Udemy – Ollama: Run Local LLMs Offline and Privately for Free 2026-9

در تاریخ: 1405/07/03 10:03:05

توضیحات

Ollama: Run Local LLMs Offline and Privately for Free، دوره آموزش Ollama: اجرای LLMهای محلی به صورت آفلاین و خصوصی به صورت رایگان توسط آکادمی Udemy منتشر شده است.حتماً شنیده اید که می توانید هوش مصنوعی را روی رایانه خود اجرا کنید و شاید اولین فکری که به ذهنتان رسیده این بوده باشد که این کار فقط برای افرادی با GPU بسیار قدرتمند و یک آخر هفته آزاد ممکن است. مدل های متن باز هم زمان کوچک تر و قدرتمندتر شده اند. مدلی که دو سال پیش به یک مرکز داده نیاز داشت، اکنون روی لپ تاپی با 8 گیگابایت RAM پاسخ می دهد و عملکرد آن برای کارهای واقعی به اندازه کافی خوب است. این دوره یک وعده مشخص دارد: در پایان دوره، هوش مصنوعی شخصی خود را روی دستگاه خود، به صورت خصوصی و رایگان اجرا خواهید کرد و دقیقاً خواهید دانست که در هر موقعیت باید به سراغ کدام ابزار بروید. اولین نتیجه خیلی زود به دست می آید. در درس های ابتدایی، پیش از ساختن هر حساب کاربری یا وارد کردن اطلاعات کارت بانکی، یک مدل را روی دستگاه خود دانلود و اجرا می کنید و می توانید با خاموش بودن Wi-Fi از آن پاسخ بگیرید. محیط Python خود را راه اندازی می کنید، مدل ها را بر اساس وظیفه با pipelineهای Hugging Face اجرا می کنید، Ollama را از طریق ترمینال نصب و کنترل می کنید، با Modelfile مدل های سفارشی می سازید، با embeddingها کار می کنید، یک RAG پایه می سازید که از اسناد خودتان پاسخ می دهد و مدل های چندوجهی را به صورت محلی اجرا می کنید. در پایان، یک محیط محلی عملیاتی، شناختی از مدل های مناسب برای سخت افزارهای مختلف و توانایی انتخاب بین رابط گرافیکی و ترمینال برای هر کار خواهید داشت. من به بیش از یک میلیون دانشجو در بیش از 200 کشور آموزش داده ام و Rodrigo Macedo هر درس فنی را به صورت عملی و روی صفحه همراه شما پیش می برد. اکنون فرصت فراهم است: مدل ها رایگان هستند، ابزارها رایگان هستند و فاصله میان چیزی که روی رایانه شما اجرا می شود و چیزی که در فضای ابری اجرا می شود، هیچ گاه تا این اندازه کم نبوده است.

آنچه خواهید آموخت

مدل های قدرتمند هوش مصنوعی را با حفظ کامل حریم خصوصی و بدون هزینه API روی رایانه خود اجرا کنید، حتی اگر تاکنون مدلی را نصب نکرده باشید
با یک لپ تاپ معمولی دارای 8 گیگابایت RAM، بدون GPU اختصاصی و بدون هزینه فضای ابری، نتایج واقعی بگیرید؛ از جمله روی Macهای مجهز به Apple silicon
اولین RAG خود را از صفر با استفاده از embeddingها بسازید تا هوش مصنوعی بر اساس اسناد خودتان پاسخ دهد
مدل های متن باز Hugging Face را با pipelineهای Python بررسی، انتخاب و اجرا کنید
Ollama را از سطح مقدماتی تا پیشرفته کنترل کنید: نصب، Generate در برابر Chat، پارامترها، streaming، System Prompt و نقش ها
با Modelfile مدل های سفارشی خود را ایجاد کنید و با Structured Output و Function Calling پاسخ های قابل اعتماد دریافت کنید
درک کنید یک LLM در درون چگونه کار می کند و مدل مناسب را برای سخت افزاری که در اختیار دارید انتخاب کنید

این دوره برای چه کسانی مناسب است

توسعه دهندگانی که می خواهند بدون پرداخت هزینه API یا ارسال داده به اشخاص ثالث، هوش مصنوعی را به برنامه های خود اضافه کنند
متخصصانی که با اطلاعات حساس کار می کنند؛ مانند کد اختصاصی، اسناد داخلی و اطلاعات مشتریان
متخصصان داده و مهندسان یادگیری ماشین که می خواهند بر اکوسیستم مدل های متن باز مسلط شوند
دانشجویان و علاقه مندان به هوش مصنوعی که می خواهند با اجرای LLMها ببینند این مدل ها واقعاً چگونه کار می کنند
تیم ها و شرکت هایی که برای کاهش هزینه و حفظ کنترل بر داده های خود، در حال ارزیابی LLMهای محلی هستند
هر کسی که در حال حاضر از ChatGPT، Claude یا Gemini استفاده می کند و می خواهد هوش مصنوعی شخصی خود را در خانه اجرا کند

مشخصات دوره Ollama: Run Local LLMs Offline and Privately for Free

ناشر : Udemy
مدرس : Diego Davila Support , Rodrigo Macedo
زبان: انگلیسی
سطح آموزش: تمام سطوح
تعداد دروس: 32
مدت زمان آموزش: 2 ساعت و 41 دقیقه

سر فصل های دوره Ollama: Run Local LLMs Offline and Privately for Free

Ollama_ Run Local LLMs Offline and Privately for Free

پیش نیاز های دوره

A computer with at least 8 GB of RAM, 16 GB recommended, and we show you which models run well in each range
About 20 GB of free disk space to download and store the models
Basic comfort with the terminal or command line, the essentials are taught inside the course
No dedicated GPU needed, the examples run on regular laptops, including Mac with Apple silicon
No previous experience with AI or machine learning is required, we start from zero