ساخت با AI: برنامه های کاربردی با LLM با streamlit

مدرس Megan Silvey

انتشار 2025/09/03

مدت زمان 3h 16m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Build with AI: LLM-Powered Applications with Streamlit

در این دوره دستی ، مربی مگان سیلوی به شما نشان می دهد که چگونه می توانید از StreamLit برای ساخت برنامه های وب استفاده کنید. این چارچوب پایتون منبع باز به ابزاری اصلی برای دانشمندان داده و مهندسان AI/ML تبدیل شده است. به طور خاص ، یاد بگیرید که چگونه می توانید یک سند بازیابی (RAG) را با استفاده از Python و API OpenAi ، طراحی و استقرار کنید. با یک مرور کلی از مدل های زبان و زبان بزرگ (LLMS) همراه با بهترین شیوه ها برای کار با هوش مصنوعی و API شروع کنید. در مرحله بعد ، نحوه تهیه داده های متنی را برای ایجاد خط لوله RAG که در یک رابط چت Streamlit ادغام می شود ، پیدا کنید. در پایان این دوره ، شما آماده خواهید بود که یک Chatbot کاملاً کاربردی را بر روی ابر جامعه Cloud آزمایش ، نگهداری و مستقر کنید. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار ، از فیلم "استفاده از CodeSpaces GitHub با این دوره" دیدن کنید.

AI Software Development Artificial Intelligence (AI) مدل‌های زبان بزرگ (LLM)

Introduction

Build your first LLM-powered app with Python and Streamlit ()

GitHub Codespaces ()

1. Hands-On: Building the Chat App Foundation

Why use Streamlit to build AI-powered web apps? ()

Build your first Streamlit app ()

Basic Streamlit commands for web development ()

Build chat features: Add input and display messages ()

2. LLM Foundations

What are large language models (LLMs)? ()

What is retrieval-augmented generation (RAG)? ()

Guidelines for working with AI and APIs ()

How to connect to OpenAI API ()

Send user prompts to an LLM and display the response ()

Save and display chat history in your application ()

3. Building Your Knowledge Base

How the document Q&A chatbot works ()

Introducing Explore California ()

Prepare text data for embedding ()

Generate embeddings from text for searchability ()

Create a Faiss vector store for fast retrieval ()

Query the vector database to find relevant information ()

Construct effective RAG prompts for better LLM answers ()

Use the RAG query function to combine search and chat ()

4. Creating the Chatbot Interface

Create a chat UI in Streamlit for LLM interactions ()

Integrate the RAG pipeline into your Streamlit app ()

Handle errors gracefully with your chatbot ()

Provide clear and helpful feedback to users ()

Test your chatbot to ensure it works smoothly ()

Maintain and improve your chatbot ()

Deploy your chatbot to Streamlit Community Cloud for free ()

Conclusion

Next steps ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.