دوره پرس‌وجو با زبان طبیعی در پایگاه‌های داده و فایل‌های CSV با استفاده از LangChain و مدل‌های OpenAI همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پرس‌وجو با زبان طبیعی در پایگاه‌های داده و فایل‌های CSV با استفاده از LangChain و مدل‌های OpenAI

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی در تحلیل داده

موضوع میانی: استفاده از مدل‌های زبانی بزرگ برای پرس‌وجو در پایگاه‌های داده و فایل‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش زبان طبیعی و هوش مصنوعی
• 2. مفاهیم پایهٔ مدل‌های زبانی بزرگ
• 3. آشنایی با LangChain: چارچوبی برای توسعهٔ برنامه‌های کاربردی با LLM
• 4. نصب و راه‌اندازی LangChain
• 5. مفاهیم کلیدی LangChain: زنجیره‌ها، عامل‌ها، و ابزارها
• 6. کار با مدل‌های OpenAI در LangChain
• 7. ساخت اولین زنجیرهٔ پرس‌وجو
• 8. مدیریت ورودی و خروجی در زنجیره‌ها
• 9. تنظیمات پیشرفتهٔ مدل‌های OpenAI
• 10. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 11. ساختار پایگاه داده و زبان SQL
• 12. اتصال LangChain به پایگاه‌های دادهٔ SQL
• 13. پرس‌وجو از پایگاه داده با استفاده از زبان طبیعی
• 14. تولید خودکار کوئری‌های SQL از دستورات زبانی
• 15. مدل‌های زبانی برای درک معنایی کوئری‌ها
• 16. پردازش و اعتبارسنجی کوئری‌های تولید شده
• 17. مدیریت خطاها در پرس‌وجو از پایگاه داده
• 18. مقدمه‌ای بر فایل‌های CSV
• 19. خواندن و پردازش فایل‌های CSV با LangChain
• 20. پرس‌وجو از فایل‌های CSV با استفاده از زبان طبیعی
• 21. ترکیب پرس‌وجو از پایگاه داده و فایل‌های CSV
• 22. ذخیره‌سازی نتایج پرس‌وجوها
• 23. مفاهیم پایگاه داده‌های برداری
• 24. کاربرد پایگاه داده‌های برداری در پردازش زبان
• 25. اتصال LangChain به پایگاه داده‌های برداری
• 26. جستجوی معنایی در داده‌ها
• 27. تولید بردارهای متنی (Embeddings)
• 28. مدل‌های تولید Embedding
• 29. استفاده از Embedding برای مقایسهٔ متون
• 30. بازیابی اطلاعات مرتبط با استفاده از بردارهای معنایی
• 31. مقدمه‌ای بر Agentها در LangChain
• 32. نقش Agentها در اجرای وظایف پیچیده
• 33. طراحی Agentهای سفارشی
• 34. ابزارهای Agent: دسترسی به عملکردها و داده‌ها
• 35. استفاده از ابزارهای جستجو
• 36. استفاده از ابزارهای پایگاه داده
• 37. استفاده از ابزارهای فایل
• 38. مدیریت وضعیت در Agentها
• 39. برنامه‌ریزی و اجرای چند مرحله‌ای وظایف
• 40. مقدمه‌ای بر Vector Stores در LangChain
• 41. انتخاب مناسب Vector Store
• 42. بارگذاری داده‌ها در Vector Store
• 43. پرس‌وجو از Vector Store
• 44. مدیریت داده‌های بزرگ در Vector Store
• 45. بهینه‌سازی عملکرد Vector Store
• 46. مقدمه‌ای بر Text Splitters
• 47. روش‌های مختلف تقسیم‌بندی متن
• 48. انتخاب Text Splitter مناسب
• 49. کاربرد Text Splitter در پردازش اسناد طولانی
• 50. پردازش اسناد حجیم با LangChain
• 51. استفاده از LLMs برای خلاصه‌سازی متون
• 52. خلاصه‌سازی اسناد با حفظ ساختار
• 53. خلاصه‌سازی متون پرسش و پاسخ
• 54. استفاده از LLMs برای استخراج اطلاعات
• 55. استخراج موجودیت‌های نام‌گذاری شده (NER)
• 56. استخراج روابط بین موجودیت‌ها
• 57. طراحی پرس‌وجوهای مؤثر برای استخراج اطلاعات
• 58. مقدمه‌ای بر Memory در LangChain
• 59. انواع Memory در LangChain
• 60. کاربرد Memory در حفظ تاریخچهٔ مکالمات
• 61. مدیریت حافظه در Agentها
• 62. تنظیمات پیشرفتهٔ Memory
• 63. مقدمه‌ای بر Callbacks در LangChain
• 64. استفاده از Callbacks برای نظارت بر اجرای زنجیره‌ها
• 65. پیاده‌سازی Callbacks سفارشی
• 66. مدیریت لاگ‌ها و رویدادها
• 67. مقدمه‌ای بر Document Loaders
• 68. انواع Document Loaders
• 69. استفاده از Document Loaders برای منابع مختلف
• 70. بارگذاری داده‌ها از APIها
• 71. بارگذاری داده‌ها از سرویس‌های ابری
• 72. مقدمه‌ای بر Output Parsers
• 73. نقش Output Parsers در ساختاردهی خروجی LLM
• 74. انواع Output Parsers
• 75. نوشتن Output Parsers سفارشی
• 76. استفاده از Output Parsers برای استخراج داده‌های ساختاریافته
• 77. مقدمه‌ای بر LangGraph
• 78. کاربرد LangGraph در ساخت گراف‌های پیچیده
• 79. طراحی Agentهای مبتنی بر گراف
• 80. مدیریت جریان اجرا در LangGraph
• 81. پیاده‌سازی منطق شرطی در LangGraph
• 82. مقدمه‌ای بر LangSmith
• 83. کاربرد LangSmith برای اشکال‌زدایی و مانیتورینگ
• 84. ردیابی اجرای زنجیره‌ها و Agentها
• 85. تحلیل عملکرد مدل‌ها
• 86. بهینه‌سازی پرس‌وجوها با LangSmith
• 87. مقدمه‌ای بر Chat Models
• 88. کار با Chat Models در LangChain
• 89. مدیریت مکالمات چند نوبتی
• 90. استفاده از Chat Models برای ساخت ربات‌های چت
• 91. تنظیمات پیشرفتهٔ Chat Models
• 92. مقدمه‌ای بر Prompt Engineering
• 93. اصول نوشتن Promptهای مؤثر
• 94. تکنیک‌های پیشرفتهٔ Prompt Engineering
• 95. Prompt Templating
• 96. استفاده از Variableها در Promptها
• 97. بهینه‌سازی Prompt برای وظایف خاص
• 98. مقدمه‌ای بر RAG (Retrieval-Augmented Generation)
• 99. کاربرد RAG در بهبود کیفیت پاسخ‌های LLM
• 100. پیاده‌سازی RAG با LangChain