معرفی دوره

در دوره «تسلط بر LLMها با Ollama، LangChain، CrewAI و Hugging Face» قدم‌به‌قدم با جدیدترین ابزارها و فریم‌ورک‌های متن‌باز کار با مدل‌های زبانی بزرگ (LLM) آشنا می‌شوید. این دوره مناسب توسعه‌دهندگان، پژوهشگران و دانشجویانی است که می‌خواهند از مباحث پایه تا سطح پیشرفته در جریان پیاده‌سازی، بهینه‌سازی و استقرار مدل‌های زبانی باشند. سبک آموزش ترکیبی از تئوری و پروژه‌های عملی است تا بتوانید در هر مرحله، مهارت‌های خود را با تمرین‌های واقعی تثبیت کنید.

آنچه در این دوره می‌آموزید

• نصب و راه‌اندازی Ollama برای اجرای سریع مدل‌های منبع‌باز به‌صورت لوکال.
• پیاده‌سازی زنجیره‌های پرس‌و‌جو با استفاده از LangChain و ترکیب چندین مدل با هم.
• آشنایی با امکانات هوش مصنوعی ابری CrewAI و ادغام آن در محیط‌های توسعه.
• مدیریت مدل‌ در Hugging Face Hub، دانلود و به‌روزرسانی خودکار وزن‌ها.
• ساخت و فاین‌تیونینگ مدل با داده‌های سفارشی و تنظیم هایپرپارامترها.
• استقرار مدل در بسترهای ابری و توسعه API‌های مقیاس‌پذیر.
• روش‌های سنجش کیفیت پاسخ‌ها و معیارهای ارزیابی دقیق (Perplexity، BLEU، ROUGE و…).
• توسعه پروژه نهایی: ساخت یک چت‌بات هوشمند یا سیستم پشتیبانی خودکار مستندات.

مزایا و دستاوردهای دوره

• یادگیری عملی و پروژه‌محور، مناسب برای پورتفولیو و رزومه.
• دسترسی مادام‌العمر به ویدیوها، کدهای آموزشی و مخزن GitHub دوره.
• ارتباط مستقیم با مدرس و پشتیبانی در گروه اختصاصی.
• گواهی پایان دوره معتبر با قابلیت استعلام آنلاین.
• افزایش قابل توجه مهارت در حوزه‌های NLP، MLM و ChatOps.

پیش‌نیازها

• آشنایی با زبان برنامه‌نویسی Python (متوسط).
• آشنایی پایه با مفاهیم یادگیری ماشین و هوش مصنوعی.
• مقداری تجربه کار با خط فرمان (Terminal) و Git.
• سیستم عامل ویندوز، macOS یا لینوکس برای اجرای محیط‌های لوکال.

سرفصل‌های دوره

• بخش ۱: مقدمه بر LLM و تاریخچه تحول مدل‌های زبانی.
• بخش ۲: نصب و پیکربندی Ollama – راه‌اندازی اولین مدل GPT.
• بخش ۳: LangChain – ساختن زنجیره‌های پیشرفته و مدیریت پراپت‌ها.
• بخش ۴: CrewAI – مقایسه سرویس‌های ابری و یکپارچه‌سازی در پروژه.
• بخش ۵: Hugging Face – بارگذاری، ذخیره و به‌روزرسانی مدل‌ها.
• بخش ۶: فاین‌تیونینگ – تنظیم داده، انتخاب هایپرپارامتر و ارزیابی.
• بخش ۷: استقرار – پیاده‌سازی API با FastAPI و Docker.
• بخش ۸: پروژه نهایی – ساخت یک چت‌بات پاسخگو و مستندات فنی آن.

مثال‌های عملی

در زیر یک نمونه کوتاه از کد فاین‌تیونینگ با Hugging Face آورده شده است:

from transformers import AutoModelForCausalLM, AutoTokenizer, Trainer, TrainingArguments

tokenizer = AutoTokenizer.from_pretrained("gpt2")
model = AutoModelForCausalLM.from_pretrained("gpt2")

train_args = TrainingArguments(
    output_dir="outputs/",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    logging_steps=50,
    save_steps=200
)

trainer = Trainer(
    model=model,
    args=train_args,
    train_dataset=my_train_dataset,
)

trainer.train()
  

این مثال نشان می‌دهد چگونه با چند خط کد، مدل GPT-2 را فاین‌تیون کنید و خروجی را در پوشه outputs/ ذخیره نمایید.

نحوه دسترسی و دانلود

لینک دانلود تمامی ویدیوهای آموزشی، اسلایدها و کدهای پروژه در اختیار شما قرار می‌گیرد. کافی است پس از ثبت‌نام در سامانه، از بخش «دانلودها» تمامی فایل‌ها را با یک کلیک دریافت کنید. حجم تقریبی بسته آموزشی کمتر از ۳ گیگابایت است.

چرا این دوره؟

بازار کار هوش مصنوعی و پردازش زبان طبیعی به‌شدت رو به رشد است و پروژه‌های مبتنی بر LLM یکی از پرتقاضاترین زمینه‌هاست. با تسلط بر ابزارهای متن‌باز و پیاده‌سازی پروژه‌های عملی در این دوره، نه‌تنها مهارت خود را به سطح کارشناسان ارتقا می‌دهید، بلکه فرصت همکاری با تیم‌های تحقیقاتی و شرکت‌های فناوری را نیز خواهید داشت.