• مبانی و معماری LLMها: درک عمیق از نحوه کار مدل‌های زبانی بزرگ، ترانسفورمرها و جنبه‌های کلیدی آن‌ها.
• پلتفرم HuggingFace: آموزش جامع استفاده از کتابخانه‌های Transformers، Datasets، Tokenizers و Spaces برای دسترسی و کار با مدل‌های پیشرفته هوش مصنوعی.
• Langchain برای توسعه LLM: تسلط بر فریم‌ورک Langchain برای ساخت برنامه‌های کاربردی هوشمند و تعاملی مبتنی بر LLM. این شامل مفاهیمی چون زنجیره‌ها (Chains)، عامل‌ها (Agents)، حافظه (Memory) و بارگذاری داده (Data Loading) می‌شود.
• فین‌تیونینگ (Fine-tuning) مدل‌ها: یادگیری تکنیک‌های فین‌تیونینگ مدل‌های LLM برای وظایف خاص و دامنه‌های سفارشی.
• پردازش زبان طبیعی (NLP) با LLMها: انجام وظایف پیشرفته NLP مانند خلاصه‌سازی، ترجمه، پاسخ به سوالات و تحلیل احساسات.
• توسعه هوش مصنوعی مولد: ساخت مدل‌های مولد متن، کد، تصویر (مفاهیم پایه) و سایر داده‌ها.
• استفاده از پایگاه‌های داده برداری (Vector Databases): آشنایی با RAG (Retrieval Augmented Generation) و ادغام LLM با پایگاه‌های داده برداری برای افزایش دقت و دسترسی به اطلاعات.
• مهندسی پرامپت (Prompt Engineering): یادگیری هنر و علم طراحی پرامپت‌های موثر برای استخراج بهترین پاسخ‌ها از LLMها.
• کار با APIهای OpenAI و مدل‌های متن باز: نحوه اتصال به APIهای معروف و همچنین استفاده از مدل‌های متن باز.
• استقرار و بهینه‌سازی: راهکارهای استقرار و بهینه‌سازی مدل‌ها و اپلیکیشن‌های LLM.

شرکت در این دوره آموزشی جامع، دروازه‌ای به سوی فرصت‌های بی‌شمار در حوزه هوش مصنوعی است. این دوره برای شما مزایای کلیدی زیر را به ارمغان می‌آورد:

• کسب مهارت‌های عملی و کاربردی: تمرکز بر پروژه‌های عملی به شما اطمینان می‌دهد که پس از اتمام دوره، قادر به پیاده‌سازی و توسعه راهکارهای واقعی خواهید بود.
• آماده‌سازی برای بازار کار: با توجه به تقاضای فزاینده برای متخصصان هوش مصنوعی و LLM، این دوره شما را برای ورود به مشاغل پردرآمد و آینده‌دار آماده می‌کند.
• افزایش توانمندی‌های شغلی: چه توسعه‌دهنده باشید، چه تحلیل‌گر داده یا محقق، تسلط بر Langchain و HuggingFace به شما برتری قابل توجهی می‌بخشد.
• درک عمیق از فناوری‌های روز: با جدیدترین پیشرفت‌ها و بهترین شیوه‌ها در حوزه LLM و هوش مصنوعی مولد آشنا می‌شوید.
• ساخت سبد کاری (Portfolio) قوی: پروژه‌های عملی انجام شده در طول دوره، نمونه کارهای ارزشمندی برای رزومه شما خواهند بود.
• یادگیری بدون نیاز به اینترنت: محتوای کامل دوره بر روی فلش مموری ارائه شده، که امکان یادگیری در هر زمان و مکانی را فراهم می‌کند.

این دوره برای طیف وسیعی از افراد طراحی شده است که به دنبال تقویت مهارت‌های خود در زمینه هوش مصنوعی و ورود به دنیای LLM هستند:

• توسعه‌دهندگان نرم‌افزار: به دنبال یادگیری نحوه ادغام LLMها در برنامه‌های خود.
• مهندسان داده: علاقه‌مند به کار با داده‌های متنی و ساخت سیستم‌های هوشمند.
• دانشجویان و فارغ‌التحصیلان رشته‌های کامپیوتر و هوش مصنوعی: که می‌خواهند دانش خود را از تئوری به عمل تبدیل کنند.
• محققان و پژوهشگران: به دنبال استفاده از LLMها در پروژه‌های تحقیقاتی خود.
• هر کسی که به هوش مصنوعی مولد علاقه دارد: و می‌خواهد از پایه، ساخت سیستم‌های مولد را بیاموزد.

پیش‌نیازها:

• آشنایی متوسط با زبان برنامه‌نویسی پایتون (Python).
• مفاهیم پایه یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) توصیه می‌شود، اما اجباری نیست.
• اشتیاق به یادگیری و ساخت پروژه‌های هیجان‌انگیز!

بخش ۱: مقدمه‌ای بر LLM و هوش مصنوعی مولد

• تاریخچه و تکامل LLMها
• معماری ترانسفورمر و مکانیسم توجه
• مقدمه‌ای بر هوش مصنوعی مولد و کاربردهای آن
• اخلاق و ملاحظات مسئولانه در هوش مصنوعی

بخش ۲: HuggingFace – اکوسیستم مدل‌های پیش‌ساخته

• آشنایی با کتابخانه Transformers و مدل‌های پرطرفدار
• کار با Tokenizerها و embeddingها
• Datasetها و نحوه آماده‌سازی داده برای مدل‌ها
• انجام وظایف پایه NLP (طبقه‌بندی، NER، QA) با HuggingFace
• مقدمه‌ای بر HuggingFace Spaces برای دمو و استقرار آسان

بخش ۳: Langchain – ساخت برنامه‌های هوشمند با LLM

• مقدمه و معماری Langchain
• کار با مدل‌های زبانی (LLMs و Chat Models)
• Chains: ایجاد توالی عملیات با LLM
• Agents: سیستم‌های هوشمند برای تصمیم‌گیری و عمل
• Memory: افزودن حافظه به LLM برای مکالمات چندمرحله‌ای
• Document Loaders و Text Splitters: آماده‌سازی داده برای LLM
• Retrievers و Vectorstores: پیاده‌سازی RAG برای بازیابی اطلاعات
• Callbackها و ابزارهای اشکال‌زدایی

بخش ۴: پروژه‌های عملی و کاربردی

• ساخت چت‌بات‌های پیشرفته و سفارشی
• سیستم‌های پرسش و پاسخ مبتنی بر دانش اختصاصی
• تولید محتوا و خلاصه‌سازی خودکار
• توسعه ابزارهای تحلیل کد و دیباگ هوشمند
• سیستم‌های ترجمه و تحلیل احساسات پیشرفته
• ادغام با APIهای خارجی و ابزارهای مختلف

بخش ۵: فین‌تیونینگ و استقرار LLM

• مفاهیم فین‌تیونینگ و روش‌های آن (LoRA, QLoRA)
• آماده‌سازی داده برای فین‌تیونینگ
• تمرین فین‌تیونینگ یک مدل برای وظیفه خاص
• مقدمه‌ای بر استقرار مدل‌های LLM و بهترین شیوه‌ها
• ملاحظات مقیاس‌پذیری و بهینه‌سازی عملکرد

در طول این دوره، شما با دستان خود پروژه‌های متعددی را از صفر تا صد پیاده‌سازی خواهید کرد که به شما در درک عمیق مفاهیم و کسب تجربه عملی کمک شایانی می‌کند. برخی از این پروژه‌ها عبارتند از:

• ساخت یک چت‌بات هوشمند پشتیبانی مشتری: این چت‌بات قادر خواهد بود به سوالات متداول مشتریان پاسخ دهد، اطلاعات محصول را ارائه کند و حتی مشکلات ساده را عیب‌یابی کند. با استفاده از Langchain، شما قادر خواهید بود این چت‌بات را به پایگاه داده دانش شرکت خود متصل کنید.
• سیستم خلاصه‌سازی خودکار مقالات خبری: سیستمی که با دریافت لینک یا متن یک مقاله خبری، خلاصه‌ای دقیق و روان از آن را تولید می‌کند. این ابزار می‌تواند برای روزنامه‌نگاران، محققان و هر کسی که نیاز به مرور سریع حجم زیادی از اطلاعات دارد، بسیار مفید باشد.
• ابزار تولید کد برنامه‌نویسی: یک دستیار کدنویسی مبتنی بر LLM که می‌تواند تکه‌های کد را بر اساس توضیحات زبان طبیعی شما تولید کند، خطاها را تشخیص دهد یا حتی کد موجود را بازنویسی کند.
• سیستم پرسش و پاسخ برای اسناد PDF: با استفاده از قابلیت‌های RAG در Langchain و پایگاه داده‌های برداری، شما سیستمی خواهید ساخت که می‌تواند به سوالات شما بر اساس محتوای چندین فایل PDF (مانند کتابچه‌های راهنما، مقالات علمی یا گزارش‌های مالی) پاسخ دهد.
• مولد ایده‌های بازاریابی خلاقانه: ابزاری که با دریافت یک موضوع یا کلمه کلیدی، ایده‌های منحصر به فرد برای کمپین‌های بازاریابی، شعارهای تبلیغاتی یا محتوای شبکه‌های اجتماعی تولید می‌کند.

این پروژه‌ها تنها گوشه‌ای از توانمندی‌هایی هستند که پس از اتمام این دوره کسب خواهید کرد. هر پروژه با دقت طراحی شده تا شما را با چالش‌های واقعی توسعه LLM آشنا کند و راه‌حل‌های عملی را به شما آموزش دهد.