فلش‌کارت‌های آموزشی ساخت عامل هوشمند با استفاده از معماری RAG و مدل‌های زبان بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت عامل هوشمند با استفاده از معماری RAG و مدل‌های زبان بزرگ

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: هوش مصنوعی مولد و عامل

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری با نظارت
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. شبکه‌های عصبی مصنوعی
• 8. معماری‌های عمیق یادگیری
• 9. مقدمه‌ای بر مدل‌های زبان بزرگ (LLMs)
• 10. کاربردهای مدل‌های زبان بزرگ
• 11. معماری ترنسفورمر
• 12. توکن‌سازی و جاسازی کلمات
• 13. توجه و مکانیسم‌های توجه
• 14. مدل‌های پیش‌آموزش‌دیده
• 15. تنظیم دقیق مدل‌های زبان بزرگ
• 16. مقدمه‌ای بر هوش مصنوعی مولد
• 17. کاربردهای هوش مصنوعی مولد
• 18. مدل‌های تولید متن
• 19. مدل‌های تولید تصویر
• 20. مدل‌های تولید کد
• 21. مقدمه‌ای بر عامل‌های هوشمند
• 22. مفهوم عامل هوشمند
• 23. معماری عامل هوشمند
• 24. چرخه حیات عامل هوشمند
• 25. طراحی عامل هوشمند
• 26. پیاده‌سازی عامل هوشمند
• 27. ارزیابی عامل هوشمند
• 28. مقدمه‌ای بر بازیابی افزوده (RAG)
• 29. مبانی بازیابی افزوده
• 30. اجزای سیستم RAG
• 31. موتور بازیابی
• 32. موتور تولید
• 33. ترکیب بازیابی و تولید
• 34. کاربردهای RAG
• 35. طراحی سیستم RAG
• 36. پیاده‌سازی سیستم RAG
• 37. بهینه‌سازی سیستم RAG
• 38. مباحث پیشرفته در RAG
• 39. مدل‌های زبان بزرگ در ایران
• 40. قوانین و مقررات استفاده از LLMs
• 41. اخلاق در هوش مصنوعی مولد
• 42. مسئولیت‌پذیری عامل‌های هوشمند
• 43. امنیت در عامل‌های هوشمند
• 44. حریم خصوصی در عامل‌های هوشمند
• 45. مباحث فقهی و حقوقی هوش مصنوعی
• 46. کاربرد هوش مصنوعی در آموزش
• 47. توسعه عامل‌های هوشمند با ابزارهای متن‌باز
• 48. چارچوب‌های توسعه عامل هوشمند
• 49. استفاده از کتابخانه‌های پایتون
• 50. پایگاه‌های داده برای RAG
• 51. شاخص‌گذاری داده‌ها
• 52. جستجوی معنایی
• 53. تولید پاسخ با LLMs
• 54. ارزیابی کیفیت پاسخ‌ها
• 55. تنظیم پارامترهای تولید
• 56. مدیریت حافظه عامل هوشمند
• 57. استراتژی‌های عامل هوشمند
• 58. برنامه‌ریزی عامل هوشمند
• 59. تصمیم‌گیری عامل هوشمند
• 60. تعامل عامل هوشمند با محیط
• 61. یادگیری عامل هوشمند
• 62. تکامل عامل هوشمند
• 63. مقدمه‌ای بر مدل‌های NVIDIA Nemotron
• 64. معماری مدل‌های Nemotron
• 65. قابلیت‌های مدل‌های Nemotron
• 66. استفاده از مدل‌های Nemotron
• 67. تنظیم دقیق مدل‌های Nemotron
• 68. توسعه عامل هوشمند با Nemotron
• 69. پیاده‌سازی RAG با Nemotron
• 70. بهینه‌سازی عملکرد با Nemotron
• 71. کاربردهای عملی با Nemotron
• 72. ملاحظات امنیتی در استفاده از Nemotron
• 73. ملاحظات اخلاقی در استفاده از Nemotron
• 74. مقدمه‌ای بر چارچوب‌های عامل هوشمند
• 75. فریم‌ورک LangChain
• 76. فریم‌ورک LlamaIndex
• 77. مقایسه چارچوب‌ها
• 78. توسعه عامل با LangChain
• 79. توسعه عامل با LlamaIndex
• 80. ادغام RAG و عامل در LangChain
• 81. ادغام RAG و عامل در LlamaIndex
• 82. کاربرد عامل‌های هوشمند در کسب‌وکار
• 83. عامل‌های هوشمند برای خدمات مشتری
• 84. عامل‌های هوشمند برای تحلیل داده
• 85. عامل‌های هوشمند برای اتوماسیون فرآیند
• 86. توسعه عامل‌های هوشمند سفارشی
• 87. آینده عامل‌های هوشمند
• 88. چالش‌های پیش رو در عامل‌های هوشمند
• 89. فرصت‌های آینده در عامل‌های هوشمند
• 90. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 91. تکنیک‌های پیشرفته NLP
• 92. استفاده از NLP در عامل‌های هوشمند
• 93. مقدمه‌ای بر یادگیری عمیق مولد
• 94. مدل‌های مولد پیشرفته
• 95. کاربرد مدل‌های مولد در عامل‌ها
• 96. ارزیابی عامل‌های هوشمند پیچیده
• 97. تست و اشکال‌زدایی عامل‌های هوشمند
• 98. توسعه پایدار عامل‌های هوشمند
• 99. مقدمه‌ای بر مهندسی پرامپت
• 100. تکنیک‌های مهندسی پرامپت برای عامل‌ها