Udemy – LLM Engineering: Prompting RAG Fine-Tuning and RLHF 2026-7

در تاریخ: 1405/07/09 10:37:56

توضیحات

LLM Engineering: Prompting RAG Fine-Tuning and RLHF دوره آموزشی ساخت پلیکیشن‌های مدرن مبتنی بر مدل‌های زبانی بزرگ (LLM) می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. در این دوره یاد می‌گیرید چگونه فراتر از استفاده ساده از API با مدل‌های زبانی کار کنید و مباحثی مانند مهندسی پرامپت، تولید تقویت‌شده با بازیابی (RAG)، فاین‌تیونینگ و یادگیری تقویتی از بازخورد انسانی (RLHF) را بررسی کنید. شما کشف می‌کنید که چگونه پرامپت‌های مؤثر طراحی کنید، مدل‌های زبانی را به منابع دانش خارجی متصل کنید، داده‌ها را برای سازگارسازی مدل آماده کنید، خروجی‌ها را ارزیابی کنید و رفتار مدل را برای کاربردهای مشخص بهبود دهید. دوره مفاهیم کلیدی را با گردش‌کارهای عملی ترکیب می‌کند تا نقاط قوت، محدودیت‌ها و مبادلات تکنیک‌های مختلف مهندسی LLM را بهتر درک کنید.

در بخش مهندسی پرامپت، پرامپت‌های پیشرفته شامل روش‌های zero-shot، few-shot و استدلال زنجیره‌ای (chain-of-thought) را طراحی می‌کنید تا خروجی‌های ساختاریافته و باکیفیت را به‌صورت قابل‌اعتماد و در مقیاس بالا تولید کنند. سپس سیستم‌های کامل RAG را از مراحل دریافت داده، بازیابی و ترکیب پاسخ می‌سازید و آن‌ها را از نظر دقت و مبتنی‌بودن بر منابع به‌طور دقیق ارزیابی می‌کنید. در ادامه، مدل‌های پایه را با روش‌های کارآمد از نظر پارامتر مانند LoRA، QLoRA، rsLoRA و LoRA-FA به دستیارهای تخصصی تبدیل می‌کنید و با نقش RLHF در بهبود رفتار مدل آشنا می‌شوید. با پایان این دوره، دید روشن و عملی از کل مسیر مهندسی LLM خواهید داشت و می‌توانید برای هر کاربرد، تکنیک مناسب را انتخاب و اجرا کنید.

آنچه در دوره LLM Engineering: Prompting RAG Fine-Tuning and RLHF یاد خواهید گرفت:

طراحی پرامپت‌های پیشرفته—zero-shot، few-shot و استدلال زنجیره‌ای—که به‌صورت قابل‌اعتماد خروجی‌های ساختاریافته و باکیفیت را در مقیاس بالا تولید می‌کنند.
معماری و ساخت سیستم‌های کامل RAG—شامل دریافت داده، بازیابی و ترکیب پاسخ—و سپس ارزیابی دقیق آن‌ها از نظر صحت و مبتنی‌بودن بر منابع.
فاین‌تیون کردن مدل‌های پایه و تبدیل آن‌ها به دستیارهای تخصصی با روش‌های کارآمد از نظر پارامتر مانند LoRA، QLoRA، rsLoRA و LoRA-FA.
و …

مشخصات دوره

ناشر: یودمی
مدرس: Dr. Ryan Rad
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: _
مدت زمان آموزش: 5 ساعت و 32 دقیقه

سرفصل های دوره در تاریخ 2026/8

LLM Engineering: Prompting RAG Fine-Tuning and RLHF

پیش نیازهای دوره LLM Engineering: Prompting RAG Fine-Tuning and RLHF

Understanding of Transformers & LLMs: Familiarity with neural networks, attention, and how LLMs are trained and generate text (Course 1 or equivalent knowledge).
Intermediate Python: Comfort reading and writing functions, loops, and basic data structures (code is explained step-by-step, but you should be comfortable reading Python).
Basic ML Intuition: Comfort with vectors, embeddings, and core training concepts like loss and gradients (all key ideas are refreshed intuitively throughout the course).