش مصنوعی مرزی - عملکرد بهتر LLMs نسبت به مدل های سنتی ML 03:57
-
تیونینگ دقیق LLMs با OpenAI - آماده سازی، آموزش و ارزیابی داده 06:06
-
چگونه فایل های JSONL را برای تیونینگ دقیق مدل های زبانی بزرگ (LLM) تهیه کنیم؟ 11:06
-
راهنمای گام به گام - راه اندازی تیونینگ دقیق Jobs در GPT با OpenAI API 08:18
-
تیونینگ دقیق LLMs - ردیابی از دست دادن و پیشرفت آموزش با وزن ها و سوگیری ها 04:21
-
ارزیابی متریک های LLMs دقیق تیونینگ شده - تحلیل آموزش و ضرر اعتبارسنجی 07:18
-
چالش های تیونینگ دقیق LLM - زمانی که عملکرد مدل بهبود نمی یابد 01:52
-
تیونینگ دقیق LLMs مرزی - چالش ها و بهترین شیوه ها برای بهینه سازی 11:07
-
تسلط به تیونینگ دقیق کارآمد پارامتر - LoRa ،QLoRA و هایپرپارامترها 03:55
-
آشنایی با آداپتورهای LoRA - توضیح سازگاری با رنکینگ پایین 07:19
-
QLoRA - کمی سازی برای تیونینگ دقیق کارآمد مدل های زبانی بزرگ 05:16
-
بهینه سازی LLMs - ماژول های R، آلفا و هدف در تیونینگ دقیق QLoRA 05:14
-
تیونینگ دقیق کارآمد پارامتر - PEFT برای LLMs با Hugging Face 08:40
-
چگونه LLMs را کمی سازی کنیم؟ - کاهش اندازه مدل با دقت 8 بیتی 03:35
-
کمی سازی دوگانه و NF4 - تکنیک های پیشرفته برای بهینه سازی LLM چهار بیتی 03:41
-
بررسی مدل های PEFT - نقش آداپتورهای LoRA در تیونینگ دقیق LLM 07:10
-
خلاصه اندازه مدل - مقایسه مدل های کمی شده و دقیق تیونینگ شده 01:52
-
چگونه بهترین مدل اولیه را برای تیونینگ دقیق مدل های زبانی بزرگ انتخاب کنیم؟ 06:24
-
انتخاب بهترین مدل اولیه - تحلیل LLM Leaderboard در HuggingFace 06:49
-
بررسی توکنایزرها - مقایسه LLAMA و QWEN و سایر مدل های LLM 05:01
-
بهینه سازی عملکرد LLM - بارگذاری و توکن سازی مدل اولیه Llama 3.1 09:20
-
تأثیر کمی سازی بر LLMs - تحلیل متریک های عملکرد و خطاها 05:42
-
مقایسه LLMs - بررسی GPT-4 در مقابل LLAMA 3.1 در تیونینگ کارآمد پارامتر 03:17
-
هایپرپارامترهای QLoRA - تسلط به تیونینگ دقیق برای مدل های زبانی بزرگ 08:57
-
درک اپوک ها و اندازه های بچ در آموزش مدل 04:27
-
توضیح نرخ یادگیری، انباشت گرادیان و Optimizers 05:24
-
راه اندازی فرآیند آموزش برای تیونینگ دقیق 17:22
-
پیکربندی SFTTrainer برای تیونینگ دقیق LoRA کمی شده چهار بیتی LLMs 09:42
-
تیونینگ دقیق LLM - راه اندازی فرآیند آموزش با QLoRA 03:41
-
نظارت و مدیریت آموزش با وزن ها و سوگیری ها 02:08
-
پایین نگه داشتن هزینه های آموزش - استراتژی های تیونینگ دقیق کارآمد 01:50
-
تیونینگ دقیق کارآمد - استفاده از مجموعه داده های کوچکتر برای آموزش QLoRA 06:00
-
مصورسازی پیشرفت تیونینگ دقیق LLM با نمودارهای وزن ها و سوگیری ها 14:52
-
ابزارهای پیشرفته وزن ها و سوگیری ها و صرفه جویی در مدل در Hugging Face 11:55
-
تیونینگ دقیق End-to-End LLM - از تعریف مشکل تا مدل آموزش دیده 02:04
-
چهار مرحله در آموزش LLM - از پاس به جلو تا بهینه سازی 05:38
-
فرآیند آموزش QLoRA - پاس به جلو، پاس به عقب و محاسبه ضرر 06:52
-
درک Softmax و افت آنتروپی متقابل در آموزش مدل 07:12
-
نظارت بر تیونینگ دقیق - وزن ها و سوگیری ها برای تحلیل آموزش LLM 05:31
-
بازبینی مجدد Podium - مقایسه متریک های عملکرد مدل 03:08
-
ارزیابی LLM اختصاصی و دقیق تیونینگ شده ما در برابر متریک های کسب و کار 12:58
-
مصورسازی نتایج - آیا ما GPT-4 را شکست دادیم؟ 02:49
-
تیونینگ هایپرپارامتر برای LLMs - بهبود دقت مدل با PEFT 04:34
-
از تیونینگ دقیق تا سیستم های چندعاملی - مهندسی LLM سطح بعدی 03:21
-
ساخت معماری هوش مصنوعی چندعاملی برای سیستم های یافتن معامله خودکار 08:07
-
رونمایی از مودال - استقرار مدل های بدون سرور در ابر 04:21
-
LLAMA روی ابر - اجرای موثر مدل های بزرگ 15:39
-
ساخت API قیمت گذاری هوش مصنوعی بدون سرور - راهنمای گام به گام با مودال 18:39
-
مدل های تولید چندگانه پیش رو - آماده سازی برای راه حل های پیشرفته RAG 02:48
-
پیاده سازی گردش کارهای عاملی - مدل های مرزی و فروشگاه های برداری در RAG 05:20
-
ساخت دیتا استور برداری عظیم کروما برای پایپ لاین های پیشرفته RAG 09:23
-
مصورسازی فضاهای برداری - تکنیک های پیشرفته RAG برای اکتشاف داده 04:38
-
تکنیک های مصورسازی سه بعدی برای RAG - بررسی تعبیه های بردار 02:14
-
یافتن محصولات مشابه - ساخت پایپ لاین RAG بدون LangChain 07:38
-
پیاده سازی پایپ لاین RAG - تقویت LLMs با تکنیک های بازیابی 07:07
-
رگرسیون جنگل تصادفی - استفاده از ترنسفرمرها و ML برای پیش بینی قیمت 07:06
-
ساخت مدل گروهی - ترکیب LLM ،RAG و جنگل تصادفی 09:41
-
جمع بندی - نهایی سازی سیستم های چندعاملی و یکپارچه سازی RAG 01:54
-
تقویت ایجنت های هوش مصنوعی با خروجی های ساختار یافته - راهنمای Pydantic و BaseModel 04:12
-
اسکرپ کردن فیدهای RSS - ساخت سیستم انتخاب معامله مبتنی بر هوش مصنوعی 11:48
-
خروجی های ساختار یافته در هوش مصنوعی - پیاده سازی GPT-4 برای انتخاب معامله دقیق 10:27
-
بهینه سازی گردش کارهای هوش مصنوعی - اصلاح پرامپت ها برای تشخیص دقیق قیمت 02:41
-
تسلط به ایجنت های مستقل - طراحی گردش کارهای هوش مصنوعی چندعاملی 01:44
-
ویژگی بارز هوش مصنوعی عاملی - استقلال، برنامه ریزی و حافظه 10:50
-
ساخت سیستم هوش مصنوعی عاملی - یکپارچه سازی Pushover برای نوتیفیکیشن ها 09:08
-
پیاده سازی هوش مصنوعی عاملی - ایجاد ایجنت برنامه ریزی برای گردش کارهای خودکار 07:44
-
ساخت فریمورک ایجنت - اتصال LLMs و کد پایتون 14:14
-
تکمیل گردش کارهای عاملی - مقیاس بندی اپلیکیشن های کسب و کار 04:49
-
ایجنت های مستقل هوش مصنوعی - ساخت سیستم های هوشمند بدون دخالت انسان 02:51
-
ایجنت های هوش مصنوعی با Gradio - تکنیک های پیشرفته رابط کاربری برای سیستم های خودمختار 10:00
-
نهایی سازی رابط کاربری Gradio برای راه حل هوش مصنوعی عاملی ما 07:30
-
بهبود رابط کاربری ایجنت هوش مصنوعی - یکپارچه سازی Gradio برای مصورسازی لاگ بلادرنگ 04:17
-
تحلیل نتایج - نظارت بر عملکرد فریمورک ایجنت 02:16
-
گذشته نگر پروژه هوش مصنوعی - سفر 8 هفته ای برای تبدیل شدن به مهندس LLM 06:01
مشخصات آموزش
مسیر اصلی مهندسی هوش مصنوعی: مهندسی LLM ،RAG ،QLoRA و ایجنت ها
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:432
- مدت زمان :58:31:33
- حجم :52.49GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy