دوره آموزشی ارتقای توسعه برنامههای LLM با LangChain و OpenAI
3 ساعت 53 دقیقهمبتدی2024-09-24
مدرسین

Sandy Ludosky
Web Developer and Trainer
جزئیات دوره
به دنیای مدلهای زبان بزرگ (LLM) وارد شوید و تمرکز خود را بر ادغام این مدلها در برنامههای کاربردی عملی با استفاده از APIهای OpenAI قرار دهید. در این دوره خواهید آموخت که چگونه مدلهای زبان بزرگ را با اجزای جستجوی بازیابی تقویت کنید، برنامههای چت تعاملی راهاندازی کنید، و عوامل چندگانه بازیابی برای مدیریت پیشرفته دادهها بسازید. مربی ساندی لودوسکی شما را به کسب مهارتهای لازم برای ساخت عوامل هوشمند توانمند در انجام وظایف پیچیده مانند جستجوهای معنایی و رباتهای چت سوال-پاسخ میبرد، که به طور قابل توجهی تجربه کاربری را بهبود میبخشد. چه هدف شما نوآوری در شغل فعلیتان باشد یا شروع پروژههای جدید هوش مصنوعی، این دوره دانش بنیادین و مهارتهای عملی لازم برای استفاده مؤثر از قدرت مدلهای زبان بزرگ را در اختیار شما قرار میدهد.
مهارت ها
LangChainOpenAI APINatural Language Processing (NLP)OpenAIProgramming FoundationsGenerative AIArtificial Intelligence FoundationsSoftware Development ToolsArtificial Intelligence (AI)Open SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - برنامههای LLM را ارتقا دهید
- 02 - آنچه باید بدانید
1. مبانی LangChain - مقدمه ای برای ساخت برنامههای LLM-Powered
- 03 - راهاندازی و نصب
- 04 - یک زنجیره و رابط با LLM ایجاد کنید
- 05 - یک دستور را تعریف و ساختار دهید
- 06 - ایجاد و فراخوانی یک زنجیره (Syntax LCEL)
- 07 - با تجزیه کنندههای خروجی کار کنید
2. افزودن شباهت جستجو و زمینه
- 08 - راهاندازی سریع - نصب و راه اندازی
- 09 - ایجاد جاسازی از متن (Faiss)
- 10 - کوئری از فروشگاه برداری
- 11 - کوئری به عنوان بازیابی
3. استفاده از LLM با LangChain و RAG
- 12 - RAG - نمای کلی و معماری
- 13 - خرابی خط لوله RAG
- 14 - راهاندازی پروژه
- 15 - دانلود و تقسیم اسناد به قطعات
- 16 - یک فروشگاه برداری (Chroma) را راهاندازی کنید و اسناد را وارد کنید
- 17 - ایجاد زنجیره - Prompt + model + parser
- 18 - ایجاد زنجیره - اضافه کردن زمینه با یک retriever
- 19 - دادهها را با دادههای RunnablePassthrough و query ارسال کنید
- 20 - چالش - یک عامل سفارشی با سابقه ایجاد کنید
- 21 - راه حل - اضافه کردن یک زنجیره با سابقه چت
- 22 - راه حل - چت بات آگاه از متن و تاریخ
4. ایجاد یک برنامه وب تعاملی (Streamlit)
- 23 - برنامه Streamlit را راهاندازی کنید
- 24 - طرح بندی را با اجزای Streamlit بسازید
- 25 - افزودن قابلیت با Streamlit
- 26 - چالش - برنامه Streamlit خود را اجرا کنید
- 27 - راه حل - اضافه کردن برنامه به GitHub
- 28 - راه حل - برنامه خود را مستقر کنید
5. یک عامل پرسش و پاسخ با منابع دادههای متعدد و تجزیهوتحلیل کوئری بسازید
- 29 - بازیابی با تحلیل پرس و جو
- 30 - به یک منبع داده متصل شوید و یک فهرست ایجاد کنید
- 31 - تجزیهوتحلیل کوئری را برای مدیریت چندین منبع داده تنظیم کنید
- 32 - بازیابی با تحلیل پرس و جو
- 33 - چالش - بازیابی با چندین منبع داده
- 34 - راه حل - پرسش و پاسخ با منابع دادههای متعدد
6. جستجوی معنایی را با استفاده از MongoDB Atlas Vector Search و OpenAI انجام دهید
- 35 - شروع کار با MongoDB - ایجاد یک حساب کاربری
- 36 - ساخت و استقرار یک خوشه رایگان
- 37 - محیط MongoDB را راهاندازی کرده و به کلاستر متصل شوید
- 38 - ایجاد یک دسترسی به پایگاه داده ایمن (کاربر)
- 39 - دادههای نمونه را دانلود کنید و ذخیره بردار را ایجاد کنید
- 40 - فهرست جستجوی برداری Atlas را ایجاد کنید
- 41 - کوئریهای جستجوی برداری را اجرا کنید
7. تعامل با یک پایگاه داده NoSQL (MongoDB)
- 42 - ایجاد یک زنجیره بازیابی - اعلان را تعریف کنید
- 43 - ایجاد یک زنجیره بازیابی - زمینه را تعریف کنید
- 44 - ایجاد یک زنجیره بازیابی - نتایج را تجزیه و فرمت کنید
- 45 - اسناد را کوئری کنید و پاسخهای گسترده ایجاد کنید
8. تنظیم دقیق LLM با ابزارها و توابع OpenAI
- 46 - استفاده از عوامل برای انجام اعمال در زنجیره
- 47 - ابزار را تعریف کنید
- 48 - دستور کامل را انتخاب کنید
- 49 - ابزارها را ببندید و عامل ایجاد کنید
- 50 - Agent executor را ایجاد و اجرا کنید
- 51 - چالش - یک عامل چند وظیفه ای ایجاد کنید
- 52 - راه حل - ابزارها و توابع را تعریف کنید
9. Chains را به عنوان یک API RESTful با LangServe مستقر کنید
- 53 - معرفی LangServe - نصب و راه اندازی
- 54 - سرور ایجاد کنید
- 55 - مسیرها و نقاط پایانی را ایجاد کنید
- 56 - یک runnable برای ترکیب یک prompt، یک مدل و خروجی ایجاد کنید
- 57 - چالش - یک API RESTful ایجاد کنید
- 58 - راه حل - یک API RESTful مستقر کنید
10. خط پایان - مستقر در ابر و به اشتراک گذاری با جهان
- 59 - یک برنامه را در Render مدیریت و اجرا کنید
- 60 - یک مخزن GitHub ایجاد کنید و پروژه خود را هل دهید
- 61 - یک وب سرویس جدید در Render مستقر کنید
نتیجه گیری
- 62 - نتیجه گیری
دوره های مرتبط
- دوره آموزشی آشنایی با Semantic Kernel در اکوسیستم هوش مصنوعی مایکروسافت
- دوره آموزشی ساخت چتباتهای سفارشی با n8n
- دوره آموزشی سطح بالا: مدل سازی داده پایتون و معیارهای ارزیابی مدل
- دوره آموزشی سطح بالا: زبان برنامه نویسی Rust
- دوره آموزشی سطح بالا: طرح بندی CSS
- دوره آموزشی تمرین های کدنویسی: اسکالا
- دوره آموزشی سطح بالا: پایتون پیشرفته
- دوره آموزشی سطح بالا: زبان برنامه نویسی سی (C)
مسیرهای مرتبط
- مسیر آموزشی توسعه مهارت های هوش مصنوعی خود با Google Gemini و Google Cloud Platform
- مسیر آموزشی گواهینامه حرفهای مهندسی داده از Snowflake
- مسیر آموزشی شروع کار با Microsoft Copilot
- مسیر آموزشی تسلط بر تولید مبتنی بر بازیابی (RAG)
- مسیر آموزشی ساخت مهارتهای آماده برای آینده در عصر هوش مصنوعی مولد
- مسیر آموزشی ساخت محصولات هوش مصنوعی با استفاده از سرویسهای Azure AI در چرخه توسعه
- مسیر آموزشی ایجاد سواد هوش مصنوعی
- مسیر آموزشی درک هوش مصنوعی تولیدکننده برای رهبران فناوری