Udemy – Ollama & Local LLMs: Fine-Tune, Deploy, Build Python AI Apps 2026-6

در تاریخ: 1405/07/27 1:51:20

توضیحات

Ollama & Local LLMs: Fine-Tune, Deploy, Build Python AI Apps، دوره آموزش Ollama و مدل‌های زبانی بزرگ محلی: تنظیم دقیق، استقرار و ساخت برنامه‌های هوش مصنوعی با پایتون توسط آکادمی Udemy منتشر شده است.اگر از APIهای ابری جعبه‌سیاه خسته شده‌اید و می‌خواهید هوش مصنوعی روی سخت‌افزار خودتان اجرا شود، داده‌هایتان محلی بماند و در عین حال بتوانید محصولی واقعی ارائه کنید، این دوره مسیری کامل از نخستین فراخوانی پایتون تا مدل قابل استقرار و پروژه نهایی قابل نمایش در نمونه‌کار در اختیارتان می‌گذارد. ابتدا کار با Ollama و پایتون را یاد می‌گیرید؛ از جمله چت، پاسخ‌دهی جریانی و الگوهای تولیدی که در بخش‌های مختلف قابل استفاده‌اند. سپس سراغ برنامه‌های Streamlit، دستیارهای مبتنی بر RAG، گردش‌کارهای چندعاملی، تنظیم دقیق با Unsloth و QLoRA و خروجی گرفتن مدل‌ها به Ollama می‌روید. در پایان، یک دستیار کدنویسی کاملاً محلی می‌سازید که مرورگر پروژه، ویرایشگر، نمایش تفاوت کدها، اجرای کد و دستورات شل و قابلیت‌های اختیاری پژوهش وب و پردازش تصویر دارد. مباحث نظری همواره به کد قابل اجرا و گام بعدی مشخص پیوند می‌خورند. در این دوره فقط تماشا نمی‌کنید، بلکه پروژه می‌سازید؛ از جمله رابط‌های چت، پرسش‌وپاسخ درباره PDF، جست‌وجوی برداری، برنامه‌های یادداشت و دفترچه روزانه شخصی، گروه‌های عامل CrewAI، پرسش‌وپاسخ درباره ویدئو با Whisper و Ollama و یک محیط بزرگ کدنویسی مبتنی بر Streamlit و Ollama. همچنین یک مدل کوچک دستورپذیر را تنظیم دقیق می‌کنید، پاسخ‌های مدل پایه و مدل تنظیم‌شده را مقایسه می‌کنید، آداپترها را ادغام می‌کنید و نتیجه را از طریق Ollama ارائه می‌دهید. توضیحات روشنی درباره کوانتیزه‌سازی و کیفیت مدل نیز ارائه می‌شود تا خروجی مدل مطابق انتظار عمل کند.

در طول دوره، Ollama را با الگوهای چت، پاسخ‌دهی جریانی و تولید به پایتون متصل می‌کنید؛ رابط‌های Streamlit را بر پایه مدل‌های محلی می‌سازید و نمونه‌های پردازش تصویر و گردش‌کارهای رسانه‌ای شامل استخراج فریم‌های ویدئو، پیاده‌سازی گفتار با Whisper و پرسش درباره صدا را بررسی می‌کنید. همچنین دستیارهای بازیابی اطلاعات را با استفاده از محتوای PDF، قالب‌ها و زنجیره‌های LangChain، تقسیم متن‌های طولانی به بخش‌های کوچک‌تر و جست‌وجوی برداری spaCy، از سنجش شباهت تا بازیابی کامل بخش‌های مرتبط، ایجاد می‌کنید. با LangChain و CrewAI گردش‌کارهای چندمرحله‌ای هوش مصنوعی را هماهنگ می‌کنید، مدل‌های Hugging Face را به‌صورت محلی اجرا می‌کنید و در صورت توان سخت‌افزار، تولید گفتار و تولید ویدئو از متن را می‌آزمایید. با Unsloth و QLoRA یک مدل زبانی کوچک و شخصی‌سازی‌شده را آموزش می‌دهید، اعتبارسنجی را برای شناسایی فراموشی فاجعه‌بار زیر نظر می‌گیرید، آن را با مدل پایه مقایسه می‌کنید، آداپترها را ادغام می‌کنید و با استفاده از Modelfile و راهنمای عملی خروجی، مدل را برای Ollama آماده می‌کنید. پروژه نهایی، محیط کدنویسی با کمک مدل زبانی محلی است که مرورگر پروژه، ویرایشگر، چت جریانی، اعمال تغییرات همراه با بازبینی تفاوت‌ها، اجرای کد و شل، پژوهش وب اختیاری، برنامه‌ریزی و ذخیره‌سازی وضعیت را در بر می‌گیرد.

آنچه خواهید آموخت

استفاده از Ollama در پایتون برای چت، پاسخ‌دهی جریانی و تولید متن.
ساخت رابط‌های کاربری Streamlit بر پایه مدل‌های محلی.
افزودن قابلیت پردازش تصویر با مدل‌های چندوجهی، مانند گردش‌کارهای مبتنی بر LLaVA.
پردازش فریم‌های ویدئو، پیاده‌سازی گفتار با Whisper و پاسخ‌گویی به پرسش‌های مربوط به صدا.
ساخت گردش‌کارهای پرسش‌وپاسخ درباره PDF و پرامپت‌های متکی بر اسناد.
استفاده از LangChain با اتصال به Ollama، قالب‌ها، LLMChain و پرامپت‌های دارای چند ورودی.
تقسیم متن طولانی به بخش‌های کوچک‌تر و خلاصه‌سازی آن با گردش‌کارهای مبتنی بر روش map.
استفاده از بردارهای تعبیه‌شده spaCy برای سنجش شباهت، جست‌وجوی معنایی و RAG روی متن‌های طولانی.
ساخت برنامه‌های دانش شخصی برای یادداشت‌ها و دفترچه روزانه.
اجرای عامل‌های CrewAI با Ollama، از جمله گردش‌کارهای ترتیبی و نمونه‌های حوزه‌محور.
اجرای محلی Transformers از Hugging Face و مدیریت حافظه نهان و فضای دیسک.
آزمایش اسکریپت‌های تبدیل متن به گفتار و متن به ویدئو، در صورت پشتیبانی GPU.
اجرای استنتاج با Unsloth، برای مثال با SmolLM2، و بررسی رفتار توکن‌ساز و مدل.
تنظیم دقیق مدل‌ها با Unsloth و QLoRA و بررسی فراموشی در داده‌های اعتبارسنجی.
مقایسه مدل‌های پایه و تنظیم‌شده و ادغام آداپترهای LoRA.
خروجی گرفتن مدل‌ها برای Ollama با استفاده از Modelfile و در نظر گرفتن بده‌بستان‌های کوانتیزه‌سازی.
تکمیل پروژه نهایی دستیار کدنویسی مبتنی بر مدل زبانی محلی، با ویرایشگر، چت، نمایش تفاوت‌ها، اجرای کد و شل، پژوهش وب اختیاری، برنامه‌ریزی و ذخیره‌سازی وضعیت.

این دوره برای چه کسانی مناسب است

توسعه‌دهندگان پایتون که می‌خواهند مدل‌های زبانی بزرگ محلی را به پروژه‌های خود اضافه کنند.
برنامه‌نویسان مبتدی تا متوسط که با نصب بسته‌ها و اجرای اسکریپت‌ها آشنایی دارند.
افرادی که می‌خواهند با Ollama برنامه‌های Streamlit بسازند، نه اینکه فقط از چت خط فرمان استفاده کنند.
یادگیرندگانی که به حریم خصوصی اهمیت می‌دهند و هوش مصنوعی روی دستگاه و داده‌های محلی را ترجیح می‌دهند.
علاقه‌مندان و متخصصانی که RAG، LangChain، بردارهای تعبیه‌شده و عامل‌ها را بدون وابستگی صرف به فضای ابری بررسی می‌کنند.
تولیدکنندگانی که به گردش‌کارهای چندرسانه‌ای شامل تصویر، ویدئو و صدای پردازش‌شده با Whisper نیاز دارند.
افرادی که آماده‌اند با Unsloth و QLoRA یک مدل کوچک را تنظیم دقیق و با Ollama ارائه کنند.
دانشجویانی که می‌خواهند پروژه نهایی قابل نمایش در نمونه‌کار، مانند برنامه دستیار کدنویسی محلی، بسازند.
کاربران Windows، Linux یا macOS که در صورت نیاز آماده عیب‌یابی GPU، Ollama و محیط‌های پایتون هستند.