ساخت با AI: برنامه تجزیه و تحلیل داده های LLM با Python و StreamLit

مدرس Maggie Ma

انتشار 2025/09/12

مدت زمان 1h 35m

سطح مناسب همه

فایل تمرینی دارد

آموزش Build with AI: LLM-Powered Data Analysis App with Python and Streamlit

در این دوره سریع و دستی ، یاد بگیرید که یک ابزار تجزیه و تحلیل داده های سبک و دارای هوش مصنوعی با استفاده از Python ، Streamlit و OpenAI API بسازید. مربی Maggie Ma به شما نشان می دهد که چگونه می توانید یک مجموعه داده را بارگذاری کنید و به زبان انگلیسی ساده بپرسید - برنامه شما ورودی را به کد (Python یا SQL) تبدیل می کند ، آن را اجرا می کند و بینش های مفیدی را باز می گرداند. ایده آل برای تیم های فنی که به دنبال پشتیبانی از ذینفعان غیر فنی هستند ، این دوره شما را از طریق ساختمان و آزمایش یک رابط زبان طبیعی برای داده های ساخت یافته می برد. هیچ تجربه قبلی با LLMS لازم نیست - فقط پایتون و کمی پاندا - و دوره را با یک نمونه اولیه کار می کنید که می توانید در داخل آن گسترش یا استقرار دهید. این دوره با CodeSpaces GitHub ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به تنظیمات محلی محلی ارائه می دهد ، یکپارچه شده است. 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 ، "تنظیمات Codepaces Github" را با این دوره بررسی کنید.

AI for Data Engineers Artificial Intelligence (AI) Data Analysis مدل‌های زبان بزرگ (LLM)

Introduction

What you'll build: AI data analysis assistant ()

App design fundamentals ()

1. Building the Streamlit App Foundation

Create a basic Streamlit application ()

Essential components: Sidebar and file uploader ()

Display data tables and summary ()

Build chatbot components ()

2. Connecting to OpenAI and Building Smart Prompts

OpenAI API key security and setup ()

Make your first API call ()

Advanced prompt engineering ()

3. Code Generation and Execution

Execute AI-generated Python code ()

Robust code error handling ()

Polish the user interface ()

4. Adding Memory and Advanced Features

Build chat history and memory ()

Optimize API cost and token usage ()

Export conversation history ()

5. Wrap-Up and Next Steps

Final app walk-through ()

Deploy to Streamlit Cloud ()

Next steps and extensions ()

Ex_Files_LLM_Data_Analysis_App.zip (23 KB)

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.