هوش مصنوعی مجهز به RAG: ساخت چت‌بات با استفاده از Python ،LangChain و Ollama

آنچه یاد خواهید گرفت:

• درک Retrieval-Augmented Generation (RAG) – یاد بگیرید چگونه RAG با ترکیب داده‌ واقعی با متن تولیدشده توسط هوش مصنوعی، پاسخ‌های مدل‌های زبانی بزرگ (LLM) را بهبود می‌بخشد.
• ساخت چت‌بات پرسش و پاسخ PDF – توسعه یک چت‌بات کاربردی که از طریق LangChain و Ollama اطلاعات مرتبط را از فایل PDF استخراج و بازیابی می‌کند.
• ایجاد تعبیه‌های برداری و جستجوی معنایی – تولید تعبیه‌های برداری برای متون سند و استفاده از پایگاه داده محلی برای بازیابی اطلاعات
• اجرای مدل‌های هوش مصنوعی محلی با Ollama – راه‌اندازی و تعامل با مدل‌های زبانی بزرگ محلی مانند Mistral و Llama3 به منظور تولید پاسخ‌های هوش مصنوعی محور

پیش‌نیازهای دوره

• دانش اولیه Python – آشنایی با برنامه‌نویسی پایتون (متغیرها، توابع و حلقه‌ها).
• درک اساسی مفاهیم AI/LLMs – کمی آشنایی با مدل‌های زبانی بزرگ و مفاهیم هوش مصنوعی مفید است اما ضروری نیست.
• مبانی VS Code و خط فرمان – توانایی نصب و اجرای بسته‌های پایتون از طریق ترمینال یا پرامپت فرمان
• بدون نیاز به تجربه قبلی با LangChain یا Ollama – دوره این ابزارها را از ابتدا آموزش می‌دهد.

توضیحات دوره

معرفی دوره:

به دوره «ساخت اپلیکیشن RAG با استفاده از Ollama، LangChain و تعبیه‌های برداری در Python» خوش آمدید! این دوره عملی برای توسعه‌دهندگان پایتون، دانشمندان داده و علاقه‌مندان به هوش مصنوعی طراحی شده است که می‌خواهند وارد دنیای Retrieval-Augmented Generation (RAG) شوند و یاد بگیرند چگونه اپلیکیشن های هوشمند مبتنی بر اسناد بسازند.

در این دوره، چگونگی ساخت یک چت‌بات پرسش و پاسخ PDF قدرتمند را با استفاده از ابزارهای پیشرفته‌ای مانند Ollama، LangChain و Vector Embeddings خواهید آموخت. تجربه عملی در کار با اسناد PDF، استخراج و تولید اطلاعات معنادار، و یکپارچه‌سازی مدل زبانی بزرگ محلی (LLM) برای پاسخ‌گویی هوشمند و متنی مطابق با زمینه پرسش کاربر کسب خواهید کرد.

آنچه یاد می‌گیرید:

• RAG چیست و چگونه قدرت مدل‌های زبانی بزرگ را افزایش می‌دهد؟
• چگونگی پردازش اسناد PDF با LangChain
• استخراج متن از PDF و تقسیم آن به بخش‌های کوچک برای بازیابی موثر
• ایجاد تعبیه‌های برداری با استفاده از جستجوی معنایی برای دقت بالاتر
• کوئری و بازیابی اطلاعات مرتبط از اسناد با استفاده از Vector DB
• یکپارچه‌سازی LLM محلی با Ollama برای تولید پاسخ‌های هوشمند و متناسب با زمینه
• نکات عملی برای بهبود و بهینه‌سازی پاسخ‌های مدل‌های هوش مصنوعی

ویژگی‌های دوره:

• راهنمای گام‌به‌گام برای راه‌اندازی محیط توسعه با VS Code ،Python و کتابخانه‌های مورد نیاز
• پروژه‌های عملی که در آن‌ها از صفر تا صد یک چت‌بات پرسش و پاسخ PDF کاربردی ساخته می‌شود.
• تجربه عملی با Ollama (ابزاری قدرتمند برای اجرای LLMهای محلی) و LangChain (برای پردازش هوش مصنوعی مبتنی بر اسناد)
• یادگیری اصول اولیه تعبیه‌های برداری و تأثیر آن‌ها در دقت جستجو و پاسخ‌دهی سیستم هوش مصنوعی
• تقویت مهارت‌های برنامه‌نویسی در Python و آشنایی با کاربرد تکنیک‌های یادگیری ماشین در مسائل واقعی

در پایان این دوره، توانایی ساخت و استقرار چت‌بات پرسش و پاسخ مجهز به هوش مصنوعی روی اسناد را خواهید داشت. چه بخواهید هوش مصنوعی را در محیط کاری خود به کار بگیرید، چه پروژه‌های شخصی خود را توسعه دهید، یا به دنبال یادگیری مفاهیم پیشرفته هوش مصنوعی باشید، این دوره ابزارها و دانش لازم را به شما ارائه می‌دهد.

این دوره برای چه کسانی است؟

• توسعه‌دهندگان Python که می‌خواهند هوش مصنوعی را در پروژه‌های خود ادغام کنند.
• دانشمندان داده که به دنبال اعمال تکنیک‌های مبتنی بر RAG در گردش های کار خود هستند.
• علاقه‌مندان به هوش مصنوعی و یادگیرندگانی که می‌خواهند دانش خود را درباره LLMها و ابزارهایی مانند Ollama و LangChain افزایش دهند.
• مبتدیان علاقه‌مند به کار با هوش مصنوعی و یادگیری ماشین برای ساخت اپلیکیشن های واقعی

آماده شوید تا به دنیای هیجان‌انگیز هوش مصنوعی وارد شوید، مهارت‌های Python خود را تقویت کنید و اولین چت‌بات هوشمند مبتنی بر PDF خود را بسازید!

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان Python که به برنامه‌های هوش مصنوعی و LLM علاقه دارند.
• دانشمندان داده و مهندسان ML که به دنبال بررسی در Retrieval-Augmented Generation (RAG) هستند.
• علاقه‌مندان به فناوری و مبتدیان هوش مصنوعی که می‌خواهند سیستم‌های پرسش‌وپاسخ هوش مصنوعی محور برای اسناد بسازند.
• دانشجویان و محققانی که می‌خواهند با استفاده از هوش مصنوعی، بینش‌هایی از اسناد PDF بزرگ استخراج کنند.