Udemy – Generative AI: RAG, LangChain, GraphRAG & Fine-Tuning 2026-7

در تاریخ: 1405/05/26 11:26:30

توضیحات

Generative AI: RAG, LangChain, GraphRAG & Fine-Tuning دوره آموزشی نحوه ساخت برنامه‌های پیشرفته هوش مصنوعی مولد با استفاده از فناوری‌ها و چارچوب‌های مدرن LLM می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این دوره که برای مهندسان هوش مصنوعی، توسعه‌دهندگان پایتون، مهندسان نرم‌افزار و متخصصان مشتاق هوش مصنوعی مولد مناسب است، به بررسی نحوه اتصال مدل‌های زبانی با دانش خارجی، داده‌های ساختاریافته و گردش‌های کاری آموزشی سفارشی می‌پردازد. افراد با بازیابی-تقویت‌شده تولید (RAG)، LangChain، GraphRAG، تعبیه‌ها، پایگاه‌های داده برداری، نمودارهای دانش، مهندسی سریع و تکنیک‌های تنظیم دقیق برای ایجاد برنامه‌های هوش مصنوعی توانمندتر و خاص دامنه کار خواهند کرد.

شما از اولین برنامه LLM خود تا الگوهای سبک تولید مورد استفاده در تیم‌های مهندسی مدرن، مسیری روشن را دنبال خواهید کرد: طراحی سریع، گاردریل‌ها، خروجی‌های ساختاریافته، LangChain، حافظه مکالمه، RAG، GraphRAG، ادغام ابزار MCP، خلاصه‌سازی کاهش نقشه و تنظیم دقیق مدل‌های وزن باز با استقرار در Hugging Face. هر ماژول شامل پروژه‌های قابل اجرا با ساختار ثابت (اصلی، سرویس‌ها، پیکربندی، اعلان‌ها، گاردریل‌ها) است، بنابراین یاد می‌گیرید که چگونه متخصصان پایگاه‌های کد Gen AI را سازماندهی می‌کنند.

آنچه در دوره Generative AI: RAG, LangChain, GraphRAG & Fine-Tuning یاد خواهید گرفت:

طراحی پرامپت‌های مؤثر و تنظیم پارامترهای مدل مانند temperature برای خروجی‌های ثابت
ارزیابی کیفیت مدل هوش مصنوعی با استفاده از کارت امتیازی و الگوهای LLM-as-judge
به‌کارگیری تکنیک‌های مهندسی پرامپت و پیاده‌سازی حفاظ‌ها برای اپلیکیشن‌های ایمن‌تر و قابل‌اعتمادتر هوش مصنوعی
استخراج داده ساختاریافته از اسناد (مانند بندهای قرارداد) با استفاده از پایپ‌لاین‌های مبتنی بر LLM
ساخت اپلیکیشن‌های LangChain با یکپارچه‌سازی ابزار، جستجوی وب و زنجیره‌های LCEL
ساخت یک دستیار SQL هوش مصنوعی که کوئری‌های پایگاه‌داده را به‌صورت ایمن تولید، اعتبارسنجی و اجرا می‌کند
مقایسه LLM های بدون‌وضعیت با استراتژی‌های حافظه LangChain برای گفتگوهای چندمرحله‌ای
ساخت سیستم‌های Retrieval-Augmented Generation (RAG) با vector store روی اسناد واقعی
استفاده از GraphRAG برای اتصال گراف‌های دانش با جستجوی برداری جهت هوش مصنوعی آگاه از رابطه
ساخت عامل‌های هوش مصنوعی مبتنی بر MCP که از ابزارها برای کوئری‌گیری داده، اسناد و سیستم‌های خارجی استفاده می‌کنند
خلاصه‌سازی اسناد طولانی با استفاده از پایپ‌لاین‌های map-reduce زمانی که محتوا از محدودیت زمینه فراتر می‌رود
تنظیم دقیق مدل‌های متن‌باز با استفاده از LoRA و QLoRA روی مثال‌های واقعی پشتیبانی مشتری
و …