از آنجا که مدلهای بزرگ زبان در صنایع مختلف به طور فزاینده ای رواج می یابد ، متخصصان باید نحوه ساخت ، تنظیم دقیق و استقرار این مدل ها را به طور مؤثر و با مسئولیت پذیری درک کنند. در این دوره ، پایه های ساختمان ، تنظیم دقیق و استقرار LLM ها را در برنامه های دنیای واقعی بیاموزید. مربیان Soham Chatterjee و Archana Vaidheeswaran با مقدمه ای برای LLMS و تکامل آنها در چشم انداز AI شروع می کنند. آنها سپس به معماری LLM شیرجه می زنند ، به شما نشان می دهند که چگونه می توانید استراتژی های تنظیم کارهای سفارشی را تنظیم کنید ، توضیح دهید که چرا و چگونه می توان LLM ها را فشرده کرد و در آخر جنبه های مهم مهندسی سریع را پوشش داد. در طول دوره ، آنها یک سری چالش ها و راه حل ها را ارائه می دهند تا بتوانید در هنگام رفتن درسها را تمرین کنید.

 در این دوره عملی ، سناریو محور ، توبیاس زوینگمن ، متخصص هوش مصنوعی به شما نشان می دهد که چگونه می توانید یک پشتیبانی از مشتری پشتیبانی از AI را با استفاده از N8N و یک مدل زبان بزرگ (LLM) از انتخاب خود بسازید. گام به گام ، یک ربات را طراحی کنید که شروع به کار با سؤالات متداول مشترک با یک فوریت خوب ساخته شود-سپس با اتصال آن به Pinecone ، امکان جستجوهای عمیق را در مستندات ، خط مشی ها یا داده های محصول خود قرار دهید. ابزارهایی را که باید بدانید از طریق تجربه دستی برای حل یک مشکل واقعی بیاموزید. هنگامی که این دوره را تمام کردید ، مفاهیم اصلی ساخت چت بابات های AI سفارشی را با N8N درک خواهید کرد و بینش خود را برای حرکت به سمت استقرار آماده تولید بدست آورده اید. چه در OPS ، پشتیبانی یا محصول باشید ، این دوره به شما می دهد که به سرعت با گردش کار عملی و با تأثیر بالا AI آزمایش کنید.

 یک نمای کلی از الگوریتم های دید رایانه در خانواده YOLO دریافت کنید و نحوه استفاده از این الگوریتم ها را برای پرداختن به چالش های دنیای واقعی نشان دهید. این دوره شامل پیاده روی های فنی برای تکنیک های اساسی مانند طبقه بندی تصویر ، تشخیص شی ، ردیابی شی ، تقسیم نمونه ، تخمین پوز و جعبه های محدود کننده گرا (OBB) با استفاده از بسته Ultralytics Python است. مربی محمد مونوار شما را از طریق حاشیه نویسی داده ها ، مدل های آموزش و صادر کردن آنها راهنمایی می کند و نشان می دهد که چگونه روند صادرات زمان استنباط را سرعت می بخشد. علاوه بر این ، ببینید که چگونه راه حل های Ultralytics برای حل چالش های عملی بینایی رایانه متناسب است ، با نمونه های عمیق اجرای فنی ارائه شده در طول دوره

 نسل بازیابی (RAG) به سرعت خود را به عنوان یکی از محبوب ترین راه ها برای استفاده از مدلهای بزرگ زبان (LLM) از هم جدا کرد. چرا؟ از آنجا که RAG یک مشکل اساسی در استفاده از LLMS برای موارد استفاده خودمان ایجاد می کند. LLM ها روی داده های زیادی آموزش دیده اند ، اما آنها به داده های تخصصی مورد نیاز ما برای موارد استفاده شخصی یا تجاری دسترسی ندارند و همین امر باعث می شود که آنها پاسخ دهند. این جایی است که RAG وارد می شود. RAG از مدل های جاسازی شده و پایگاه داده های بردار استفاده می کند تا داده های خود را به گونه ای ذخیره کند که بتواند از آن به عنوان زمینه برای LLM استفاده شود. این دوره به شما نشان می دهد که قطعات مختلف یک برنامه RAG ، نحوه استفاده از آنها و نحوه ساخت برنامه RAG خود از ابتدا در پایتون چیست. این دوره همچنین از مدل های github برای تقویت یادگیری خود استفاده می کند.

 

این دوره با تمرکز بر سیستم نوآورانه LlamaIndex، به اصول و کاربردهای نسل افزوده بازیابی (RAG) اشاره می‌کند. کاوش کنید که چگونه RAG مدل‌های یادگیری ماشین را با یکپارچه‌سازی منابع دانش خارجی برای خروجی‌های آگاهانه‌تر و دقیق‌تر بهبود می‌بخشد. مربی هارپریت ساهوتا معماری سیستم های بازیابی، مکانیک نمایه سازی مجموعه داده های وسیع و ادغام LlamaIndex با مدل های هوش مصنوعی را پوشش می دهد.

درک زیربنای نظری RAG، مهارت های عملی در ساخت و استقرار LlamaIndex، و بررسی تحلیل انتقادی برنامه های RAG در صنایع مختلف را به دست آورید. موضوعات از مبانی بازیابی داده ها و نمایه سازی تا تکنیک های پیشرفته در تقویت مدل های تولیدی با داده های خارجی متغیر است. در پایان دوره، شما برای طراحی، پیاده‌سازی و ارزیابی سیستم‌های RAG و قرار دادن آن‌ها در لبه برتر اجرای فناوری هوش مصنوعی آماده خواهید شد.

 هوش مصنوعی یکی از مهم ترین اما کمتر شناخته شده ترین زمینه ها در جهان است. طرز تفکر ما در مورد تجارت را تغییر می دهد، اما آنقدر سریع در حال تغییر است که پیگیری آن دشوار است. این دوره که توسط مهندسان لینکدین آنانت سانکار و دانیل هیولت تدریس می‌شود، نشان می‌دهد که چگونه شبکه‌های عصبی و یادگیری عمیق هوش مصنوعی را در دهه گذشته متحول کرده‌اند و برنامه‌هایی را که قبلا غیرممکن بودند، فعال می‌کنند. Ananth و Daniel برخی از محبوب ترین معماری های شبکه عصبی را پوشش می دهند. آنها موضوعات کلیدی مانند شبکه‌های عصبی طبقه‌بندی خطی ساده، شبکه‌های عصبی کانولوشنال، و یادگیری توالی، و همچنین شبکه‌های عصبی نموداری و نحوه اعمال آنها را برای پیش‌بینی نمودارهای شبکه‌های اجتماعی مورد بحث قرار می‌دهند.

 آیا شما یک مهندس ، معمار راه حل یا توسعه دهنده نرم افزار هستید که وظیفه ساخت برنامه های سازمانی را دارید؟ وقت آن است که با جدیدترین ابزارها و تکنیک های هوش مصنوعی سرعت بگیریم-در این حالت ، نسل بازیابی شده با اوج (RAG). در این دوره ، که توسط آزمایشگاه های پیشرو در زمینه فناوری AI طراحی شده است ، به مربی گای ارنست بپیوندید ، زیرا او مفاهیم بنیادی و پیشرفته مورد نیاز برای استفاده از پارچه را برای مدل های بزرگ زبان ، از جمله رمزگذاری متن با استفاده از بردارهای تعبیه شده ، تکه های مستند با استراتژی های غنی سازی ، بهبود بازیابی اسناد و موارد دیگر ، بیان می کند. در پایان این دوره ، شما به مهارت های لازم برای استفاده از قدرت Rag مجهز خواهید شد.

 همانطور که برنامه های مبتنی بر LLM گسترش می یابد ، بسیاری از آنها به عنوان روکش های نازک در اطراف مدل های قوی تر مانند GPT عمل می کنند. در این دوره ، مربی لورنس مورونی اصول اولیه ساخت برنامه LLM خود را نشان می دهد و کنترل نحوه عملکرد آن از انتهای آن را نشان می دهد. در مورد برخی از موارد اصلی استفاده LLM در توسعه برنامه ، مقدمه ای کسب کنید. دانش اساسی Python ، Node.js و LLMS لازم است. در پایان این دوره ، شما آماده خواهید بود که یک اکوسیستم OPS ایجاد کنید که عملکرد اصلی آن مبتنی بر LLM است.

 پلت فرم Cohere API و ابزارهای قدرتمند آن را برای تنظیم دقیق مدل های هوش مصنوعی با تکنیک های تولید (RAG) بازیابی (RAG) کاوش کنید. با یک مرور کلی از رویکرد منحصر به فرد ابر-آگنوستیک Cohere با مدل های انتشار سریع خود با محوریت نیازهای تجاری شروع می شود. یادگیری و بهینه سازی مدل های AI که در بسیاری از محیط های ابری قابل استفاده هستند. ابزارهای توسعه دهنده Cohere را کاوش کرده و با سفارشی سازی مدل آزمایش کنید و ابزارهایی را برای ساخت برنامه های کاربردی AI محور کشف کنید.

 امروز با دو مورد از بحث و گفتگو در زمینه فناوری امروز سرعت بگیرید: پردازش زبان طبیعی (NLP) و مدل های زبان بزرگ (LLMS). در این دوره ، که به طور منحصر به فرد برای متخصصان غیر فنی و غیر برنامه نویسی طراحی شده است ، مربی Gwendolyn Stripling یک مرور کلی از نحوه پردازش رایانه ها و درک زبان انسانی ارائه می دهد. برنامه های کاربردی در دنیای واقعی NLP و LLMS را در صنایع مختلف ، از Chatbots و دستیاران مجازی گرفته تا تجزیه و تحلیل احساسات و تولید محتوا ، کاوش کنید. در طول راه ، ضمن ایجاد دیدگاه مهم از مزایا ، هزینه ها و چالش های آنها ، برخی از تأثیرات بالقوه این فناوری های قدرتمند را کشف کنید.

 

در این دوره آموزشی، نحوه تسلط بر MLflow و Hugging Face، دو پلتفرم منبع باز قدرتمند برای MLOها را بیاموزید. با شروع MLflow، یاد بگیرید که چگونه چرخه زندگی یادگیری ماشین را ساده کنید، پروژه ها و مدل ها را مدیریت کنید، از سیستم UI ردیابی استفاده کنید و با مدل های ثبت شده تعامل کنید. سپس، با مروری بر Hugging Face Hub، مخازن، و Hugging Face Spaces، مقدمه ای برای Hugging Face دریافت کنید. نحوه همکاری و استقرار مدل‌ها، ذخیره مجموعه داده‌ها و مدل‌ها، ایجاد دموهای تعاملی زنده و استفاده از مخازن جامعه را بیاموزید.

توجه: این دوره توسط آزمایشگاه‌های هوش مصنوعی Pragmatic ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم

 آینده ساختمان را با برنامه نویسی پرنعمت تسلط دهید - جایی که هوش مصنوعی به شریک توسعه شما تبدیل می شود. یک چارچوب سه مرحله ای را بیاموزید تا ایده ها را به نرم افزار کار تبدیل کنید بدون اینکه بیش از حد فنی باشد. مشخصات را از طریق مصاحبه های AI ایجاد کنید ، طرح هایی را تولید کنید و نقشه راه هایی را دنبال کنید که پروژه ها را در مسیر نگه می دارد. AI استراتژیک را از طریق ساختهای پیچیده ، کاهش چشمگیر اشکالات و زمان توسعه راهنمایی کنید. بدون سالها تجربه برنامه نویسی سنتی ، نرم افزار ارزشمندی بسازید.

 

آینده برنامه نویسی همه چیز در مورد همکاری است - انسان ها برای دستیابی به نتایج هیجان انگیز و غیرقابل تصور با ماشین آلات کار می کنند. برنامه نویسی جفت AI ، که کد تولید شده توسط انسان و ماشین را ادغام می کند ، نمونه بارز ابزاری است که کارهای خسته کننده و مهیج را کاهش می دهد تا به توسعه دهندگان توجه خود را بر نگرانی های سطح بالاتر متمرکز کند. در این دوره ، مربی رونی گیل به شما نشان می دهد که چگونه می توانید از Github Copilot ، یکی از مفیدترین و تأثیرگذارترین ابزارهای جدید برای ساده سازی توسعه نرم افزار با هوش مصنوعی استفاده کنید.

یک مقدمه جامع در مورد نحوه استفاده از Copilot برای ادغام برنامه نویسی خود با جدیدترین فناوری هوش مصنوعی دریافت کنید. رونی بیش از ویژگی های اصلی برنامه ، با تمرکز خاص بر روی پایتون و جاوا اسکریپت و استفاده از ابزارهای کوپیلوت پشتی و جلویی. در پایان این دوره ، شما آماده ایجاد مدل های داده ، پیاده سازی API های REST و نوشتن تست ها ، کد سمت مشتری و الگوهای ، HTML ، CSS و موارد دیگر خواهید بود.

 

آینده برنامه نویسی همه چیز در مورد همکاری است - انسان ها برای دستیابی به نتایج هیجان انگیز و غیرقابل تصور با ماشین آلات کار می کنند. برنامه نویسی جفت AI ، که کد تولید شده توسط انسان و ماشین را ادغام می کند ، نمونه بارز ابزاری است که کارهای خسته کننده و مهیج را کاهش می دهد تا به توسعه دهندگان توجه خود را بر نگرانی های سطح بالاتر متمرکز کند. در این دوره ، مربی رونی گیل به شما نشان می دهد که چگونه می توانید از Github Copilot X بیشترین بهره را ببرید ، یکی از ابزارهای جدید و مفید برای ساده سازی توسعه نرم افزار با هوش مصنوعی بر اساس جدیدترین نسخه از ChatGPT-4. رونی بیش از ویژگی های اصلی برنامه ، با تمرکز خاص بر روی Pythonista و JavaScript و استفاده از ابزارهای کوپیلوت پشتی و جلویی. در پایان این دوره ، شما آماده ایجاد مدل های داده ، پیاده سازی API های REST و نوشتن تست ها ، کد سمت مشتری و الگوهای ، HTML ، CSS و موارد دیگر خواهید بود.

 

توسعه محصول هوش مصنوعی به تخصص فنی و ملاحظات اخلاقی نیاز دارد. دوره‌های این مسیر یادگیری به شما می‌آموزد که چگونه شیوه‌های هوش مصنوعی مسئولانه را در کل چرخه عمر پیاده‌سازی کنید: استراتژی داده، هوش مصنوعی قابل توضیح، توسعه نرم‌افزار کاربردی و GenAIOps برای استقرار سازمانی. مهارت های ساختن سیستم های هوش مصنوعی قدرتمند و قابل اعتماد را به دست آورید. هماهنگ شوید، امتحان نهایی را بگذرانید و گواهینامه خود را دریافت کنید.

این دوره بخشی از Building Professional AI Products است: گواهی.

 

هوش مصنوعی پتانسیل افزایش چشمگیر در عملکرد و سودآوری را به مشاغل ارائه می دهد ، اما همچنین می تواند مجموعه ای از چالش های پیچیده اخلاقی ، قانونی و اجتماعی را برانگیزد. در این دوره غیر فنی و مفهومی ، بارتون پولسون در خطرات هوش مصنوعی تولید می شود و راه حل های بالقوه ای را برای برخی از نگرانی های مهم خود ارائه می دهد. بارتون موضوعات اخلاقی مطرح شده توسط هوش مصنوعی را مورد بررسی قرار می دهد ، از جمله مفاهیم رقیب انصاف و استدلال اخلاقی. او همچنین نگرانی های اجتماعی و چالش های ایمنی را برای هوش مصنوعی مانند سناریوهای بالقوه زندگی و مرگ ناشی از پزشکی و جنگ نظامی می کند. بارتون با توصیه های متناسب با توسعه دهندگان ، مدیران ، متخصصان روابط عمومی ، تنظیم کننده ها و مصرف کنندگان نتیجه می گیرد تا به آنها کمک کند تا از مزایای احتمالی هوش مصنوعی تولیدی به گونه ای قابل اعتماد و سودآور برای همه افراد درگیر باشند.

این دوره شامل بازی نقش هوش مصنوعی است. نقش بازی به شما امکان می دهد آنچه را که در شبیه سازی های تعاملی از مکالمات دنیای واقعی آموخته اید ، تمرین کنید.

 به نظر می رسد سیستم های AI مانند ChatGPT حافظه دارند ، اما مدل های زبان نمی توانند چیز جدیدی یاد بگیرند ، بنابراین چه خبر است؟ در این دوره ، ما بررسی خواهیم کرد که چگونه سیستم ها با استفاده از مدل های زبان از حافظه تقلید می کنند تا مکالمات مداوم ایجاد کنند. با شروع از ویژگی حافظه ChatGPT و پایان دادن به یک برنامه سفارشی با مدیریت حافظه ، همه چیز را از زمینه ویندوز و محدودیت های توکن گرفته تا مدیریت موضوع دستیار و طراحی حافظه هوش مصنوعی کاربر محور بررسی خواهیم کرد.

 به نظر می رسد

هوش مصنوعی این روزها در ذهن همه قرار دارد. اما اگرچه می تواند مفید باشد ، هوش مصنوعی خطرات جدی را به وجود می آورد ، بنابراین توسعه فرهنگ بهترین شیوه ها و دستورالعمل ها ضروری است. امروز سازمان ها باید یک طرح مدیریت ریسک هوش مصنوعی اتخاذ کنند تا اطمینان حاصل شود که مزایای استفاده از هوش مصنوعی حفظ شده است ، اما این خطرات برای پاسخگویی به نیازهای تجارت کاهش می یابد. پس از اتمام این دوره ، شما آماده اجرای و حفظ چارچوب مدیریت ریسک در سازمان خود خواهید بود.

 با پیشرفت های اخیر در فضای هوش مصنوعی، گردش کار برای استقرار، نظارت و نگهداری مدل های ML تغییر کرده است. در این دوره، کیت مک کورمیک - یک داده کاوی، مربی، سخنران و نویسنده مستقل - مراحل پروژه ML را تجزیه می کند و شما را از طریق ارزیابی مدل، امتیازدهی، استقرار و نگهداری مدل راهنمایی می کند. در مورد مهندسی داده و MLOps در چرخه حیات ML و همچنین اصول اولیه مدل سازی ML بیاموزید. یک چک لیست استقرار مفید دریافت کنید که می توانید در ارزیابی مدل از آن استفاده کنید. نحوه امتیاز دهی به مدل‌های سنتی ML، مدل «جعبه سیاه» و یک گروه را بیاموزید. برو بیش از دسته و به ثمر رساند زمان واقعی. به علاوه، نظارت بر مدل و بهترین فرکانس برای بازسازی مدل را کشف کنید.

 

در این دوره جامع ، Sinan Ozdemir متخصص AI و LLM دانش و مهارت های خود را برای ارزیابی عملکرد LLM به اشتراک می گذارد. مقدمه مفصلی در مورد فرآیند ارزیابی LLMS ، Multimodal AI و برنامه های کاربردی AI مانند عوامل و RAG دریافت کنید. بیاموزید که چگونه این ابزارهای هوش مصنوعی قدرتمند و غالباً ناخوشایند را ارزیابی و ارزیابی کنید تا بتوانید اطمینان حاصل کنید که آنها نیازهای دنیای واقعی شما را برآورده می کنند. این دوره شما را برای ارزیابی و بهینه سازی LLM ها آماده می کند تا بتوانید برنامه های برش AI را تولید کنید.

این دوره توسط پیرسون ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.