دوره آموزشی

دوبله زبان فارسی

دوره کامل هوش مصنوعی مولد با Langchain و Huggingface

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

یاد بگیرید که با استفاده از فریمورک Langchain و مدل های پیشرفته Huggingface، اپلیکیشن های پیشرفته هوش مصنوعی مولد ایجاد کنید.
الگوهای معماری و طراحی برای ساخت سیستم‌ های هوش مصنوعی مولد قوی را درک کنید.
تجربه عملی در استقرار مدل‌ های هوش مصنوعی مولد در محیط‌ های مختلف، از جمله پلتفرم‌ های ابری و سرورهای داخلی به دست آورید.
استراتژی های مختلف استقرار را کاوش کنید و از مقیاس پذیری و قابلیت اطمینان اپلیکیشن های هوش مصنوعی اطمینان حاصل کنید.
توسعه پایپ لاین های Retrieval-Augmented Generation (RAG) برای افزایش عملکرد و دقت مدل‌ های مولد با یکپارچه‌ سازی مکانیسم‌ های بازیابی
یاد بگیرید که مدل های از پیش آموزش دیده Huggingface را به طور یکپارچه در اپلیکیشن های Langchain قرار دهید و از قابلیت های قدرتمند NLP آنها استفاده کنید.
مدل‌ های Huggingface را برای مطابقت با نیازهای کاربردی خاص و موارد استفاده، سفارشی و دقیق تنظیم کنید.
روی پروژه‌ های دنیای واقعی کار کنید که کاربرد هوش مصنوعی مولد را در حوزه‌ های مختلف، مانند چت بات ها، تولید محتوا و افزایش داده‌ نشان می‌ دهند.

پیش‌نیازهای دوره

آشنایی با زبان برنامه‌نویسی Python، از جمله ساختارهای داده و توابع پایه
درک مفاهیم اولیه یادگیری ماشین، از جمله یادگیری نظارت‌شده و بدون نظارت، و اصول بنیادی هوش مصنوعی
اطلاعات پایه درباره مفاهیم و فریم‌ورک‌های یادگیری عمیق (مثل TensorFlow یا PyTorch) مفید است اما الزامی نیست.
درک نحوه کار با APIها و تعامل با آن‌ها، زیرا دوره شامل ادغام APIهای مختلف برای استقرار و استفاده از مدل‌ها می‌شود.
توانایی حرکت و اجرای فرمان ها در محیط خط فرمان (CLI) یا ترمینال.

توضیحات دوره

پتانسیل کامل هوش مصنوعی مولد را با دوره جامع «دوره کامل هوش مصنوعی مولد با Langchain و Huggingface» کشف کنید. این دوره شما را از مفاهیم پایه تا مباحث پیشرفته راهنمایی می‌کند، و تجربه عملی در ساخت، استقرار و بهینه‌سازی مدل‌های AI با استفاده از Langchain و Huggingface را فراهم می‌کند. مناسب توسعه‌دهندگان، علاقمندان و حرفه‌ای‌های حوزه AI است و رویکرد عملی برای تسلط بر هوش مصنوعی مولد دارد.

آن چه در این دوره خواهید آموخت:

مقدمه‌ای بر هوش مصنوعی مولد:
- درک اصول پایه و کاربردهای هوش مصنوعی مولد
- تفاوت‌های بین مدل‌های سنتی AI و مدل‌های مولد
آغاز کار با Langchain:
- یادگیری مبانی Langchain و نقش آن در توسعه AI
- راه‌اندازی محیط توسعه و ابزارها
یکپارچه‌سازی Huggingface:
- ادغام مدل‌های پیشرفته Huggingface در پروژه‌های Langchain
- شخصی‌سازی و بهینه‌سازی مدل‌ها برای کاربردهای خاص
ساخت اپلیکیشن های هوش مصنوعی مولد:
- راهنماهای گام به گام در توسعه اپلیکیشن های پیشرفته هوش مصنوعی مولد
- پروژه‌های عملی مانند ساخت چت‌بات، تولیدکنندگان محتوا و ابزارهای افزایش داده
استراتژی‌های استقرار:
- یادگیری روش‌های مختلف برای استقرار مدل‌های AI
- نصب و استقرار مدل‌ها در پلتفرم های ابری و سرورهای داخلی برای مقیاس‌پذیری و اطمینان از عملکرد
لوله‌های RAG:
- توسعه پایپ لاین های Retrieval-Augmented Generation (RAG) برای بهبود عملکرد و دقت مدل‌های مولد
- ترکیب سیستم‌های بازیابی با مدل‌های مولد جهت دسترسی بهتر به اطلاعات
بهینه‌سازی مدل‌های AI:
- روش‌های نظارت و بهبود مدل‌های استقرار یافته
- بهترین شیوه ها برای نگهداری و به‌روزرسانی سیستم‌های AI
پروژه‌های کامل و عملی:
- پروژه‌های عملی که تجربه واقعی را فراهم می‌کنند.
- ساخت، استقرار و بهینه‌سازی اپلیکیشن های AI از اول تا آخر

چه کسانی باید این دوره را بگذرانند:

علاقمندان به AI و یادگیری ماشین
محققان داده و مهندسان یادگیری ماشین
توسعه‌دهندگان و مهندسان نرم‌افزار
پ Practitioners NLP
دانش‌جویان و محققان علمی
کارآفرینان و نوآوران فنی
علاقه‌مندان به AI در حوزه سرگرمی‌ها

با پایان این دوره، دانش و مهارت لازم برای ساخت، استقرار و بهینه‌سازی اپلیکیشن های هوش مصنوعی مولد با بهره‌گیری از قدرت Langchain و Huggingface را کسب خواهید کرد. بیایید با هم در این سفر هیجان‌انگیز شرکت کنیم و در حوزه هوش مصنوعی مولد مهارت پیدا کنید!

این دوره برای چه کسانی مناسب است؟

افرادی که به پیگیری و توسعه در حوزه AI و ML علاقمند هستند و می‌خواهند مهارت‌های خود در کاربردهای هوش مصنوعی مولد را گسترش دهند.
حرفه‌ای‌هایی که قصد دارند تخصص خود در ساخت و استقرار مدل‌های هوش مصنوعی مولد، به‌ویژه با استفاده از Langchain و Huggingface، افزایش دهند.
توسعه‌دهندگانی که علاقمند به یکپارچه‌سازی قابلیت‌های پیشرفته AI در اپلیکیشن های خود هستند و می‌خواهند درباره استقرار و بهینه‌سازی مدل‌های AI بیاموزند.

دوره کامل هوش مصنوعی مولد با Langchain و Huggingface

فصل 1: مقدمه

مقدمه‌ای بر آن چه در این دوره یاد می‌گیرید 14:42
آشنایی اولیه با VS Code 10:36
روش‌های مختلف ساخت محیط Python 08:21
مبانی Python - سینتکس و معناشناسی 20:17
متغیرها در Python 18:55
انواع داده پایه در Python 09:52
عملگرهای Python 16:17

فصل 2: کنترل جریان در Python

دستورات شرطی (if ،elif ،else) 21:03
حلقه‌ها در Python 28:03

فصل 3: ساختارهای داده در Python

لیست‌ها و List Comprehension در Python 37:07
تاپل‌ها در Python 22:34
دیکشنری ها در Python 38:19
موارد استفاده در دنیای واقعی لیست‌ها 09:50

فصل 4: توابع در Python

آغاز کار با توابع 24:21
مثال‌های بیشتر کدنویسی با توابع 28:03
تابع Lambda در Python 09:44
توابع Map در Python 11:08
توابع فیلتر در Python 09:00

فصل 5: ایمپورت کردن، ساخت ماژول‌ها و بسته‌ها

ایمپورت کردن، ساخت ماژول‌ها و بسته‌ها در Python 17:06
مروری بر کتابخانه‌های استاندارد Python 17:44

فصل 6: مدیریت فایل در Python

عملیات فایل با Python 17:07
کار با مسیرهای فایل 08:43

فصل 7: مدیریت استثنا

مدیریت استثناها با بلوک‌های try ،except ،else و finally 25:00

فصل 8: کلاس‌ها و اشیاء در برنامه‌نویسی شیءگرا

کلاس‌ها و اشیاء در Python 22:55
وراثت تکی و چندگانه 19:00
پلی مورفیسم در برنامه‌نویسی شیءگرا 19:08
پلی مورفیسم در برنامه‌نویسی شیءگرا 22:12
انتزاع در برنامه‌نویسی شیءگرا 09:09
متدهای جادویی در Python 08:03
Overloading عملگرها در Python 08:32

فصل 9: Streamlit با Python

آغاز کار با Streamlit 17:25
نمونه‌ای از اپلیکیشن ML با Streamlit 08:21

فصل 10: یادگیری ماشین برای NLP (پیش‌نیازها)

نقشه راه یادگیری NLP 16:14
موارد کاربرد عملی NLP 05:33
توکن سازی و اصطلاحات پایه 10:32
تمرینات توکن سازی 13:56
پیش‌پردازش متن - استمینگ با NLTK 19:55
پیش‌پردازش متن - Lemmatization 09:47
پیش‌پردازش متن - حذف کلمات توقف (Stopwords) 19:36
تگ‌گذاری اجزای گفتار با NLTK 11:25
شناسایی انتیتی نام‌گذاری شده 06:22
گام بعدی 10:58
One Hot Encoding 08:14
مزایا و معایب OHE 12:04
درک مفهوم Bag of Words 09:55
مزایا و معایب BOW 09:49
پیاده‌سازی BOW با NLTK 20:33
N Grams 06:55
پیاده‌سازی N Gram با NLTK 06:43
درک مفهوم TF-IDF 10:22
مزایا و معایب TF-IDF 05:08
پیاده‌سازی عملی TF-IDF 06:45
تعبیه‌های واژگان 06:49
درک مفهومی Word2Vec 18:10
توضیح جامع Word2Vec CBOW 20:15
درک عمیق Skip-Gram 09:50
مزایای Word2Vec 04:23
پیاده‌سازی عملی Word2Vec 07:30

فصل 11: یادگیری عمیق برای NLP (پیش‌نیازها)

مقدمه‌ای بر NLP در یادگیری عمیق 17:32
شبکه عصبی مصنوعی مقابل RNN 21:36

فصل 12: درک عمیق RNN ساده

انتشار رو به جلو RNN با زمان 20:24
پس‌انتشار در RNN ساده 31:41
مشکلات RNN 29:07

فصل 13: پیاده‌سازی پروژه شبکه عصبی مصنوعی

بحث در مورد مسئله طبقه‌بندی و راه‌اندازی در VS Code 12:45
تبدیل ویژگی‌ها با استفاده از Sklearn و ANN 24:42
آموزش گام به گام با ANN، با Optimizer و توابع Loss 38:44
پیش‌بینی با مدل آموزش‌دیده ANN 14:50
ادغام مدل ANN با Streamlit Web APP 08:09
استقرار وب اپلیکیشن Streamlit با مدل ANN 04:47
پیاده‌سازی عملی رگرسیون در ANN 16:45
یافتن لایه‌های پنهان و نورون‌های بهینه در ANN 16:20

فصل 14: پروژه‌های یادگیری عمیق کامل با RNN ساده

بیان مسئله 07:16
آغاز کار با لایه‌های تعبیه 14:51
پیاده‌سازی تعبیه کلمات با Keras و TensorFlow 18:19
بارگذاری و درک دیتاست IMDB و مهندسی ویژگی‌ها 14:21
آموزش RNN ساده با لایه‌های جاسازی 07:43
پیش‌بینی با RNN ساده آموزش‌دیده 07:33
وب‌اپ استریم‌لیت کامل و یکپارچه شده با RNN و استقرار 08:43

فصل 15: درک عمیق معماری LSTM RNN

چرا LSTM RNN 20:52
معماری LSTM RNN 12:10
Forget Gate در LSTM RNN 15:00
Input Gate و Candidate Memory در LSTM RNN 11:46
Output Gate در LSTM RNN 08:55
فرایند آموزش در LSTM RNN 16:38
نسخه‌های مختلف LSTM RNN 13:44
درک عمیق واریانت GRU RNN 27:18

فصل 16: پروژه یادگیری عمیق End To End با LSTM و GRU برای پیش‌بینی کلمه بعدی

بحث درباره بیان مسئله 04:50
جمع‌آوری و پیش‌پردازش داده‌ها 16:52
آموزش مدل شبکه عصبی LSTM 09:05
پیش‌بینی با مدل LSTM 06:57
ادغام Streamlit Webapp با مدل آموزش‌دیده LSTM 05:59
پیاده‌سازی واریانت GRU RNN 02:03

فصل 17: درک عمیق RNN دو طرفه

RNN دو طرفه - چرا باید استفاده کنیم؟ 23:07

فصل 18: معماری Encoder و Decoder - توالی به توالی

درک عمیق Encoder و Decoder- توالی به توالی 31:06
مشکلات در معماری Encoder و Decoder 10:14

فصل 19: مکانیسم توجه در شبکه‌های Seq2Seq

توضیح معماری عمیق مکانیزم توجه 28:50

فصل 20: ترنسفورمرها

برنامه‌ریزی 04:10
مقدمه‌ای بر ترنسفورمرها و دلایل استفاده از آنها 18:30
درک معماری پایه‌ای Encoder 14:13
عملکرد لایه Self-Attention 01:02:12
توجه چندسر (Multi Head Attention) 10:19
شبکه عصبی پیشخور با توجه چندسر 08:42
درک عمیق Positional Encoding 30:24
نرمال‌سازی لایه‌ای 33:36
نمونه‌های نرمال‌سازی لایه‌ای 07:48
معماری کامل Encoder و Transformer 22:05
Decoder - برنامه اقدام 08:31
Decoder - توجه چندسر ماسک شده 53:10
توجه چندسر در Encoder و Decoder 14:21
لایه نهایی Decoder و لایه Softmax 13:44

فصل 21: مقدمه‌ای بر هوش مصنوعی مولد و مدل‌های LLM

هوش مصنوعی مولد چیست؟ - تفاوت هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و Generative AI 15:30
چگونه مدل‌های ChatGPT و Llama3 آموزش داده می‌شوند؟ 17:51
تکامل مدل‌های LLM 04:45
تحلیل کامل تمامی مدل‌های LLM 04:36

فصل 22: مقدمه‌ای بر Langchain برای هوش مصنوعی مولد

اکوسیستم کامل Langchain 09:40
ایجاد محیط مجازی 07:12

فصل 23: آغاز کار با Langchain و OpenAI

آغاز کار با Langchain و OpenAI 12:01

فصل 24: کامپوننت های مهم و ماژول‌های در Langchain

مقدمه‌ای بر کامپوننت ها و ماژول‌های پایه در Langchain 13:09
جذب داده‌ها با Documents Loaders 22:43
تکنیک های شکستن متن - Recursive Character Text Splitter 12:56
تکنیک شکستن متن - Character Text splitter 03:53
تکنیک های شکستن متن - HTML Header Text Splitter 07:01
تکنیک شکستن متن - Recursive Json Splitter 06:48
مقدمه‌ای بر تعبیه OpenAI 22:21
تعبیه های Ollama 15:44
تعبیه های Huggingface 10:20
استورهای برداری - FAISS 16:34
استور برداری و Retriever - بررسی ChromaDB 09:33
مسیر پیش‌رو 01:27

فصل 25: آغاز کار با Open AI و Ollama

ساخت کامپوننت های مهم در Langchain 21:46
ساخت اپلیکیشن های GENAI 17:37
درک مکانیزم‌های بازیابی و زنجیره‌ها 20:59
مقدمه‌ای بر Ollama و راه‌اندازی آن 07:24
ساخت اپلیکیشن ساده هوش مصنوعی مولد با Ollama 12:57
پیگیری اپلیکیشن GEN AI با استفاده از Langsmith 02:52

فصل 26: ساخت اپلیکیشن پایه LLM با استفاده از LCEL

آغاز کار با مدل‌های منبع باز با استفاده از Groq API 16:28
ساخت زنجیره‌های LLM، پرامپت و Stroutput با LCEL 14:35
استقرار Langserve قابل اجرا و زنجیره به عنوان API 17:37

فصل 27: ساخت چت‌بات با تاریخچه مکالمه در Langchain

ساخت چت‌بات با تاریخچه پیام‌ها در Langchain 23:11
کار با قالب پرامپت و تاریخچه چت پیام در Langchain 13:47
مدیریت تاریخچه مکالمه در Langchain 12:25
کار با VectorStore و Retriever 26:31

فصل 28: چت‌بات پرسش و پاسخ محاوره‌ای با تاریخچه پیام

ساخت چت‌بات پرسش و پاسخ محاوره‌ای با تاریخچه پیام 28:31

فصل 29: اپلیکیشن کامل پرسش و پاسخ با هوش مصنوعی مولد

مقدمه‌ای بر چت‌بات پرسش و پاسخ 05:43
ایجاد محیط مجازی 08:27
ایجاد قالب پرامپت و ادغام API OpenAI 09:43
ایجاد Streamlit Web App و ادغام پاسخ با OpenAI API 08:14
چت‌بات پرسش و پاسخ با Ollama و مدل‌های متن باز 11:57

فصل 30: پرسش و پاسخ مستندات RAG با GROQ API و LLama3

مقدمه‌ای بر Groq Cloud و موتور استنتاج LPU 07:21
پرسش و پاسخ مستندات RAG با GROQ API و LLama3 23:57

فصل 31: چت‌بات پرسش و پاسخ محاوره‌ای - چت با PDF همراه با تاریخچه چت

دموی چت‌بات پرسش و پاسخ محاوره‌ای 05:25
پیاده‌سازی کامل چت‌بات پرسش و پاسخ محاوره‌ای 30:09

فصل 32: موتور جست‌وجو با ابزارها و عامل های Langchain

مقدمه‌ای بر ابزارها و عامل ها 08:18
ایجاد ابزارها با استفاده از Langchain 13:37
اجرای ابزارها و LLM با Agent Executors 11:55
اپلیکیشن موتور جست‌وجوی کامل GEN AI با ابزارها و عامل‌ها با استفاده از LLM متن باز 26:21