اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت سیستم‌های پرسش و پاسخ با استفاده از Agents برای Amazon Bedrock

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت سیستم‌های پرسش و پاسخ با استفاده از Agents برای Amazon Bedrock

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی

موضوع میانی: پیاده‌سازی سیستم‌های پرسش و پاسخ هوشمند

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و پردازش زبان طبیعی
• 2. مبانی یادگیری ماشین برای پردازش زبان طبیعی
• 3. معماری‌های شبکه‌های عصبی در پردازش زبان طبیعی
• 4. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 5. ساختار و عملکرد مدل‌های ترنسفورمر
• 6. مبانی پایگاه‌های دانش و استخراج اطلاعات
• 7. مفهوم بازیابی اطلاعات و شاخص‌گذاری
• 8. اصول سیستم‌های پرسش و پاسخ (QA)
• 9. معماری‌های سنتی سیستم‌های پرسش و پاسخ
• 10. مقدمه‌ای بر RAG (Retrieval Augmented Generation)
• 11. نقش Agents در بهبود سیستم‌های QA
• 12. معرفی Amazon Bedrock
• 13. قابلیت‌های Agents در Amazon Bedrock
• 14. ایجاد اولین Agent برای Amazon Bedrock
• 15. تنظیمات پایه Agent
• 16. تعریف پایگاه دانش برای Agent
• 17. اتصال Agent به منابع داده
• 18. مبانی پردازش زبان طبیعی فارسی
• 19. ابزارهای پردازش زبان طبیعی فارسی
• 20. پیش‌پردازش متن فارسی برای RAG
• 21. توکن‌سازی متن فارسی
• 22. حذف کلمات توقف فارسی
• 23. ریشه‌یابی و بن‌واژه‌یابی در فارسی
• 24. تحلیل معنایی در فارسی
• 25. مدل‌های زبانی فارسی
• 26. آموزش مدل‌های زبانی فارسی
• 27. ارزیابی مدل‌های زبانی فارسی
• 28. مبانی پایگاه‌های داده برداری (Vector Databases)
• 29. معرفی پایگاه‌های داده برداری محبوب
• 30. ایجاد و مدیریت پایگاه داده برداری
• 31. مقایسه پایگاه‌های داده برداری
• 32. ذخیره‌سازی اسناد در پایگاه داده برداری
• 33. بازیابی اسناد مرتبط با پرسش
• 34. بهینه‌سازی بازیابی در پایگاه داده برداری
• 35. مقدمه‌ای بر Embeddings
• 36. تولید Embeddings برای متن فارسی
• 37. مدل‌های Embeddings فارسی
• 38. استفاده از Embeddings در RAG
• 39. پیاده‌سازی RAG با استفاده از Embeddings
• 40. تنظیم پارامترهای Embeddings
• 41. ارزیابی کیفیت Embeddings
• 42. مبانی ابزار LangChain
• 43. استفاده از LangChain برای ساخت زنجیره QA
• 44. اتصال LangChain به Amazon Bedrock
• 45. ایجاد Agent سفارشی با LangChain
• 46. مدیریت وضعیت در Agent
• 47. مدل‌های Agent در LangChain
• 48. استراتژی‌های بازیابی در LangChain
• 49. تنظیمات Agent برای بازیابی بهینه
• 50. ارزیابی عملکرد Agent
• 51. دیباگ کردن Agent
• 52. مقدمه‌ای بر ابزارهای هوش مصنوعی مولد
• 53. استفاده از مدل‌های مولد در QA
• 54. تنظیمات تولید متن توسط مدل‌های مولد
• 55. کنترل خروجی مدل‌های مولد
• 56. مبانی Prompt Engineering
• 57. نوشتن Prompt های مؤثر برای QA
• 58. Prompt های چند مرحله‌ای
• 59. Prompt های مبتنی بر مثال
• 60. ارزیابی Prompt ها
• 61. بهینه‌سازی Prompt برای فارسی
• 62. مقدمه‌ای بر امنیت داده‌ها در سیستم‌های هوش مصنوعی
• 63. حفاظت از داده‌های حساس در پایگاه دانش
• 64. رمزنگاری داده‌ها
• 65. کنترل دسترسی به داده‌ها
• 66. ملاحظات اخلاقی در هوش مصنوعی
• 67. شفافیت در سیستم‌های QA
• 68. مسئولیت‌پذیری در هوش مصنوعی
• 69. سوگیری در مدل‌های زبانی
• 70. شناسایی و کاهش سوگیری
• 71. اصول طراحی سیستم‌های QA قابل اعتماد
• 72. ارزیابی جامع سیستم‌های QA
• 73. معیارهای ارزیابی در QA
• 74. تست A/B برای سیستم‌های QA
• 75. جمع‌آوری بازخورد کاربران
• 76. بهبود مستمر سیستم‌های QA
• 77. مقدمه‌ای بر مفاهیم پیشرفته RAG
• 78. RAG چند مرحله‌ای
• 79. RAG ترکیبی
• 80. RAG با حافظه
• 81. استفاده از ابزارهای خارجی در Agent
• 82. مدیریت خطا در Agent
• 83. پیکربندی Agent برای سناریوهای پیچیده
• 84. معماری‌های مقیاس‌پذیر برای QA
• 85. Deploy کردن سیستم‌های QA
• 86. مانیتورینگ سیستم‌های QA
• 87. به‌روزرسانی پایگاه دانش
• 88. مدیریت نسخه‌های Agent
• 89. بهینه‌سازی هزینه‌ها در Amazon Bedrock
• 90. ملاحظات حاکمیتی در استفاده از هوش مصنوعی
• 91. قوانین و مقررات مربوط به هوش مصنوعی در ایران
• 92. اصول رعایت حریم خصوصی در ایران
• 93. چارچوب‌های قانونی حفاظت از داده‌ها
• 94. نقش نهادهای نظارتی در ایران
• 95. معرفی چارچوب‌های اسلامی در اقتصاد (بانکداری بدون ربا)
• 96. کاربرد هوش مصنوعی در تسهیل عقود اسلامی
• 97. سیستم‌های پرسش و پاسخ فقهی
• 98. مبانی فقهی در حوزه داده و اطلاعات
• 99. اصول اخلاقی اسلامی در فناوری
• 100. مطالعه موردی: سیستم QA برای قوانین بانکی