مقدمه

درود!

قالب کوئرا کالج

سیستم امتیازدهی و دریافت گواهی

مدل‌های زبان انقلاب چهارم بشریت؟

مبانی و الگوهای اپلیکیشین‌های LLM

اهداف فصل

LLMها چگونه توسعه را متحول کردند؟

از NLP سنتی تا LLMها

وظایف بنیادین LLMها

الگوهای اصلی اپلیکیشن

کوئیز

مقدمه‌ای بر مدل‌های زبانی

آشنایی با LLM

سفارشی‌سازی LLM

خود میزبانی یا رابط برنامه‌نویسی

مشخصات مدل‌ها

محاسبه‌ی هزینه

چرخه‌ی پروژه

پارامترهای پیکربندی

روش‌ها و پارامترهای نمونه‌گیری

پارامترهای دما و کنترل

توهم در مدل‌های زبانی

کوییز

الفبای مدل‌های زبانی

توکن چیست؟

انواع توکنایزر

کلمه در نگاه مدل‌های زبانی

تاثیر توکنایزر بر مدل ۱

تاثیر توکنایزر بر مدل ۲

محاسبه توکن

تست

مقدمه‌ای بر LangChain

آشنایی با LangChain

آماده‌سازی محیط توسعه

محیط VS Code

ساخت مدل ساده

توابع کمکی

قالب دستور در مدل‌های زبانی

LCEL

اجرای موازی زنجیره‌ها

تزریق منطق پایتونی

عبور بدون تغییر ورودی

ردیابی و دیباگ

چیت‌شیت

دنیای متن‌باز

قدم اول در دنیای متن‌باز

انتخاب مدل

میزبانی از مدل متن‌باز

Ollama

کوانتیزه‌سازی

متن‌باز از طریق API

مدل‌های متن‌باز پیشرو

مهندسی پرامپت

فلسفه مهندسی پرامپت

تکنیک‌های بنیادی مهندسی دستور

معرفی معماری CoT

کنترل کامل خروجی

کپسول کاهش توهم

دستورنویسی چند نمونه‌ای

فلسفه دستورنویسی چندنمونه‌ای

دستورنویسی چند نمونه‌ای ساده

دستورنویسی چندنمونه‌ای پویا

انتخاب نمونه بر اساس طول دستور

استدلال و تفکر زنجیره‌ای

چرا مدل‌ها نیاز به «فکر کردن» دارند؟

تکنیک‌های CoT

پیاده‌سازی CoT در LangChain

خودسازگاری

چالش خروجی تمیز

اتصال CoT به آینده

پروژه‌ی ۱

الهه‌شناسی

حافظه‌ و نگهداری تاریخچه

حافظه و مدیریت آن

تاریخچه‌ی گفت‌وگو

مدیریت خودکار تاریخچه

هرس پیام‌ها

حافظه‌‌ی خلاصه‌ساز

حافظه پایدار

تعبیه متن

محدودیت جست‌و‌جو

تعبیه‌ی متن چیست؟

سنجش شباهت

مدل‌های تعبیه متن

پیاده‌سازی عملی در Langchain

آشنایی با پایگاه داده‌های برداری

چرا دیتابیس‌های سنتی کافی نیستند؟

پایگاه‌داده‌های برداری

ریاضیات شباهت

راه‌اندازی پایگاه‌داده برداری

چرخه حیات داده (CRUD)

فیلترینگ متادیتا

پردازش داده‌ها در LangChain

اصول پردازش داده

بارگیری اسناد

استراتژی‌های تقسیم متن

هنر حفظ بافتار

تقسیم‌بندی معنایی

پردازش متن‌آگاه

متادیتا

دانش خارجی و معماری RAG

معماری RAG

معماری RAG - اپیزود دوم

بازیابی با الگوریتم MMR

بازیابی با خود-کوئری

بازیابی با فشرده‌سازی بافتاری

پرسش‌وپاسخ با RAG

رتبه‌بندی مجدد

Hybrid Search

CAG در برابر  RAG

پیاده‌سازی یک سیستم RAG

ارزیابی سیستم‌های RAG

پردازش خروجی‌ها

مبانی پردازش خروجی

خروجی JSON

خروجی ساختاریافته

خروجی بدون پارسر

عامل‌ها (Agents) و ابزارهای سفارشی

موتور استدلال

ابزارها در LangChain

ابزارهای سفارشی

عامل‌ ReAct

LangGraph

RAG به عنوان ابزار

پروژه‌ی نهایی

LibreChat

توسعه‌ی بیشتر

مدل‌های چندوجهی

طراحی رابط کاربری با استریم‌لیت

ساخت رابط کاربری چت‌بات

اجرای آفلاین مدل‌ها با Ollama

مطالعه‌ی بیشتر

نحوه کار با متیس!

گوگل کولب (Google Colab)

دریافت کلید API از Cohere

دریافت کلید API از Google

دریافت کلید API از OpenAI

دریافت کلید API از SerpAPI

دریافت کلید API از Wolfram

## روند آموزشی کوئرا کالج

امروزه با فراگیر شدن آموزش‌های آنلاین، قالب‌های متعددی برای یادگیری مفاهیم علوم کامپیوتر به‌صورت آنلاین پیاده‌سازی شده است. آموزش آنلاین این مفاهیم، فرصت برنامه‌نویسی به همراه یادگیری را فراهم می‌کند و هم‌چنین انجام تمرین‌های واقعی و استفاده از کتابخانه‌ها و قالب‌های نزدیک به صنعت را تسهیل می‌کند. اما آموزش آنلاین چالش‌هایی نیز به همراه دارد؛ زیرا تعاملی که استاد در سر کلاس با دانشجو دارد و نظمی که جلسات کلاس به یادگیری دانشجو می‌دهد به‌سختی در قالب‌های آموزش آنلاین گنجانده می‌شود.

در کوئرا کالج تلاش کردیم قالبی برای برطرف شدن نیاز تعاملی بودن، نظم و همچنین کاربردی بودن آموزش آماده کنیم.

در کل، آموزش این دوره متشکل از چندین فصل می‌باشد، که هر فصل شامل تعدادی درسنامه، کوئیز و تمرین است.

## 📖 درسنامه‌ها

پس از مطالعه‌ی هر درسنامه می‌توانید تیک **«خواندم»** آن را بزنید و پیش بروید. در پایین هر درسنامه بخش کامنت‌ها تعبیه شده تا بتوانید پرسش‌ها و نظرات عمومی خود را درباره‌ی درسنامه‌ی مربوطه با ما و سایر شرکت‌کنندگان دوره مطرح کنید.

## ❔ آزمون‌ها / کوییزها

در اکثر فصل‌ها به‌منظور درک عمیق‌تر مباحث آموخته‌شده تعدادی آزمون/کوییز چندگزینه‌ای در نظر گرفته شده است. پاسخ شما به آزمون‌ها توسط سامانه‌ی داوری خودکار *Quera* انجام خواهد گرفت.

## 👨‍💻 پروژه

در انتهای دوره پس از آشنایی کامل شما با مفاهیم و ابزارها، نوبت آن است که خودتان دست به کار شوید! شاید هیجان‌انگیز و کمی ترسناک به نظر برسد، اما نترسید! همچنان همراه شما هستیم. با حل مسائل خواسته‌شده دانش خود را تثبیت کرده و تجربه‌ی حل مسائل واقعی را کسب خواهید کرد.

## 🖥 داوری آنلاین

تمام تمرین‌های دوره توسط سامانه‌ی داوری خودکار *Quera* تصحیح شده، و پس از ارسال پاسخ، توسط سیستم، نمره‌دهی می‌شود. داوری‌ها ممکن است شامل چندین تست مختلف باشد و سعی شده هنگامی‌که در کسب نمره‌ی کامل یک تست دچار مشکل می‌شوید بازخورد مناسبی توسط سیستم خروجی داده شود.

## 💬 مربی‌گری / پیام خصوصی

ما گام‌به‌گام در طول مسیر این کالج همراه‌تان هستیم! در صورت وجود هرگونه پرسش یا ابهام درباره‌ هر بخشی از این کالج می‌توانید از طریق پیام خصوصی، با مربی‌های کالج در ارتباط باشید. تمام سعی ما بر این است که سوالات شما را حداکثر تا ۲۴ ساعت بعد از پرسش، پاسخ دهیم.

## 👎🏻👍🏻 بازخورد

در پایین هر تمرین یا هر درسنامه (پس از کلیک روی دکمه‌ی «خواندم») دو دکمه جهت دریافت بازخوردهای شما نمایش داده می‌شود. پس از کلیک بر روی هر کدام از آن‌ها، گزینه‌های بیشتری جهت دریافت دقیق‌تر بازخورد شما نمایش داده می‌شود. ما به‌صورت دوره‌ای بازخوردهای شما را بررسی کرده و با پیدا کردن نقاط قوت و ضعف هر درسنامه یا تمرین نسبت به بهبود آن‌ها اقدام خواهیم کرد. بنابراین خواهشمندیم حتماً دیدگاه‌های خود را با ما در میان بگذارید.

ساخت اپلیکیشن‌های LLM