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.

Llama منبع باز LLM را برای بهینه سازی عملکرد آن برای برنامه های تخصصی تنظیم دقیق کنید. با نحوه استفاده از سیستم مبتنی بر دستور العمل TorchTune و SFTTrainer Hugging Face برای اجرای حلقه های تنظیم دقیق، آماده سازی مدل های خود با مجموعه داده های سفارشی آشنا شوید. در نهایت، تکنیک‌های کارآمد پارامتر مانند LoRA را آزمایش کنید و برای کاهش استفاده از حافظه مدل و اجرای کارآمدتر وظایف خود، کوانتیزاسیون را اعمال کنید.

مدل‌های زبان بزرگ منبع باز مانند Llama می‌توانند روی رایانه شخصی شما اجرا شوند و به شما کمک می‌کنند داده‌ها را خصوصی نگه دارید و هزینه‌ها را کاهش دهید. در این دوره، نحوه تنظیم و استفاده از Llama را به صورت محلی یاد خواهید گرفت. شما تکنیک‌های ساده‌ای مانند تنظیم اعلان‌ها برای دریافت پاسخ‌های بهتر، ایجاد مکالمه‌هایی که زمینه را به خاطر می‌آورند، و تطبیق خروجی‌ها برای مطابقت با نیازهای پروژه خود را بررسی خواهید کرد - چه به معنای تولید داده‌های ساختاریافته یا اصلاح پاسخ‌ها برای وضوح باشد. این دوره برای زبان آموزان با تجربه کار با پایتون طراحی شده است.