فلش‌کارت‌های آموزشی ساخت سیستم‌های پرسش و پاسخ هوشمند با استفاده از مدل‌های زبانی و ابزارهای نوین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت سیستم‌های پرسش و پاسخ هوشمند با استفاده از مدل‌های زبانی و ابزارهای نوین

موضوع کلی: هوش مصنوعی و علم داده

موضوع میانی: مهندسی و عملیاتی‌سازی مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و علم داده
• 2. مبانی علم داده و یادگیری ماشین
• 3. معرفی مدل‌های زبانی بزرگ (LLMs)
• 4. مفاهیم پایه در پردازش زبان طبیعی (NLP)
• 5. آشنایی با معماری ترنسفورمر
• 6. اصول کار با مدل‌های زبانی
• 7. مقدمه‌ای بر LangChain
• 8. نصب و پیکربندی LangChain
• 9. ساختار اصلی LangChain: کامپوننت‌ها
• 10. ایجاد زنجیره‌های ساده با LangChain
• 11. مقدمه‌ای بر OpenAI API
• 12. تنظیمات احراز هویت OpenAI
• 13. استفاده از مدل‌های زبانی OpenAI در LangChain
• 14. مقدمه‌ای بر Databricks
• 15. نصب و پیکربندی Databricks
• 16. یکپارچه‌سازی LangChain با Databricks
• 17. مفاهیم پایگاه داده‌های برداری (Vector Databases)
• 18. انتخاب پایگاه داده برداری مناسب
• 19. نصب و پیکربندی ChromaDB
• 20. استفاده از ChromaDB با LangChain
• 21. مفاهیم بازیابی اطلاعات (Information Retrieval)
• 22. طراحی سیستم پرسش و پاسخ (QA)
• 23. مبانی Retrieval Augmented Generation (RAG)
• 24. پیاده‌سازی RAG با LangChain
• 25. پردازش اسناد و بارگذاری داده‌ها
• 26. تبدیل اسناد به فرمت مناسب
• 27. تقسیم‌بندی اسناد (Chunking)
• 28. ایجاد Embeddings برای قطعات متن
• 29. ذخیره‌سازی Embeddings در پایگاه داده برداری
• 30. بازیابی قطعات مرتبط با پرسش
• 31. ساخت زنجیره پرسش و پاسخ با RAG
• 32. ارزیابی عملکرد سیستم QA
• 33. معیارهای ارزیابی سیستم‌های QA
• 34. تنظیم دقیق مدل‌های زبانی (Fine-tuning)
• 35. مقدمه‌ای بر Fine-tuning در LangChain
• 36. استفاده از داده‌های سفارشی برای Fine-tuning
• 37. مدیریت مدل‌های زبانی
• 38. استقرار مدل‌های زبانی
• 39. مقدمه‌ای بر MLOps برای LLMs
• 40. اصول MLOps در علم داده
• 41. مدیریت چرخه عمر مدل‌های زبانی
• 42. نظارت بر عملکرد مدل‌های زبانی
• 43. لاگ‌گیری و ردیابی در LangChain
• 44. اشکال‌زدایی سیستم‌های QA
• 45. بهینه‌سازی عملکرد سیستم‌های QA
• 46. افزایش دقت و سرعت سیستم QA
• 47. مدیریت هزینه‌ها در استفاده از LLMs
• 48. استفاده از مدل‌های متن‌باز
• 49. مقدمه‌ای بر Hugging Face Transformers
• 50. یکپارچه‌سازی مدل‌های Hugging Face با LangChain
• 51. کار با انواع مختلف اسناد (PDF, DOCX, TXT)
• 52. استخراج اطلاعات از اسناد
• 53. خلاصه‌سازی اسناد با LLMs
• 54. ترجمه ماشینی با LLMs
• 55. تولید محتوا با LLMs
• 56. ساخت چت‌بات‌های پیشرفته
• 57. کار با ابزارها (Tools) در LangChain
• 58. ایجاد ابزارهای سفارشی
• 59. استفاده از Agentها در LangChain
• 60. طراحی Agentهای پیچیده
• 61. مدیریت حافظه در مکالمات
• 62. استفاده از انواع حافظه در LangChain
• 63. کار با Chainهای سفارشی
• 64. ساخت Chainهای چند مرحله‌ای
• 65. مقدمه‌ای بر LangServe
• 66. استقرار زنجیره‌ها با LangServe
• 67. ساخت API برای سیستم QA
• 68. امنیت در سیستم‌های مبتنی بر LLMs
• 69. مدیریت دسترسی و احراز هویت
• 70. ملاحظات اخلاقی در استفاده از LLMs
• 71. سوگیری در مدل‌های زبانی
• 72. کاهش سوگیری در سیستم‌های QA
• 73. مقدمه‌ای بر Databricks MLflow
• 74. ردیابی آزمایش‌ها در MLflow
• 75. مدیریت مدل‌ها در MLflow
• 76. استقرار مدل‌ها از طریق MLflow
• 77. کار با Spark در Databricks
• 78. پردازش داده‌های حجیم با Spark
• 79. یکپارچه‌سازی Spark با LangChain
• 80. مقدمه‌ای بر Hugging Face Datasets
• 81. بارگذاری و پردازش مجموعه‌داده‌ها
• 82. آماده‌سازی داده برای Fine-tuning
• 83. اصول مهندسی Prompt (Prompt Engineering)
• 84. تکنیک‌های پیشرفته Prompt Engineering
• 85. ساخت Promptهای پویا
• 86. مقدمه‌ای بر LangSmith
• 87. ردیابی و اشکال‌زدایی در LangSmith
• 88. تجزیه و تحلیل عملکرد در LangSmith
• 89. کار با LangChain Expression Language (LCEL)
• 90. مفاهیم پیشرفته LCEL
• 91. طراحی زنجیره‌های پیچیده با LCEL
• 92. مقدمه‌ای بر LangChain Agents
• 93. پیاده‌سازی Agentهای پیچیده
• 94. استفاده از ReAct (Reasoning and Acting)
• 95. مقدمه‌ای بر LangChain Agents
• 96. پیاده‌سازی Agentهای پیچیده
• 97. استفاده از ReAct (Reasoning and Acting)
• 98. مدیریت وضعیت در Agentها
• 99. طراحی Agentهای چند منظوره
• 100. ساخت سیستم‌های QA سازمانی