آموزش Generative AI برای تحقیق و توسعه با AWS و پایتون

آنچه یاد خواهید گرفت:

• آشنایی با هوش مصنوعی، یادگیری ماشین و شبکه‌های عصبی
• دانشجویان با اپلیکیشن‌های واقعی هوش مصنوعی آشنا می‌شوند.
• درک اصول یادگیری عمیق را کسب می‌کنند.
• یاد می‌گیرید که Generative AI چگونه کار می‌کند و عمیقاً به مدل‌های بنیادی می‌پردازید.
• یادگیری درباره مدل‌های بنیادی، LLMs، تبدیل متن به تصویر و هوش مصنوعی چندوجهی و کاربردهای واقعی آنها
• دانشجویان یاد خواهند گرفت که از کنسول Amazon Bedrock، زمین‌های بازی‌، ابزارهای بیلدر، Safeguard و مدل‌ها استفاده کنند.
• یوزکیس 1 - تبدیل متن به تصویر با لامبدا AWS و مدل‌های هوش مصنوعی آمازون از جمله راه‌اندازی آن
• یوزکیس 2 - تبدیل متن به تصویر با لامبدا AWS و مدل‌های هوش مصنوعی استیبل دیفیوژن
• یوزکیس 3 - خلاصه‌سازی متن با استفاد از Cohere Command و مدل‌های بنیادی متنی
• یوزکیس 4 - ساخت چت‌بات مبتنی بر پایتون با AWS Bedrock و Anthropic Claude FM
• یوزکیس 5 - چت‌بات پایتون مبتنی بر Streamlit با AWS Bedrock و Anthropic Claude
• یوزکیس 6 - چت‌بات Streamlit مبتنی بر LangChain با پایتون، AWS Bedrock و Anthropic Claude
• یوزکیس 7 - بازیابی نسل افزوده (RAG) - ساخت چت‌بات سلامت
• پروژه - بازیکن Text2Speech، توسعه‌دهندگان با استفاده از کتابخانه‌های پایتون مانند gTTS و os و pygame، یک پلیر Text-to-Speech (TTS) بسازند.
• تمرین کدنویسی پایتون
• عبارات منظم (regex) در پایتون
• تسلط به کلیدواژه‌های پایتون
• چگونه متغیرها را اعلان کرده و مقادیر آنها را تخصیص دهیم؟
• توابع پایتون - تعریف و کاربرد
• چگونه تمرین کدنویسی پایتون را شروع کنیم؟
• دستور return در پایتون

پیش‌نیازهای دوره

• مهارت‌های اولیه کامپیوتر - آشنایی با کامپیوتر و ناوبری اینترنت
• داشتن حساب کاربری AWS
• درک اولیه از پایتون لازم است.

توضیحات دوره

در این دوره، یاد می‌گیرید چگونه اپلیکیشن‌های generative AI و چت‌بات‌ها را با استفاده از Bedrock ،LLMs ،LangChain ،RAG، پایتون، Streamlit و مدل‌های اساسی، با تمرکز بر کاربردهای آنها در پژوهش و توسعه برای پروژه‌های واقعی بسازید.

Generative AI برای تحقیق و توسعه

در زیر یوزکیس‌های کلیدی و پروژه‌های ارائه شده در دوره آورده شده است:

• تبدیل متن به تصویر - یاد می‌گیرید چگونه با استفاده از لامبدا AWS و مدل‌های هوش مصنوعی آمازون، تصاویر را بر اساس متن، همراه با راهنمای کامل راه‌اندازی ایجاد کنید.
• تبدیل متن به تصویر با استیبل دیفیوژن - نحوه یکپارچه‌سازی مدل‌های استیبل دیفیوژن برای تولید تصاویر بر اساس ورودی متن را بررسی می‌کنید.
• خلاصه‌سازی متن - نحوه استفاده از Cohere Command و مدل‌های اساسی متنی برای خلاصه‌سازی مؤثر متن را می‌آموزید.
• چت‌بات مبتنی بر پایتون - ساخت چت‌بات با AWS Bedrock و Anthropic Claude FM
• چت‌بات Streamlit مبتنی بر پایتون - ایجاد چت‌بات پویا و قابل توسعه با Streamlit و AWS Bedrock و Anthropic Claude
• چت‌بات LangChain - ساخت چت‌بات مبتنی بر Streamlit با LangChain و استفاده از پایتون، AWS Bedrock و Anthropic Claude
• RAG برای چت‌بات سلامت - پیاده‌سازی بازیابی نسل افزوده (RAG) برای توسعه چت‌بات مرتبط به سلامت
• پروژه - بازیکن Text2Speech - توسعه پروژه عملی که در آن دانشجویان با استفاده از کتابخانه‌هایی مانند gTTS ،os ،pygame، یک پلیر Text-to-Speech (TTS) را توسعه می‌دهند.

بخش 1 - آشنایی با هوش مصنوعی و یادگیری ماشین

• بررسی دوره در یک نگاه
• آشنایی با هوش مصنوعی
• کاربردهای واقعی هوش مصنوعی
• بررسی یادگیری ماشین
• کاربردهای یادگیری ماشین
• هوش مصنوعی و یادگیری ماشین - درک رابطه آنها
• انواع یادگیری ماشین - یادگیری نظارت شده
• یادگیری ماشین نظارت نشده
• یادگیری تقویتی

بخش 2 - اصول یادگیری عمیق

• آشنایی با یادگیری عمیق
• یادگیری عمیق، هوش مصنوعی و یادگیری ماشین
• شبکه عصبی

بخش 3 - Generative AI و کاربردهای آن

• آشنایی با Generative AI
• کاربردهای واقعی Generative AI
• مزایای Generative AI
• رابطه بین هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و Generative AI

بخش 4 - مدل‌های بنیادی، LLMs، تبدیل متن به تصویر و هوش مصنوعی چندوجهی

• آشنایی با مدل‌های بنیادی
• LLM، مدل‌های تبدیل متن به تصویر
• مدل‌های چندوجهی

بخش 5 - بررسی عمیق Amazon Bedrock و مدل‌های بنیادی

• آشنایی با Amazon Bedrock
• Amazon Bedrock چگونه کار می کند؟
• مدل‌های بنیادی در Amazon Bedrock
• مدل‌های مختلف در Amazon Bedrock

بخش 6 - بررسی نسول Amazon Bedrock و ویژگی‌ها

• کنسول Amazon Bedrock
• ویژگی زمین‌های بازی در Amazon Bedrock
• ویژگی‌های ابزارهای بیلدر در Amazon Bedrock
• ویژگی Safeguard در Amazon Bedrock
• دسترسی به مدل در Amazon Bedrock

بخش 7 - پارامترهای استنتاج مدل‌های بنیادی

• تصادفی‌سازی و تنوع‌
• دما، Top P ،Top K و موارد دیگر
• کنترل طول - طول پاسخ، دنباله توقف و مجازات طول

بخش 8 - یوزکیس Gen AI - بخش 1 - تبدیل متن به تصویر با لامبدا و مدل‌های آمازون

• بررسی پروژه
• لاگین به AWS و دسترسی به سرویس Bedrock
• ایجاد باکت S3 و تابع لامبدا
• پیکربندی و تخصیص مجوزها به تابع لامبدا
• شروع کدنویسی تابع لامبدا - ایمپورت جی‌سان و boto3
• ارسال ورودی متن به تابع لامبدا
• اعتبارسنجی نسخه boto3
• فراخوانی مدل Bedrock (Titan Image Generator G1)
• پارامترهای استنتاج
• پیکربندی تولید تصویر
• پارامترهای مورد نیاز برای فراخوانی مدل
• چاپ پاسخ مدل
• سازماندهی پاسخ مدل با چت‌جی‌پی‌تی
• استخراج کلید-مقدار موردنظر از پاسخ مدل
• استخراج داده تصویر از طریق لاگ‌های Cloud Watch
• تعیین باکت S3 و کلید آبجکت
• آپلود تصویر در باکت S3
• بررسی تصویر تولید شده در باکت S3
• پیکربندی مجوزهای صحیح برای باکت S3
• ایجاد URL از پیش‌ امضا شده برای دسترسی به تصویر
• اعتبارسنجی و دسترسی به تصویر از طریق URL از پیش‌ امضا شده
• دستور return
• آشنایی با API Gateway
• ایجاد REST API
• ارسال پارامترهای کوئری از طریق API Gateway
• ایجاد بادی قالب نگاشت در API Gateway
• تست نهایی از طریق API Gateway

بخش 9 - یوزکیس Gen AI - بخش 2 - تبدیل متن به تصویر با لامبدا و استیبل دیفیوژن

• بررسی یوزکیس
• انتظار نتیجه قبل از شروع کار
• ایجاد تابع لامبدا و باکت S3 
• پیکربندی و تخصیص مجوز به لامبدا
• شروع کدنویسی لامبدا - ایمپورت جی‌سان و boto3
• اتصال لامبدا به Bedrock و S3 با کد
• ایجاد تابع ارسال متن ورودی به لامبدا
• بررسی دسترسی به مدل استیبل دیفیوژن توسط Anthropic
• فراخوانی مدل Bedrock (استیبل دیفیوژن)
• تعیین پارامترهای استنتاج مدل
• چاپ پاسخ مدل در Bedrock برای پرامپت
• تبدیل پاسخ مدل از جی‌سان به دیکشنری پایتون
• چاپ پاسخ مدل
• استخراج کلید-مقدار موردنظر از پاسخ مدل
• استخراج داده تصویر از طریق لاگ‌های Cloud Watch
• تعیین نام باکت و نام کلید آبجکت
• آپلود تصویر در باکت S3
• دانلود و بررسی تصویر در باکت S3
• ایجاد URL از پیش‌ امضا شده برای تصویر
• اجرای مجدد لامبدا برای تولید URL تصویر
• دستور return
• آشنایی با API Gateway
• ایجاد REST API
• ارائه URL و پارامترهای کوئری در API Gateway
• ایجاد بادی قالب در قالب‌های نگاشت API Gateway
• تست نهایی از طریق API Gateway

بخش 10 - یوزکیس GenAI - بخش 3 - تولید خلاصه متن با اسفاده از Cohere Command-Text FM

• بررسی یوزکیس
• انتظار نتیجه قبل از شروع کار
• ایجاد و تخصیص مجوزهای لازم به تابع لامبدا
• توابع لامبدا - ایمپورت جی‌سان و boto3
• ایجاد تابع برای مدیریت ورودی متن برای خلاصه‌سازی
• اجرای تابع لامبدا برای مشاهده پاسخ
• فراخوانی مدل برای خلاصه‌سازی متن - Cohere Command
• تعیین پارامترهای استنتاج مدل
• اجرای تابع لامبدا برای مشاهده پاسخ
• تبدیل پاسخ به دیکشنری پایتون
• استخراج مقدار کلید text
• بازگرداندن پاسخ مدل
• ایجاد API Gateway
• تنظیم پارامترهای کوئری URL و ایجاد قالب نگاشت در API Gateway
• تست نهایی از طریق API Gateway

بخش 11 - پروژه بازیکن Text2Speech

• آشنایی با پروژه Text2Speech
• ایمپورت کتابخانه‌های پایتون - gTTS و os و pygame و time
• تابع برای مکالمات Text-to-Speech
• ذخیره گفتار به صورت فایل صوتی
• مقداردهی اولیه میکسر pygame برای پخش صدا
• انتظار تا پایان پخش صدا
• حذف فایل صوتی بعد از پخش
• فراخوانی تابع
• اجرا و اشکال‌زدایی کد پلیر text-to-speech

بخش 12 - یوزکیس Gen AI - بخش 4 - ساخت چت‌بات مبتنی بر پایتون با AWS Bedrock و Anthropic Claude FM

• بررسی پروژه چت‌بات
• نصب و راه‌اندازی ویژوال استودیو کد 
• ایجاد کاربر IAM برای دسترسی به Bedrock
• مجوز دادن به ویژوال استودیو کد برای دسترسی به AWS از طریق AWS CLI
• شروع کار با پایتون - ایمپورت جی‌سان و boto3
• تعریف تابع برای راه‌اندازی کلاینت Bedrock
• تعریف تابع برای فراخوانی مدل Bedrock
• ارسال پارامترها برای فراخوانی مدل
• تعریف پارامترهای استنتاج مدل
• تعریف پارامترهای بادی
• فراخوانی توابع با آرگومان‌ها در پایتون
• دریافت ورودی دستی کاربر و فراخوانی مدل Bedrock
• نمایش پاسخ مدل
• پاسخ از مدل Anthropic
• عیب‌یابی و اجرای کد پایتون برای چت‌بات
• اجرای حلقه‌ای چت‌بات در پایتون

بخش 13 - یوزکیس GenAI - بخش 5 - چت‌بات پایتون مبتنی بر Streamlit با AWS Bedrock و Anthropic Claude

• بررسی پروژه چت‌بات
• آشنایی با Streamlit برای ساخت اپلیکیشن چت LLM اولیه
• کد پایتون برای فراخوانی مدل Bedrock
• کد پایتون Streamlit برای ساخت فرانت‌اند
• کد Streamlit - مقداردهی اولیه تاریخچه چت
• کد Streamlit - افزودن دکمه برای ورودی کاربر
• کد Streamlit - پاکسازی تاریخچه چت
• اجرای چت‌بات پایتون Streamlit 

بخش 14 - یوزکیس GenAI - بخش 6 - چت‌بات Streamlit مبتنی بر LangChain با پایتون، AWS Bedrock و Anthropic Claude

• بررسی ویژگی LangChain
• توضیح دموی چت‌بات و معماری آن
• ایمپورت کلاس‌ها از کتابخانه LangChain
• نصب ویژوال استودیو کد و شروع کدنویسی در پایتون
• راه‌اندازی پارامترهای FM با ChatBedrock
• تنظیم شناسه مدل و پارامترها
• مقداردهی اولیه حافظه مکالمات - ConversationSummaryBufferMemory
• تابع مدیریت مکالمات چت‌بات - ConversationChain
• کد پایتون Streamlit برای ساخت یک فرانت‌اند
• عیب‌یابی
• اجرای چت‌بات و اعتبارسنجی ویژگی‌های LangChain

بخش 15 - یوزکیس GenAI - بخش 7 - بازیابی نسل افزوده (RAG) - ساخت چت‌بات حوزه سلامت

• نتیجه مورد انتظار قبل از شروع کار
• بررسی پروژه
• پیش‌نیازها - نصب و راه‌اندازی مورد نیاز
• ایمپورت تمامی کتابخانه‌های مهم پایتون
• بارگذاری منبع داده داخلی با PyPDFLoader
• تقسیم داده‌ با RecursiveCharacterTextSplitter
• تعیین دسترسی به AWS در ویژوال استودیو کد با AWS CLI
• ایجاد تعبیه‌های متنی
• تعریف یک تابع
• ایجاد تابع برای اتصال به Claude FM
• ایجاد تابع برای جستجو در پایگاه داده برداری برای بهترین تطابق
• کد Streamlit برای توسعه فرانت‌اند
• اعتبارسنجی چت‌بات سلامت با تضمین کیفیت پایتون

بخش 16 - آشنایی با زبان پایتون

• مقدمه
• بررسی پایتون
• درباره اسکریپت‌نویسی شل
• پایتون در مقابل اسکریپت‌نویسی شل
• چه زمانی از پایتون در مقابل اسکریپت‌نویسی شل استفاده کنیم؟

بخش 17 - چگونه تمرین کدنویسی پایتون را شروع کنیم؟

• شروع تمرین کدنویسی پایتون
• ویژوال استودیو کد  - تمرین کدنویسی پایتون
• IDEs در PyCharm
• Codespaces - پلتفرم کدنویسی آنلاین

بخش 18 - تایپ‌های داده پایتون

• درباره تایپ‌های داده در پایتون
• لابراتوار - تایپ داده رشته 
• لابراتوار - تایپ داده عدد صحیح 
• لابراتوار - تایپ داده عدد شناور
• لابراتوار - ()len، طول رشته
• لابراتوار- تابع ()upper و ()lower در رشته
• لابراتوار - تابع ()replace در رشته
• لابراتوار - تابع ()split در رشته
• لابراتوار - چاپ آبجکت خاص در ()split
• درباره لیست در پایتون
• لابراتوار - تایپ داده لیست
• لابراتوار - افزودن و اصلاح در تایپ داده لیست (قابل تغییر)
• درباره تاپل‌ها در پایتون
• لابراتوار - تاپل‌ها در پایتون
• درباره مجموعه‌ها در پایتون
• لابراتوار- مجموعه‌ها در پایتون
• دیکشنری در پایتون
• لابراتوار - دیکشنری در پایتون
• تایپ‌های داده‌ بولی
• لابراتوار - بولی در پایتون

بخش 19 - عبارات منظم (regex) در پایتون

• بررسی عبارات منظم در پایتون
• لابراتوار - استفاده از ()re.match برای تطبیق الگوها در ابتدای رشته
• لابراتوار - استفاده از ()re.search برای یافتن الگوها در هر جای رشته
• لابراتوار - استفاده از ()re.findall برای یافتن همه تطابق‌ها در رشته
• یوزکیس‌های regex از دیدگاه دواپس
• تمرین کدنویسی

بخش 20 - تسلط به کلیدواژه‌ها در پایتون

• بررسی کلیدواژه‌های پایتون
• کلیدواژه‌های رایج در پایتون
• تسلط به کنترل جریان با کلیدواژه‌های if و else و for و break
• لابراتوار - تسلط به کنترل جریان با کلیدواژه‌های continue و def و return و class و import و غیره

بخش 21 - کار با متغیرها در پایتون

• بررسی متغیرها با مثال
• لابراتوار - کار با متغیرهای شناور در پایتون
• لابراتوار - تعریف لیست به عنوان متغیر در پایتون
• لابراتوار - کار با دیکشنری‌ها در پایتون

بخش 22 -دستور return در پایتون

• دستور return - بررسی با سینتکس
• لابراتوار - ساخت توابعی که مقادیر را برمی‌گردانند.
• لابراتوار - توابعی که چندین مقدار را برمی‌گردانند.
• لابراتوار - تابعی برای شناسایی مقادیر زوج و فرد

بخش 23 - توابع پایتون - تعریف و کاربرد

• آشنایی با توابع در پایتون
• مزایای توابع در پایتون
• لابراتوار - توابع با پارامترها
• لابراتوار - توابع با مقدار بازگشتی
• لابراتوار - طراحی توابع برای عملیات‌های اولیه حساب - مقایسه اسکریپت‌ها - استفاده از توابع در مقابل عدم استفاده از آنها

بخش 24 - کاربرد ماژول‌ها در طراحی توابع

• آشنایی با ماژول‌های پایتون
• بررسی ماژول‌های داخلی 
• بررسی ماژول‌های تعریف‌ شده توسط کاربر
• لابراتوار - ماژول‌های ضروری داخلی در پایتون
• لابراتوار - ماژول‌های سیستم عامل و ریاضی
• لابراتوار - ساخت ماژول‌های خود
• آخرین درس

این دوره برای چه کسانی مناسب است؟

• این دوره به شما کمک می‌کند تا شغل خود را تغییر دهید و به مشاغل پردرآمد در Generative AI و Amazon Bedrock دست یابید.