کتاب مسترکلاس توسعه LLM محلی با Ollama: آزادی نوآوری و کاهش چشمگیر هزینه‌ها با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مسترکلاس توسعه LLM محلی با Ollama: آزادی نوآوری و کاهش چشمگیر هزینه‌ها

موضوع کلی: فراگیرسازی و بومی‌سازی توسعه هوش مصنوعی

موضوع میانی: راهکارهای عملی برای توسعه هوش مصنوعی مقرون‌به‌صرفه و دسترس‌پذیر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر عصر جدید هوش مصنوعی: فراتر از APIهای توکنیزه شده
• 2. چالش‌های مدل‌های مبتنی بر API: هزینه، حریم خصوصی و محدودیت‌ها
• 3. مفهوم دموکراتیزاسیون هوش مصنوعی: قدرت در دستان توسعه‌دهندگان
• 4. چرا LLM محلی؟ مزایای استقلال، کنترل و کاهش هزینه
• 5. معرفی Ollama: دروازه‌ای به دنیای LLMهای متن‌باز
• 6. مقایسه Ollama با سایر ابزارهای محلی (LM Studio, Jan)
• 7. مروری بر اکوسیستم مدل‌های متن‌باز (Llama, Mistral, Gemma)
• 8. مبانی مدل‌های زبانی بزرگ (LLM): آنچه هر توسعه‌دهنده‌ای باید بداند
• 9. توکن‌ها، پارامترها و معماری: آناتومی یک LLM
• 10. تفاوت مدل‌های پایه (Base) و مدل‌های تنظیم‌شده (Instruct/Chat)
• 11. مفهوم کوانتیزیشن (Quantization): کلید اجرای مدل‌های بزرگ روی سخت‌افزار معمولی
• 12. پیش‌نیازهای سخت‌افزاری و نرم‌افزاری برای اجرای محلی
• 13. نصب و راه‌اندازی Ollama روی ویندوز
• 14. نصب و راه‌اندازی Ollama روی macOS
• 15. نصب و راه‌اندازی Ollama روی لینوکس
• 16. کار با خط فرمان Ollama: دستورات ضروری
• 17. اجرای اولین مدل: `ollama run llama3`
• 18. تعامل با مدل در ترمینال: اولین تجربه چت
• 19. لیست کردن، حذف کردن و مدیریت مدل‌های دانلود شده
• 20. بررسی جزئیات یک مدل با دستور `ollama show`
• 21. ساختار Modelfile: قلب سفارشی‌سازی در Ollama
• 22. پارامترهای کلیدی در Modelfile: `TEMPERATURE`, `TOP_P`, `TOP_K`
• 23. شخصی‌سازی پیام سیستمی (System Prompt) برای کنترل رفتار مدل
• 24. وارد کردن و ترکیب مدل‌ها با دستور `FROM`
• 25. ساخت اولین Modelfile سفارشی
• 26. بیلد کردن و اجرای مدل شخصی‌سازی شده با `ollama create`
• 27. به اشتراک‌گذاری مدل‌های سفارشی در رجیستری Ollama
• 28. استفاده از API محلی Ollama: ارتباط با برنامه‌های شما
• 29. آشنایی با Endpointهای اصلی: `generate`, `chat`, `embeddings`
• 30. ارسال درخواست به API با ابزارهایی مانند cURL یا Postman
• 31. ساخت یک چت‌بات ساده با پایتون و کتابخانه `requests`
• 32. معرفی کتابخانه‌های رسمی Ollama برای پایتون و جاوااسکریپت
• 33. راه‌اندازی پروژه پایتون و نصب کتابخانه `ollama`
• 34. ارسال درخواست‌های Streaming برای تجربه چت آنی
• 35. مدیریت تاریخچه مکالمه در برنامه‌های چت
• 36. تولید محتوا: از نوشتن ایمیل تا خلاصه‌سازی متون
• 37. ساخت یک ابزار خلاصه‌ساز متن با پایتون و Ollama
• 38. ادغام Ollama با جاوااسکریپت (Node.js) برای ساخت وب اپلیکیشن
• 39. پروژه عملی: ساخت یک رابط کاربری وب ساده برای چت با مدل
• 40. مفهوم Embedding و کاربرد آن در جستجوی معنایی
• 41. تولید Embedding برای متون با استفاده از Ollama API
• 42. ساخت یک موتور جستجوی معنایی ساده روی مجموعه داده کوچک
• 43. معماری RAG (Retrieval-Augmented Generation): قدرت‌بخشیدن به LLM
• 44. چرا RAG برای LLMهای محلی یک ترکیب ایده‌آل است؟
• 45. مراحل پیاده‌سازی یک پایپ‌لاین RAG: Load, Split, Embed, Store, Retrieve
• 46. معرفی کتابخانه‌های کلیدی برای RAG (مانند LangChain, LlamaIndex)
• 47. پروژه عملی: ساخت سیستم پرسش و پاسخ روی اسناد PDF شخصی
• 48. انتخاب مدل Embedding مناسب برای وظایف مختلف
• 49. آشنایی با پایگاه‌های داده‌ ভکتوری (Vector Databases) مانند ChromaDB
• 50. ادغام ChromaDB با برنامه RAG برای ذخیره و بازیابی ভکتورها
• 51. بهینه‌سازی فرآیند بازیابی اطلاعات در RAG
• 52. کار با مدل‌های چندوجهی (Multimodal): پردازش متن و تصویر
• 53. معرفی مدل LLaVA و نحوه اجرای آن با Ollama
• 54. ارسال تصویر و متن به مدل LLaVA از طریق API
• 55. پروژه عملی: ساخت ابزاری برای توصیف تصاویر
• 56. پروژه عملی: سیستم پرسش و پاسخ بصری (Visual Q&A)
• 57. شخصی‌سازی پیشرفته با Modelfile: تنظیم پارامترهای پیچیده
• 58. استفاده از Template سفارشی برای فرمت ورودی و خروجی
• 59. مبانی فاین‌تیونینگ (Fine-Tuning): چه زمانی به آن نیاز داریم؟
• 60. تفاوت فاین‌تیونینگ و RAG: کدام را انتخاب کنیم؟
• 61. ابزارها و پلتفرم‌های موجود برای فاین‌تیونینگ مدل‌های متن‌باز
• 62. ملاحظات سخت‌افزاری برای فاین‌تیونینگ
• 63. پروژه عملی: ساخت یک دستیار کدنویسی شخصی
• 64. تحلیل و تولید کد با استفاده از مدل‌های تخصصی مانند CodeLlama
• 65. تکنیک‌های پرامپت اینجینیرینگ برای بهبود خروجی مدل‌های کدنویس
• 66. پروژه عملی: ابزار تحلیل داده با پایتون و Ollama
• 67. استفاده از LLM برای تولید کوئری‌های SQL و تحلیل داده‌های جدولی
• 68. ترجمه ماشینی و بومی‌سازی محتوا با LLMهای محلی
• 69. پشتیبانی از زبان فارسی: چالش‌ها و راهکارها
• 70. تست و ارزیابی عملکرد مدل‌های مختلف برای زبان فارسی
• 71. مدیریت منابع: بهینه‌سازی استفاده از CPU, GPU و RAM
• 72. تأثیر کوانتیزیشن بر عملکرد و دقت مدل
• 73. مقایسه فرمت‌های مختلف کوانتیزیشن (Q4, Q5, Q8)
• 74. اجرای Ollama با شتاب‌دهنده گرافیکی (GPU Acceleration)
• 75. مانیتورینگ مصرف منابع هنگام اجرای مدل‌ها
• 76. کانتینرسازی برنامه LLM با Docker برای استقرار آسان
• 77. نوشتن Dockerfile برای یک اپلیکیشن پایتون مبتنی بر Ollama
• 78. استفاده از Docker Compose برای مدیریت سرویس Ollama و برنامه شما
• 79. ملاحظات امنیتی در استقرار LLMهای محلی
• 80. جلوگیری از حملات پرامپت اینجکشن (Prompt Injection)
• 81. کنترل دسترسی و احراز هویت برای API محلی
• 82. ادغام Ollama با ابزارهای توسعه محبوب (مانند VS Code)
• 83. معرفی افزونه‌های VS Code برای تعامل مستقیم با Ollama
• 84. استفاده از Ollama به عنوان یک ابزار بهره‌وری در فرآیند توسعه
• 85. استفاده از Function Calling برای اتصال LLM به ابزارهای خارجی
• 86. پیاده‌سازی یک نمونه ساده Function Calling با Ollama
• 87. محدودیت‌های LLMهای محلی و راهکارهای مقابله با آن‌ها
• 88. مقیاس‌پذیری: چگونه به درخواست‌های همزمان پاسخ دهیم؟
• 89. معرفی ابزارهای ارکستراسیون مانند vLLM (مفهومی)
• 90. مسائل اخلاقی و مسئولیت‌پذیری در توسعه LLM محلی
• 91. شناسایی و کاهش بایاس (Bias) در مدل‌های زبان
• 92. نقش جامعه متن‌باز در آینده هوش مصنوعی دموکراتیک
• 93. چگونه در پروژه‌های LLM متن‌باز مشارکت کنیم؟
• 94. نگاهی به آینده: مدل‌های کوچک‌تر، سریع‌تر و کارآمدتر (SLMs)
• 95. آینده توسعه نرم‌افزار با دستیارهای هوش مصنوعی محلی
• 96. جمع‌بندی دوره: آزادی نوآوری در دستان شما
• 97. گام‌های بعدی: چگونه دانش خود را به یک محصول یا استارتاپ تبدیل کنیم؟