آنچه در این دوره یاد خواهید گرفت:

• مفاهیم اساسی LlamaIndex و نحوه عملکرد آن.
• بارگذاری و آماده‌سازی انواع داده‌ها برای استفاده در LlamaIndex.
• ساخت index ها و query engines.
• نحوه تعامل با مدل‌های زبانی (مانند ChatGPT) بر اساس داده‌های سفارشی.
• استفاده از LlamaIndex برای ایجاد برنامه‌های کاربردی مبتنی بر LLM.
• بهینه‌سازی عملکرد و ارزیابی نتایج.

یادگیری عملی و کاربردی

این دوره بر اساس رویکرد یادگیری عملی (hands-on) طراحی شده است. شما با مثال‌های واقعی و تمرین‌های عملی، مهارت‌های لازم برای استفاده از LlamaIndex را به دست خواهید آورد.

دسترسی آسان

تمام محتوای دوره، از جمله ویدیوها، کدها و داده‌ها، بر روی فلش مموری ۳۲ گیگابایتی در دسترس شما قرار دارد. این بدان معناست که شما می‌توانید بدون نیاز به اتصال اینترنتی، به محتوای دوره دسترسی داشته باشید و در هر زمان و مکانی که می‌خواهید، یاد بگیرید.

مناسب برای مبتدیان

این دوره برای افراد با سطوح مختلف دانش برنامه‌نویسی طراحی شده است. اگرچه آشنایی با زبان پایتون مفید است، اما این دوره مفاهیم پایه‌ای را پوشش می‌دهد و به شما کمک می‌کند تا به سرعت با LlamaIndex آشنا شوید.

پشتیبانی و به‌روزرسانی‌ها

شما به به‌روزرسانی‌های دوره و پشتیبانی دسترسی خواهید داشت. هر زمان که LlamaIndex به‌روزرسانی شود، محتوای دوره نیز به‌روز خواهد شد تا شما از آخرین قابلیت‌ها بهره‌مند شوید.

مقدمه و آشنایی با LlamaIndex

• آشنایی با مفهوم LLMs و چالش‌های آن‌ها.
• معرفی LlamaIndex و اهداف آن.
• نصب و راه‌اندازی LlamaIndex.
• مروری بر معماری LlamaIndex.

بارگذاری و آماده‌سازی داده‌ها

• بارگذاری انواع داده‌ها (متن، PDF، وب‌سایت‌ها).
• پردازش و پاکسازی داده‌ها.
• تقسیم‌بندی و ایندکس‌گذاری داده‌ها.

ایجاد Index و Query Engine

• انواع Index ها در LlamaIndex.
• ایجاد Index ها با داده‌های مختلف.
• تنظیمات Query Engine.
• پرس و جو و بازیابی اطلاعات از Index ها.

ادغام با مدل‌های زبانی

• اتصال LlamaIndex به مدل‌های زبانی (ChatGPT و غیره).
• ارسال درخواست‌ها به مدل‌های زبانی.
• دریافت پاسخ‌ها از مدل‌های زبانی بر اساس داده‌های سفارشی.

ساخت برنامه‌های کاربردی

• ایجاد یک چت‌بات مبتنی بر داده‌های سفارشی.
• ایجاد یک ابزار خلاصه سازی متن.
• پیاده‌سازی سیستم پاسخگویی به سوالات (Q&A).

بهینه‌سازی و ارزیابی

• بهینه‌سازی عملکرد LlamaIndex.
• ارزیابی دقت و کارایی پاسخ‌ها.
• عیب‌یابی و رفع مشکلات.