راهنمای کامل Generative AI: یادگیری LangChain ،Agentic AI ،RAG
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- به اصول NLP مسلط شوید: توکنسازی، تعبیه، تگ گذاری POS ،TF-IDF، قطعهبندی و موارد دیگر
- اصول Generative AI را درک کنید: مفاهیم کلیدی مانند خودرمزگذارها، VAEها، GANها و مدلهای Transformer را بررسی کنید.
- به مهندسی پرامپت مسلط شوید: تکنیکهایی برای طراحی پرامپتهای مؤثر برای مدلهایی مانند ChatGPT، از جمله پرامپت نویسی zero-shot ،one-shot و few-shot را بیاموزید.
- با ابزارهای پیشرو صنعت کار کنید: پلتفرمهای پیشرفته Generative AI مانند ChatGPT ،Google Gemini و Microsoft CoPilot را برای کاربردهای دنیای واقعی بررسی کنید.
- محیط را برای کاربردهای عملی Generative AI راهاندازی کنید: RAG را با استفاده از Python، VS Code و LangChain پیادهسازی کنید.
- با LangChain و کتابخانههای اکوسیستم LangChain (LCEL) کار کنید: کاربردهای دنیای واقعی Generative AI بسازید و اکوسیستم LangChain را بررسی کنید.
- عاملهای هوش مصنوعی توسعه دهید: عاملهایی مانند Crew AI و AutoGen را برای خودکارسازی تسک های پیچیده درک و پیادهسازی کنید.
- Vector RAG و Graph RAG را پیادهسازی کنید: از Neo4j برای تکنیکهای پیشرفته بازیابی و افزودن داده استفاده کنید.
- تکنیکهای RAG خودبازتابی را بیاموزید: درک کنید که چگونه هوش مصنوعی میتواند درباره فرآیندهای خود استدلال و بازتاب کند.
- مهارتهای عملی Python برای Generative AI: از مبانی شروع کنید و به توسعه پیشرفته هوش مصنوعی با Python و کتابخانههایی مانند NLTK پیشرفت کنید.
- راهحلهای هوش مصنوعی را از پایه بسازید: دانش جامع Generative AI را از مبانی تا پیادهسازیهای پیشرفته با LangChain و LCEL به دست آورید.
پیش نیازهای دوره
- درک اولیه Python اما نگران نباشید، دوره مبانی Python را پوشش خواهد داد.
توضیحات دوره
پتانسیل کامل Generative AI را در این دوره جامع و عملی که برای دانشجویان، توسعهدهندگان و علاقهمندان به هوش مصنوعی طراحی شده، آزاد کنید. چه یک مبتدی باشید و چه به دنبال تعمیق تخصص خود، این دوره تجربهای همهجانبه ارائه میدهد که با اصول پردازش زبان طبیعی (NLP) و Generative AI شروع میشود و دانش اساسی مورد نیاز برای موفقیت را به شما میدهد. شما مبانی Python را یاد خواهید گرفت و اطمینان حاصل میشود که حتی کسانی که تازه با برنامهنویسی آشنا شدهاند نیز میتوانند بهطور کامل مشارکت کنند. از آنجا به بررسی پیادهسازیهای پیشرفته LangChain میپردازیم، جایی که اپلیکیشن دنیای واقعی را خواهید ساخت. همچنین با LangSmith و LangGraph، ابزارهای کلیدی در اکوسیستم هوش مصنوعی، تجربه عملی کسب خواهید کرد.
قدرت عاملهای هوش مصنوعی، از جمله Crew AI و AutoGen را بررسی کنید و ببینید که چگونه این سیستمهای خودمختار میتوانند تسک هایی مانند خدمات مشتری، خودکارسازی و موارد دیگر را متحول کنند. این دوره همچنین تکنیکهای پیشرفته تولید تقویتشده با بازیابی (RAG) را پوشش میدهد، از جمله Vector RAG و Graph RAG با استفاده از Neo4j برای جستجو و بازیابی پیشرفته داده. تمرکز ویژهای بر RAG خودبازتابی شما را با مرز بعدی استدلال مبتنی بر هوش مصنوعی آشنا خواهد کرد.
با آزمونها، چالشهای کدنویسی عملی و پروژههای عملی، این دوره تضمین میکند که شما هم درک نظری و هم تجربه عملی در مهمترین حوزههای Generative AI کسب کنید. آماده باشید تا راهحلهای هوش مصنوعی را از پایه بسازید!
این دوره برای چه کسانی مناسب است؟
- دانشمندان داده
- مهندسان یادگیری ماشین
- علاقهمندان به هوش مصنوعی و NLP
- توسعهدهندگان و مهندسان نرمافزار
- پژوهشگران و دانشگاهیان
- مدیران محصول و راهبران فنی
- دانشجویان و یادگیرندگان
- کارشناسان و مشاوران هوش مصنوعی
- مهندسان کیفیت
راهنمای کامل Generative AI: یادگیری LangChain ،Agentic AI ،RAG
-
مقدمه 07:23
-
بررسی Generative AI: توضیح ساده، Gen AI در مقابل Predictive AI 10:20
-
Generative AI - مدلها: فضای نهان 04:56
-
مدلهای Gen AI: خودرمزگذار و VAE 06:11
-
مدلهای Gen AI: مدل GANs 04:02
-
NLP چیست؟ 01:39
-
مفاهیم NLP: یادگیری POS ،NER، قطعهبندی، BOW ،TF-IDF و تعبیه ها 07:10
-
مفاهیم NLP: توکنسازی، ریشهیابی، Lemmatization 03:31
-
مفاهیم NLP: ارزیابی NLP 05:47
-
راهاندازی Python ،VS Code ،Neo4J و کلید API 15:41
-
مبانی Python: یادگیری Hello World، نوع داده، If-Else 08:11
-
مبانی Python: لیست، تاپل، مجموعه، دیکشنری 20:43
-
مبانی Python: توسعه اولین اپلیکیشن LLM 07:55
-
NLTK - تعبیه، توکنسازی 11:16
-
NLTK - BOW، TF-IDF 05:21
-
مهندسی پرامپت: مفاهیم، عناصر کلیدی، تکنیکهای مختلف 10:41
-
مهندسی پرامپت به صورت عملی با ChatGPT 08:25
-
پرامپتنویسی از طریق رابط کاربری Groq 06:33
-
پرامپتنویسی از طریق Gemini 06:26
-
Gen AI از طریق Microsoft CoPilot 03:14
-
مفهوم LangChain 09:01
-
مروری بر LCEL (زبان بیان LangChain) 15:44
-
کار عملی سریع با LCEL 14:46
-
اولین اپلیکیشن LLM با LangChain 06:00
-
اولین چتبات Streamlit با LangChain 06:55
-
LangGraph - مفهوم و کار عملی 16:45
-
Agentic AI - مفهوم و گردش کار 03:05
-
Agentic AI - مرور کلی و ویژگیهای کلیدی 03:35
-
Agentic AI - کاربردها 02:58
-
Agentic AI - الگوی طراحی 09:49
-
Crew AI - بررسی و کامپوننت ها 08:38
-
کار عملی Crew AI: ساخت یک اپلیکیشن ساده تکعامله با Streamlit 09:14
-
کار عملی Crew AI: فرآیند سلسلهمراتبی 08:52
-
کار عملی Crew AI: عامل مدیریت سفارشیسازی شده 06:09
-
کار عملی Crew AI: ساخت اپلیکیشن عاملمحور برنامهریزی سفر با Streamlit 21:17
-
کار عملی Crew AI: ساخت کد بازی Python با عامل 12:49
-
AgentOps: یکپارچهسازی عاملهای برنامهریزی سفر 04:19
-
AutoGen - بررسی و مفاهیم 04:56
-
کار عملی AutoGen: بررسی 07:28
-
کار عملی AutoGen: اجرای کد با عامل 07:45
-
کار عملی AutoGen: الگوی ترتیبی 06:47
-
کار عملی AutoGen: الگوی چت گروهی 05:07
-
کار عملی AutoGen: چت دو عامل با Streamlit 03:20
-
کار عملی AutoGen: چگونه ابزارهای سفارشی بسازیم؟ 03:00
-
AutogenStudio: محصول Microsoft برای ساخت عاملها از طریق رابط کاربری 15:00
-
چرا RAG؟ 03:09
-
فرآیند RAG 04:19
-
Vector RAG چیست؟ 03:44
-
توسعه Vector RAG با Groq API و LangChain 09:58
-
Graph RAG چیست؟ 03:47
-
Graph RAG با Neo4j 13:47
-
جستجوی ترکیبی Graph RAG با Neo4j 18:45
-
درک جریان تطبیقی یا خودبازتابی 01:56
-
پیادهسازی چتبات RAG خودبازتابی با LangGraph 20:36
-
کار عملی AutoGen: یادگیری RAG عاملی با Streamlit 08:16
-
یکپارچهسازی LangSmith با RAG 14:01
-
آزمون برای تثبیت درک None
مشخصات آموزش
راهنمای کامل Generative AI: یادگیری LangChain ،Agentic AI ،RAG
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:مقدماتی
- تعداد درس:57
- مدت زمان :08:05:32
- حجم :4.49GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy