در این دوره تخصصی، میآموزید که چگونه چتبات های فارسی کاملاً آفلاین را توسعه دهید. با مفاهیم بنیادی LLMها، معماری ترنسفورمر و تکنیکهای پیشرفته پرامپت انجینیرینگ آشنا میشوید. هسته اصلی دوره بر فریمورک قدرتمند LangChain و زبان LCEL متمرکز است. با راهاندازی مدلهای محلی (Ollama)، پیادهسازی سیستمهای پیچیده RAG برای پاسخگویی بر اساس اسناد و ساخت ایجنتهای هوشمند تصمیمگیرنده، مهارتهای حیاتی برای توسعه پیشرفتهترین سیستمهای چتبات فارسی را کسب کنید.
در این فصل، مدلهای زبان بزرگ (LLM)، معماری ترنسفورمر و مکانیزم Self-Attention معرفی میشوند. دانشجو مفاهیم پایهای چون توکنها، امبدینگها و تفاوت مدلهای Autoregressive و Encoder-Decoder را میآموزد. تمرکز اصلی بر اصول کنترل خروجی با پارامترهای تولید متن (مانند Temperature) و تکنیکهای پرامپت است. • مفاهیم پایه LLM: o مدل زبانی چیست و کاربردهای آن. o توکن و توکنایزیشن، مفاهیم امبدینگ. • معماری ترنسفورمر: o مکانیزم Self-Attention و نقش آن در LLMها. o ساختار Encoder و Decoder و تفاوت مدلهای autoregressive و .encoder-decoder • کنترل تولید متن: o پارامترهای مهم: Temperature ,Top-k ,Top-p و تأثیر آنها بر خروجی مدل. • تکنیکهای پرامپت: o Zero-Shot ,Few-Shotو مثالهای عملی
فصل پیش رو به شما کمک میکند تا مدلهای LLM را به صورت محلی راهاندازی کنید. این شامل نصب Ollama، کار با دستورات خط فرمان و اجرای مدلهای معروف است. محتوای این بخش تعامل با مدلها از طریق کتابخانه پایتون Ollama و آشنایی با مفاهیم اولیه Prompt Engineering و Hugging Face Hub را پوشش میدهد.
در این بخش، شما میآموزید که چطور یک رابط کاربری سریع و جذاب برای اپلیکیشنهای هوش مصنوعی بسازید. آموزش مبانی Streamlit، پیادهسازی قابلیت حفظ تاریخچه مکالمات با Session State و یکپارچهسازی با مدلهای Ollama از سرفصلهای مهم هستند. تمرکز بر توسعه یک Chatbot ساده و شبیهسازی خروجی Streaming شبیه به ChatGPT است.
محتوای این فصل بر فریمورک LangChain و هسته آن یعنی LCEL متمرکز است تا زنجیرههای پیچیدهای از اجزای LLM بسازید. سرفصلها شامل مدیریت ورودی با Prompt Templates و ساختاردهی خروجی با Output Parsers (تبدیل به JSON/Pydantic) است. هدف نهایی، پیادهسازی جریانهای کاری پیشرفته (مانند مسیریابی) و استفاده از Memory برای تاریخچه مکالمات است.
در فصل پیش رو، یاد میگیرید که چگونه اسناد و دادههای ساختارنیافته (مانند PDF) را برای LLM آماده کنید. این شامل استفاده از Document Loaderها و ابزارهایی چون Docling برای استخراج دادههاست. تمرکز بر رفع محدودیت Context Window از طریق فرآیند Chunking و استفاده از روشهای مؤثر مانند RecursiveTextSplitter است.
این بخش به طور کامل به سیستمهای RAG (Retrieval-Augmented Generation) و نحوه غنیسازی پاسخهای LLM با دانش خارجی میپردازد. سرفصلها شامل درک Embedding، کار با Vector Stores (مانند ChromaDB و FAISS) و پیادهسازی کامل چرخه RAG است. تمرکز اصلی بر ساخت Chain نهایی RAG و تکنیکهای بهینهسازی آن است.
در این فصل، شما از Chain به سمت ایجنتهای تصمیمگیرنده که میتوانند از ابزارها (Tools) استفاده کنند، حرکت میکنید. محتوا شامل مفهوم Tool Calling، استفاده از ابزارهای جستجوی آماده و ساخت ابزارهای سفارشی است. هدف این بخش، ساخت ایجنتهای پیشرفته در LangChain و معرفی CrewAI برای ایجاد سیستمهای چند ایجنتی (Multi-Agent Systems) است.
فصل پیش رو دانش شما را در قالب پروژههای عملی و چندرسانهای (Multimodal) به کار میگیرد. سرفصلها شامل توصیف تصاویر با مدلهای Vision (مانند LLaVA) و پردازش ویدیو با Whisper است. تمرکز این بخش بر پروژههای تخصصی مانند Web Scraping & Analysis و ساخت یک Resume Parser برای تحلیل خودکار اطلاعات است.
محتوای این فصل به طور کامل به بهینهسازی و افزایش سرعت اجرای مدلها اختصاص دارد. معرفی vLLM و کاربرد آن در سرعتبخشی و کاهش مصرف حافظه، هسته اصلی این بخش است. تمرکز بر مقایسه عملکرد vLLM در اجرای همزمان درخواستها و ادغام آن با LangChain برای بهینهسازی RAG و Agentها در محیط پروداکشن است.
۸ سال سابقه ی مدیر فنی در مجموعه دانش بنیان “شناسا” توسعه دهنده پایتون و فعال در پروژه های بینایی ماشین با یادگیری عمیق مشاور و منتور هوش مصنوعی در شتاب دهنده همتک، همراه اول، ایبیکام مدرس دانشگاه شهید رجایی از سال ۱۳۹۴ ارائه ورکشاپ و تدریس در دانشگاه های صنعتی شریف، امیرکبیر و تهران […]
ذخیره نام، ایمیل و وبسایت من در مرورگر برای زمانی که دوباره دیدگاهی مینویسم.
Δ
18.538.000 تومان قیمت اصلی: 18.538.000 تومان بود.14.260.000 تومانقیمت فعلی: 14.260.000 تومان.
Manage your cookie preferences below:
Essential cookies enable basic functions and are necessary for the proper function of the website.
These cookies are needed for adding comments on this website.
Google Tag Manager simplifies the management of marketing tags on your website without code changes.
Statistics cookies collect information anonymously. This information helps us understand how visitors use our website.
Clarity is a web analytics service that tracks and reports website traffic.
Service URL: clarity.microsoft.com
SourceBuster is used by WooCommerce for order attribution based on user source.