Udemy – Complete Gen AI: Basic to Agent AI, RAG, Bedrock, Vertex AI 2024-11

در تاریخ: 1404/09/25 1:58:08

در: آموزش تصویری،فناوری اطلاعات و نرم افزار

توضیحات

دوره Complete Gen AI: Basic to Agent AI, RAG, Bedrock, Vertex AI. این دوره آموزشی جامع و عملی، پتانسیل کامل هوش مصنوعی مولد را از مبانی NLP تا پیاده‌سازی عامل‌های هوشمند و معماری RAG در پلتفرم‌هایی مانند AWS Bedrock و Google Vertex آموزش می‌دهد. دوره برای دانشجویان، توسعه‌دهندگان و علاقه‌مندان طراحی شده و با آموزش اصول پایتون و مبانی هوش مصنوعی مولد، حتی به افراد تازه‌کار امکان مشارکت کامل می‌دهد. سپس به مباحث پیشرفته‌ای مانند ساخت برنامه‌های کاربردی با LangChain، کار با ابزارهای LangSmith و LangGraph و نیز بررسی عامل‌های هوشمندی مانند Crew AI و AutoGen می‌پردازد که می‌توانند حوزه‌هایی چون خدمات مشتری و اتوماسیون را متحول کنند. در بخش تکنیک‌های پیشرفته RAG، روش‌هایی مانند Vector RAG و Graph RAG با استفاده از پایگاه داده Neo4j و همچنین مفهوم Self-Reflective RAG به عنوان مرز بعدی استدلال هوش مصنوعی آموزش داده می‌شود. این دوره با ارائه آزمون‌ها، چالش‌های کدنویسی و پروژه‌های عملی، درک نظری و تجربه کاربردی در زمینه‌های کلیدی هوش مصنوعی مولد را تضمین می‌کند و شرکت‌کنندگان را برای ساخت راه‌حل‌های هوش مصنوعی از پایه آماده می‌سازد.

آنچه فرا خواهید گرفت

تسلط بر مبانی NLP:
Tokenization، Embedding، POS Tagging، TF-IDF، Chunking و موارد دیگر.
درک اصول هوش مصنوعی مولد:
کاوش مفاهیم کلیدی مانند Autoencoders، VAEs، GANs و مدل‌های Transformer.
تسلط بر مهندسی پرامپت (Prompt Engineering):
یادگیری تکنیک‌هایی برای طراحی پرامپت‌های مؤثر برای مدل‌هایی مانند ChatGPT، شامل Zero-shot، One-shot و Few-shot Prompting.
کار با ابزارهای پیشرو در صنعت:
کاوش پلتفرم‌های هوش مصنوعی مولد پیشرفته مانند ChatGPT، Google Gemini و Microsoft CoPilot برای کاربردهای دنیای واقعی.
راه اندازی محیط برای کاربردهای عملی هوش مصنوعی مولد:
پیاده‌سازی RAG با استفاده از پایتون، VS Code و LangChain.
کار با LangChain و کتابخانه‌های اکوسیستم LangChain (LCEL):
ساخت کاربردهای هوش مصنوعی مولد دنیای واقعی و کاوش در اکوسیستم LangChain.
توسعه Agent AI:
درک و پیاده‌سازی Agentهایی مانند Crew AI و AutoGen برای اتوماسیون وظایف پیچیده.
پیاده‌سازی Vector RAG و Graph RAG:
استفاده از Neo4j برای بازیابی پیشرفته و تکنیک‌های افزایش داده.
یادگیری تکنیک‌های Self-Reflective RAG:
درک نحوه استدلال و تأمل هوش مصنوعی بر فرآیندهای خود.
مهارت‌های عملی پایتون برای هوش مصنوعی مولد:
شروع از مبانی و پیشرفت به سمت توسعه پیشرفته هوش مصنوعی با پایتون و کتابخانه‌هایی مانند NLTK.
ساخت راه حل‌های هوش مصنوعی از ابتدا:
کسب دانش کامل از هوش مصنوعی مولد، از مبانی تا پیاده‌سازی‌های پیشرفته با LangChain و LCEL.
هوش مصنوعی مولد با AWS Bedrock
هوش مصنوعی مولد با Google Cloud Vertex AI
پیاده‌سازی کاربرد عملی با AWS Bedrock BOTO3
پیاده‌سازی کاربرد عملی Google Cloud Vertex AI