دوره آموزشی مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM) و مهندسی پرامپت

اگر می‌خواهی وارد دنیای مدل‌های زبانی بزرگ (Large Language Models) بشی و یاد بگیری چطور از مدل‌هایی مثل GPT، Llama، Claude، T5 و BERT در پروژه‌های واقعی و در مقیاس بزرگ استفاده کنی، این دوره دقیقاً برای همین طراحی شده. اینجا فقط با تئوری طرف نیستی؛ بلکه قدم‌به‌قدم یاد می‌گیری چطور این مدل‌ها رو بسازی، اجرا کنی و در سیستم‌های واقعی Deploy کنی.

در ابتدای دوره با مفهوم Prompt Engineering شروع می‌کنی؛ یعنی یاد می‌گیری چطور درخواست‌ها یا پرامپت‌ها رو به شکلی طراحی کنی که بهترین خروجی ممکن رو از مدل‌های مختلف بگیری. می‌فهمی که جایگذاری درست دستورها، ساختاردهی ورودی‌ها و نحوه تعامل با مدل چقدر روی کیفیت خروجی تاثیر مستقیم داره.

بعد وارد دنیای Retrieval-Augmented Generation یا RAG می‌شی؛ جایی که مدل‌های زبانی فقط به حافظه خودشون تکیه نمی‌کنن، بلکه از داده‌های واقعی و خارجی برای تولید پاسخ دقیق‌تر استفاده می‌کنن. یاد می‌گیری چطور یک سیستم RAG کامل طراحی کنی که بتونه اطلاعات رو از منابع مختلف جستجو کنه و پاسخ هوشمند تولید کنه.

در ادامه، مفهوم Semantic Search یا جستجوی معنایی رو بررسی می‌کنی و یاد می‌گیری چطور از آن برای بهبود عملکرد LLMها استفاده کنی. این بخش کمک می‌کنه مدل‌ها فقط بر اساس کلمات کلیدی کار نکنن، بلکه مفهوم و معنی جملات رو هم درک کنن.

همچنین وارد ساخت AI Agentها می‌شی؛ سیستم‌هایی که می‌تونن تصمیم بگیرن، ابزار استفاده کنن و به صورت خودکار وظایف پیچیده رو انجام بدن. در این بخش یاد می‌گیری چطور Agentها طراحی و اجرا می‌شن و چطور می‌تونن در کنار LLMها کار کنن تا سیستم‌های هوشمندتر بسازی.

در طول دوره با مثال‌های واقعی و پروژه‌های کاربردی آشنا می‌شی تا بفهمی این مفاهیم چطور در دنیای واقعی مثل چت‌بات‌ها، سیستم‌های جستجو، ابزارهای هوشمند و اپلیکیشن‌های AI محور استفاده می‌شن. همچنین یاد می‌گیری چطور از OpenAI و GPT-4 برای ساخت سیستم‌های RAG و Agent استفاده کنی.

این دوره برای مهندس‌های یادگیری ماشین، توسعه‌دهنده‌های LLM، متخصصان داده و برنامه‌نویس‌هایی طراحی شده که می‌خوان وارد سطح حرفه‌ای کار با مدل‌های زبانی بزرگ بشن.

اهداف یادگیری
ساخت و پیاده‌سازی مدل‌های زبانی بزرگ در مقیاس
استفاده از GPT، Llama، Claude، T5 و BERT در پروژه‌ها
طراحی و بهینه‌سازی پرامپت‌ها در Prompt Engineering
پیاده‌سازی سیستم‌های Retrieval Augmented Generation
ساخت سیستم‌های جستجوی معنایی (Semantic Search)
توسعه AI Agentهای هوشمند و خودکار
استفاده از OpenAI و GPT-4 در پروژه‌های واقعی
طراحی چت‌بات‌های مبتنی بر LLM
مدیریت و استقرار مدل‌های هوش مصنوعی در محیط Production
کار با نوت‌بوک‌های Python مانند Jupyter و Google Colab