دوره ساخت و توسعه برنامه‌های هوشمند با استفاده از LangChain همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و توسعه برنامه‌های هوشمند با استفاده از LangChain

موضوع کلی: هوش مصنوعی و توسعه نرم‌افزار

موضوع میانی: کاربرد مدل‌های زبانی بزرگ (LLMs) در توسعه برنامه‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و توسعه نرم‌افزار
• 2. آشنایی با مدل‌های زبانی بزرگ (LLMs)
• 3. مبانی توسعه برنامه‌های هوشمند
• 4. معرفی LangChain و معماری آن
• 5. نصب و راه‌اندازی LangChain
• 6. اولین برنامه با LangChain: پرسش و پاسخ ساده
• 7. اجزای اصلی LangChain: مدل‌ها، پرامپت‌ها، زنجیره‌ها
• 8. کار با مدل‌های زبانی مختلف در LangChain
• 9. تنظیم و بهینه‌سازی پرامپت‌ها
• 10. ساخت زنجیره‌های ساده (Simple Chains)
• 11. مدیریت حافظه در زنجیره‌ها
• 12. انواع حافظه: بافر، خلاصه، پنجره متحرک
• 13. کاربرد حافظه در مکالمات پیچیده
• 14. اتصال LangChain به منابع داده خارجی (Data Connection)
• 15. شاخص‌گذاری اسناد (Document Indexing)
• 16. انواع شاخص‌ها: برداری، کلید-مقدار
• 17. جستجوی معنایی (Semantic Search)
• 18. بازیابی اطلاعات از اسناد (Retrieval)
• 19. ساخت برنامه‌های پرسش و پاسخ از اسناد (Q&A over Documents)
• 20. استفاده از LLMs برای خلاصه‌سازی متون
• 21. خلاصه‌سازی اسناد طولانی
• 22. خلاصه‌سازی مکالمات
• 23. تولید محتوا با LangChain
• 24. تولید متن خلاقانه
• 25. تولید کد با LLMs
• 26. استفاده از ابزارها (Tools) در LangChain
• 27. تعریف ابزارهای سفارشی
• 28. اتصال LLMs به ابزارهای خارجی (مانند جستجوی وب)
• 29. مدیریت عامل‌ها (Agents) در LangChain
• 30. مفهوم عامل و وظایف آن
• 31. انواع عامل‌ها: ReAct، Self-ask with search
• 32. ساخت عامل‌های تصمیم‌گیرنده
• 33. برنامه‌ریزی وظایف با عامل‌ها
• 34. کاربرد LangChain در اتوماسیون فرآیندها
• 35. توسعه دستیارهای هوشمند (Intelligent Assistants)
• 36. ساخت ربات‌های چت (Chatbots) پیشرفته
• 37. مدیریت مکالمات چند نوبتی
• 38. شخصی‌سازی پاسخ‌ها بر اساس تاریخچه
• 39. کاربرد LLMs در تحلیل داده
• 40. استخراج اطلاعات کلیدی از داده‌ها
• 41. طبقه‌بندی متون
• 42. تحلیل احساسات (Sentiment Analysis)
• 43. پردازش زبان طبیعی (NLP) با LangChain
• 44. تگ‌گذاری اجزای کلام (POS Tagging)
• 45. تشخیص موجودیت‌های نام‌دار (NER)
• 46. استفاده از LangChain در توسعه وب
• 47. ادغام LangChain با فریم‌ورک‌های وب
• 48. ساخت API برای برنامه‌های هوشمند
• 49. امنیت در برنامه‌های هوشمند مبتنی بر LLM
• 50. مدیریت دسترسی و احراز هویت
• 51. جلوگیری از تزریق پرامپت (Prompt Injection)
• 52. بهینه‌سازی عملکرد برنامه‌ها
• 53. مدیریت هزینه‌ها در استفاده از LLMs
• 54. تست و ارزیابی برنامه‌های هوشمند
• 55. روش‌های ارزیابی کیفیت پاسخ‌ها
• 56. اشکال‌زدایی (Debugging) در LangChain
• 57. نکات پیشرفته در کار با مدل‌های زبانی
• 58. تنظیم دقیق مدل‌ها (Fine-tuning)
• 59. استفاده از Embeddings سفارشی
• 60. کاربرد LangChain در حوزه‌های تخصصی
• 61. برنامه‌های هوشمند در آموزش
• 62. برنامه‌های هوشمند در سلامت
• 63. برنامه‌های هوشمند در مالی (با رعایت چارچوب شرعی)
• 64. برنامه‌های هوشمند در حقوق (با رعایت چارچوب شرعی)
• 65. برنامه‌های هوشمند در تولید و صنعت
• 66. آینده توسعه برنامه‌های هوشمند
• 67. روندهای جدید در LLMs
• 68. اخلاق در هوش مصنوعی
• 69. مسئولیت‌پذیری در توسعه نرم‌افزار
• 70. ملاحظات قانونی و شرعی در هوش مصنوعی
• 71. مبانی برنامه‌نویسی پایتون برای LangChain
• 72. ساختارهای داده در پایتون
• 73. توابع و کلاس‌ها در پایتون
• 74. مدیریت خطاها در پایتون
• 75. آشنایی با کتابخانه‌های مرتبط پایتون
• 76. کار با فایل‌ها در پایتون
• 77. مبانی کار با APIها در پایتون
• 78. اصول طراحی نرم‌افزار
• 79. الگوهای طراحی (Design Patterns)
• 80. معماری نرم‌افزار
• 81. توسعه چابک (Agile Development)
• 82. روش‌های تست نرم‌افزار
• 83. مدیریت پروژه نرم‌افزاری
• 84. اصول پایگاه داده
• 85. مبانی SQL
• 86. کار با پایگاه داده‌های NoSQL
• 87. امنیت پایگاه داده
• 88. مبانی شبکه
• 89. پروتکل‌های اینترنت
• 90. کار با RESTful APIها
• 91. مبانی امنیت سایبری
• 92. رمزنگاری
• 93. احراز هویت و مجوزدهی
• 94. مدیریت ریسک سایبری
• 95. مقدمه‌ای بر یادگیری ماشین
• 96. انواع یادگیری ماشین
• 97. مدل‌های یادگیری ماشین پایه
• 98. ارزیابی مدل‌های یادگیری ماشین
• 99. مبانی پردازش تصویر
• 100. کاربرد پردازش تصویر در هوش مصنوعی