کتاب صوتی آموزش ساخت و پیاده‌سازی برنامه‌های کاربردی مبتنی بر مدل‌های زبانی بزرگ (LLMs)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش ساخت و پیاده‌سازی برنامه‌های کاربردی مبتنی بر مدل‌های زبانی بزرگ (LLMs)

موضوع کلی: توسعهٔ نرم‌افزارهای هوشمند با هوش مصنوعی

موضوع میانی: ساخت و به‌کارگیری مدل‌های زبانی بزرگ (LLMs)

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 3. معماری ترنسفورمر و مبانی آن
• 4. آموزش مدل‌های زبانی بزرگ
• 5. پیش‌پردازش داده‌ها برای LLMs
• 6. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 7. ارزیابی عملکرد LLMs
• 8. مقدمه‌ای بر LangChain
• 9. معماری LangChain
• 10. اجزای اصلی LangChain: مدل‌ها (Models)
• 11. اجزای اصلی LangChain: Prompt Templates
• 12. اجزای اصلی LangChain: Chains
• 13. اجزای اصلی LangChain: Indexes
• 14. اجزای اصلی LangChain: Agents
• 15. ساخت برنامه‌های کاربردی ساده با LangChain
• 16. مدیریت ورودی و خروجی در LangChain
• 17. استفاده از مدل‌های زبانی مختلف در LangChain
• 18. تکنیک‌های پیشرفته Prompt Engineering
• 19. کار با Prompt Templates پیچیده
• 20. ساخت Chains خطی (Sequential Chains)
• 21. ساخت Chains شرطی (Conditional Chains)
• 22. استفاده از LLMs برای خلاصه‌سازی متن
• 23. استفاده از LLMs برای پاسخ به سوالات
• 24. ساخت Chatbots با LangChain
• 25. مدیریت حافظه در Chatbots
• 26. استفاده از ابزارها (Tools) در LangChain
• 27. ساخت Agentهای ساده
• 28. Agentهای مبتنی بر تصمیم‌گیری (Decision Making Agents)
• 29. Agentهای مبتنی بر برنامه‌ریزی (Planning Agents)
• 30. استفاده از جستجو در LangChain
• 31. جستجو در وب با LangChain
• 32. جستجو در پایگاه‌های دانش با LangChain
• 33. شاخص‌گذاری داده‌ها (Indexing)
• 34. انواع شاخص‌گذاری: Vector Stores
• 35. استفاده از Vector Stores برای بازیابی اطلاعات
• 36. شاخص‌گذاری اسناد (Document Indexing)
• 37. مدیریت اسناد بزرگ
• 38. پرس‌وجو از اسناد با استفاده از LLMs
• 39. ساخت سیستم‌های پرسش و پاسخ (Q&A Systems)
• 40. کار با داده‌های ساختاریافته
• 41. کار با داده‌های نیمه‌ساختاریافته
• 42. کار با داده‌های بدون ساختار
• 43. امنیت و حریم خصوصی در LLMs
• 44. ملاحظات اخلاقی در استفاده از LLMs
• 45. قوانین و مقررات مرتبط با LLMs در ایران
• 46. پیاده‌سازی برنامه‌های کاربردی LLM در محیط واقعی
• 47. استقرار مدل‌های زبانی
• 48. مدیریت هزینه‌ها در پروژه‌های LLM
• 49. بهینه‌سازی عملکرد برنامه‌های LLM
• 50. مقیاس‌پذیری برنامه‌های LLM
• 51. تست و عیب‌یابی برنامه‌های LLM
• 52. مقدمه‌ای بر Embeddingها
• 53. تولید Embedding با استفاده از مدل‌های زبانی
• 54. کاربرد Embeddingها در جستجو و مقایسه
• 55. مفاهیم پیشرفته در LangChain
• 56. استفاده از Callbacks در LangChain
• 57. مدیریت خطا و بازیابی در LangChain
• 58. ساخت Applicationهای سفارشی با LangChain
• 59. یکپارچه‌سازی با سایر سرویس‌ها
• 60. کار با پایگاه‌های داده رابطه‌ای
• 61. کار با پایگاه‌های داده NoSQL
• 62. مقدمه‌ای بر Retrieval Augmented Generation (RAG)
• 63. پیاده‌سازی RAG با LangChain
• 64. کاربرد RAG در افزایش دقت LLMs
• 65. مدیریت دانش در سازمان‌ها با LLMs
• 66. ساخت سیستم‌های توصیه‌گر
• 67. تحلیل احساسات متن
• 68. استخراج اطلاعات از متن
• 69. تولید محتوای خلاقانه
• 70. کاربرد LLMs در آموزش
• 71. کاربرد LLMs در سلامت
• 72. کاربرد LLMs در امور مالی (مطابق قوانین)
• 73. کاربرد LLMs در حقوق (مطابق قوانین)
• 74. کاربرد LLMs در تحقیقات علمی
• 75. ملاحظات مربوط به داده‌های حساس
• 76. حفاظت از داده‌های شخصی
• 77. مدیریت دسترسی‌ها
• 78. پیاده‌سازی LLM در چارچوب قوانین کشور
• 79. توسعه پایدار با LLMs
• 80. آینده LLMs و LangChain
• 81. چالش‌های پیش روی توسعه LLM
• 82. راهکارهای مقابله با چالش‌ها
• 83. مروری بر بهترین شیوه‌ها
• 84. مطالعات موردی موفق
• 85. پروژه‌های عملی با LangChain
• 86. ساخت یک دستیار هوشمند شخصی
• 87. پیاده‌سازی سیستم مدیریت اسناد
• 88. طراحی یک پلتفرم پرسش و پاسخ تخصصی
• 89. توسعه ابزار تحلیل داده‌های متنی
• 90. ساخت یک سیستم توصیه‌گر محتوا
• 91. ایجاد یک دستیار تولید محتوا
• 92. توسعه یک ابزار خلاصه‌سازی هوشمند
• 93. پیاده‌سازی یک سیستم مدیریت دانش سازمانی
• 94. ساخت یک ربات گفتگو برای خدمات مشتریان
• 95. کاربرد LLMs در اتوماسیون فرآیندها
• 96. مقدمه‌ای بر مفاهیم پیشرفته Agent
• 97. طراحی Agentهای خودکار برای وظایف پیچیده
• 98. بهینه‌سازی Agentها برای کارایی
• 99. ارزیابی جامع برنامه‌های LLM
• 100. نگهداری و به‌روزرسانی برنامه‌های LLM