فلش‌کارت‌های آموزشی ساخت عامل‌های هوشمند با استفاده از هوش مولد، بازیابی اطلاعات و LangChain

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت عامل‌های هوشمند با استفاده از هوش مولد، بازیابی اطلاعات و LangChain

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی و مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد
• 2. مبانی یادگیری ماشین
• 3. مفاهیم کلیدی یادگیری عمیق
• 4. معماری شبکه‌های عصبی
• 5. شبکه‌های عصبی کانولوشنال
• 6. شبکه‌های عصبی بازگشتی
• 7. مقدمه‌ای بر پردازش زبان طبیعی
• 8. کلمات و توکن‌سازی
• 9. مدل‌سازی زبان آماری
• 10. مدل‌های زبانی مبتنی بر توزیع
• 11. نمایش کلمات (Word Embeddings)
• 12. Word2Vec و GloVe
• 13. مقدمه‌ای بر ترنسفورمرها
• 14. مکانیزم توجه (Attention Mechanism)
• 15. مدل‌های زبانی بزرگ (LLMs)
• 16. معماری ترنسفورمر در LLMs
• 17. آموزش و تنظیم دقیق LLMs
• 18. کاربردهای LLMs
• 19. مقدمه‌ای بر عامل‌های هوشمند
• 20. مفهوم عامل و محیط
• 21. طراحی عامل‌های هوشمند
• 22. قابلیت‌های عامل‌های هوشمند
• 23. مقدمه‌ای بر بازیابی اطلاعات (RAG)
• 24. اصول اولیه بازیابی اطلاعات
• 25. تکنیک‌های جستجو و نمایه‌سازی
• 26. ارزیابی سیستم‌های بازیابی اطلاعات
• 27. مقدمه‌ای بر LangChain
• 28. مبانی LangChain
• 29. اجزای اصلی LangChain
• 30. استفاده از LLMs در LangChain
• 31. مدیریت حافظه در LangChain
• 32. زنجیره‌ها (Chains) در LangChain
• 33. چگونه زنجیره‌ها کار می‌کنند
• 34. انواع مختلف زنجیره‌ها
• 35. ساخت زنجیره‌های سفارشی
• 36. مقدمه‌ای بر عامل‌ها در LangChain
• 37. معماری عامل‌ها
• 38. اجزای عامل
• 39. استفاده از ابزارها توسط عامل‌ها
• 40. طراحی عامل‌های تعاملی
• 41. مدیریت وضعیت عامل
• 42. برنامه‌ریزی در عامل‌ها
• 43. اجرای عامل‌های پیچیده
• 44. کاربرد RAG با عامل‌ها
• 45. بهینه‌سازی بازیابی اطلاعات
• 46. تکنیک‌های پیشرفته RAG
• 47. ادغام RAG با LLMs
• 48. ارزیابی سیستم‌های RAG
• 49. ساخت عامل‌های پرسش و پاسخ
• 50. ساخت عامل‌های خلاصه‌سازی متن
• 51. ساخت عامل‌های ترجمه
• 52. ساخت عامل‌های تحلیل احساسات
• 53. ساخت عامل‌های تولید کد
• 54. ساخت عامل‌های مبتنی بر دانش
• 55. استفاده از پایگاه‌های دانش
• 56. ادغام پایگاه‌های دانش با LLMs
• 57. بهبود دقت عامل‌ها
• 58. مدیریت خطا در عامل‌ها
• 59. دیباگ کردن عامل‌ها
• 60. ملاحظات امنیتی در عامل‌های هوشمند
• 61. اخلاق در هوش مصنوعی مولد
• 62. مسئولیت‌پذیری در عامل‌های هوشمند
• 63. آینده عامل‌های هوشمند
• 64. کاربرد در صنعت
• 65. کاربرد در آموزش
• 66. کاربرد در پزشکی
• 67. کاربرد در امور مالی
• 68. کاربرد در خدمات مشتری
• 69. مقدمه‌ای بر پایگاه‌های داده برداری
• 70. ذخیره‌سازی و جستجو در پایگاه‌های داده برداری
• 71. انتخاب پایگاه داده برداری مناسب
• 72. ادغام پایگاه‌های داده برداری با LangChain
• 73. بهبود حافظه عامل‌ها با پایگاه‌های داده برداری
• 74. مدل‌های زبانی چندوجهی
• 75. پردازش تصاویر با LLMs
• 76. تولید تصاویر با LLMs
• 77. ادغام متن و تصویر
• 78. کاربرد در تحلیل بصری
• 79. کاربرد در تولید محتوای چندرسانه‌ای
• 80. مقدمه‌ای بر یادگیری تقویتی
• 81. مفاهیم پایه یادگیری تقویتی
• 82. الگوریتم‌های یادگیری تقویتی
• 83. کاربرد یادگیری تقویتی در عامل‌ها
• 84. بهینه‌سازی رفتار عامل‌ها
• 85. مقدمه‌ای بر مهندسی پرامپت
• 86. تکنیک‌های مهندسی پرامپت
• 87. پرامپت‌های زنجیره‌ای
• 88. ارزیابی کیفیت پرامپت‌ها
• 89. بهبود خروجی LLMs با مهندسی پرامپت
• 90. ساخت عامل‌های خلاق
• 91. ساخت عامل‌های استدلالی
• 92. ساخت عامل‌های حل مسئله
• 93. ملاحظات فنی پیاده‌سازی
• 94. انتخاب سخت‌افزار مناسب
• 95. بهینه‌سازی عملکرد مدل
• 96. استقرار عامل‌ها
• 97. مانیتورینگ و نگهداری عامل‌ها
• 98. مقدمه‌ای بر مدل‌های زبانی سفارشی
• 99. تنظیم دقیق مدل‌های زبانی
• 100. آموزش مدل‌های زبانی از ابتدا