معماری Generative AI و توسعه اپلیکیشن

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

تسلط به معماری و اپلیکیشن‌های Gen AI و یادگیری نحوه استفاده از LangChain و RAG برای راه‌حل‌های نوآورانه هوش مصنوعی

توضیحات دوره

به دوره «معماری Generative AI و توسعه اپلیکیشن»، که دروازه‌ای برای تسلط به چشم‌انداز پیشرفته Generative AI و کاربردهای تحول‌آفرین آن در صنایع مختلف می‌باشد، خوش آمدید.

در این دوره فراگیر، شرکت‌کنندگان به دنیای جامع مدل‌های زبانی بزرگ (LLMs) سفر کرده و بینش‌هایی در مورد معماری اساسی، متدلوژی‌های آموزش و دامنه کاربردهایی که این مدل‌ها توانمندسازی می‌کنند، به دست خواهند آورد.

در پایان دوره دانش لازم برای موارد زیر را کسب خواهید کرد:

درک جزئیات معماری و پیچیدگی‌های آموزش مدل‌های زبانی بزرگ، که دانش منسجمی برای درک قابلیت‌ها و محدودیت‌های آنها فراهم می‌آورد.
اعمال LLMs در انواع تسک‌ها از جمله جستجو، پیش‌بینی و تولید محتوا که نشان‌دهنده‌ تطبیق‌پذیری و قدرت generative AI در حل چالش‌های پیچیده است.
استفاده از کتابخانه LangChain برای ساده‌سازی توسعه اپلیکیشن‌های LLM، که بهبود کارایی و نوآوری در پروژه‌های شما را به همراه دارد.
کشف تکنیک‌های پیشرفته تعامل با داده‌ با استفاده از بازیابی نسل افزودن (RAG)، که قابلیت و هوش خروجی‌های LLM را غنی‌تر می‌کند.
ارزیابی انتقادی عملکرد LLM و استفاده از استراتژی‌های ارزیابی قوی برای اطمینان از اینکه راه‌حل‌های هوش مصنوعی شما مؤثر و از نظر اخلاقی همسو هستند.

این دوره برای طیف وسیعی از مخاطبان طراحی شده، از علاقه‌مندان به هوش مصنوعی و توسعه‌دهندگان نرم‌افزار تا دانشمندان داده و استراتژیست‌های فناوری که به دنبال عمیق‌تر کردن تخصص خود در generative AI و LLMs هستند. چه شما تازه‌وارد این حوزه باشید یا به دنبال گسترش دانش خود باشید، این دوره مسیر ساختاری برای افزایش توانایی شما در استفاده از LLMs برای راه‌حل‌های نوآورانه ارائه می‌دهد.

درک اولیه از مفاهیم هوش مصنوعی و آشنایی با مفاهیم برنامه‌نویسی مزیت دارد، اما الزامی برای اتمام دوره نیست.

این سفر آموزشی را برای کشف کامل پتانسیل مدل‌های زبانی بزرگ و generative AI آغاز کنید و رشد حرفه‌ای خود را تسریع کنید و خود را در خط مقدم نوآوری هوش مصنوعی قرار دهید.

معماری Generative AI و توسعه اپلیکیشن

فصل 1: generative AI با LLMs

معرفی دوره 4:57
چرخه عمر پروژه‌های LLMs و generative AI 6:38
چرخه عمر LLM در ادامه 4:18
پیش‌آموزش و مقیاس‌بندی LLM 6:55
مقیاس‌بندی LLM 5:08
تکنیک‌های مقیاس‌بندی LLM 4:34
تیونینگ دقیق LLMs با دستورالعمل‌های خاص 8:56
نمایش تیونینگ دقیق 9:26
یادگیری تقویتی از پاسخ انسانی 12:09
مروری بر دوره None
چگونه می‌توان از فروم‌های بحث استفاده کرد؟ None
تیونینگ دقیق مؤثر پارامترها - به حداکثر رساندن عملکرد مدل None
خلاصه و تجمیع ماژول None

فصل 2: LLMs برای جستجو، پیش‌بینی و تولید

تکمیل کوئری جستجو 6:08
عملکردهای تکمیل کوئری جستجو 6:17
پیش‌بینی کلمه بعدی 3:44
خطی + SOFTMAX 7:20
پیش‌بینی کلمه بعدی در دامنه‌های دیگر 1:52
تعبیه کلمات 4:50
تکنیک‌های تعبیه کلمات 3:32
ترنسفرمرها 6:55
عملکرد ترنسفرمرها 4:29
تولید متن 6:00
عملکرد تولید متن 7:12
استک کردن لایه‌های توجه 6:42
ایجاد لایه‌های توجه استک شده 3:51
GPT و BERT None
خلاصه و تجمیع ماژول None

فصل 3: LangChain برای توسعه اپلیکیشن LLM

استفاده از LangChain برای توسعه اپلیکیشن‌های LLM 6:26
مفاهیم اصلی LLM 5:11
توسعه LLMs 4:46
منطق اپلیکیشن LLM 6:45
گزاره ارزش LangChain 7:21
کامپوننت‌های LangChain 6:15
مزایای رویکرد مبتنی بر کامپوننت 3:41
زنجیره‌های Off-the-Shelf در LangChain 7:02
ساخت و استقرار اپلیکیشن‌های مجهز به LLM با استفاده از LangChain 4:13
طراحی گردش کار LLM و مراحل دیگر 5:05
اصول LangChain None
مزایای استفاده از LangChain None
خلاصه و تجمیع ماژول None

فصل 4: تعامل با داده‌ با استفاده از LangChain و RAG

درک بازیابی نسل افزوده (RAG) 5:11
استفاده از بازیابی نسل افزوده (RAG) 2:21
عملکرد بازیابی نسل افزوده (RAG) 4:07
مزایای بازیابی نسل افزوده (RAG) 5:13
بارگذاری و تقسیم مستندات 5:57
عملکرد LangChain 5:13
عملکرد LangChain در ادامه 2:47
مزایای بارگذاری و تقسیم مستندات 2:31
فروشگاه‌های برداری و تعبیه‌ها 6:09
انواع فروشگاه‌های برداری 3:17
عملکرد بردارها 6:52
بازیابی 6:15
رویه فنی پشت بازیابی 4:06
پاسخ به سوالات با چت‌بات‌ها 4:19
ساخت یک چت‌بات با LangChain و RAG 5:27
ساخت مدل‌های RAG با استفاده از LangChain 5:11
ساخت مدل‌های RAG با استفاده از LangChain در ادامه 5:52
خلاصه و تجمیع ماژول None

فصل 5: ارزیابی عملکرد LLM

مقایسه عملکرد LLM 5:37
جنبه‌های کلیدی مقایسه عملکرد LLM 6:39
پیچیدگی 5:35
اصول اساسی پشت پیچیدگی 3:02
چگونه پیچیدگی را محاسبه کنیم؟ 6:13
امتیاز BLEU 6:46
اصول اساسی پشت امتیاز BLEU 5:26
ارزیابی انسانی 6:02
محدودیت‌های ارزیابی انسانی 3:39
انتخاب متریک‌های مناسب 6:57
تفسیر نتایج 2:56
جنبه‌های کلیدی تفسیر نتایج 6:41
خلاصه و تجمیع ماژول None

فصل 6: Gen AI برای حریم خصوصی و حفاظت داده

بررسی حریم خصوصی داده 6:43
درک نقش Generative AI در حریم خصوصی داده 5:43
چالش‌های حریم خصوصی با Generative AI 6:23
بررسی عمیق قانوت انطباق با حریم خصوصی 3:57
نکات برای محافظت از سازمان شما 5:07
اهمیت ملاحظات اخلاقی و قانونی 6:34
قوانین خاص هوش مصنوعی و نهادهای حاکم 7:08
مسؤولیت Gen AI در حفاظت از داده‌ 5:42
تقویت حریم خصوصی داده - چگونه Generative AI امنیت و محرمانگی را افزایش می‌دهد؟ None
تحلیل عمیق قوانین انطباق با حریم خصوصی جهانی None
تسلط به پیچیدگی‌های GDPR و CCPA None
رسیدگی به نگرانی‌های حریم خصوصی در اپلیکیشن‌های Generative AI None
نقش Generative AI در اطمینان از حریم خصوصی داده - حفاظت از اطلاعات شما None
ناوبری در CPRA و قانون هوش مصنوعی اتحادیه اروپا None
درک قوانین و چارچوب‌های نظارتی خاص هوش مصنوعی None
ناوبری در تقاطع‌های Generative AI و حریم خصوصی داده - بررسی جامع ماژول None