توسعه برنامه های کاربردی LLM با Langchain و OpenAI

مدرس Sandy Ludosky

انتشار 2024/09/24

مدت زمان 3h 52m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Level up LLM applications development with LangChain and OpenAI

با تمرکز بر ادغام آنها در برنامه های کاربردی با استفاده از OpenAI API به دنیای مدل های زبان بزرگ (LLM) شیرجه بزنید. نحوه تقویت LLM با اجزای بازیابی، استقرار برنامه های چت تعاملی، و ساخت عوامل چند بازیابی برای مدیریت پیشرفته داده ها را کشف کنید. به مربی سندی لودوسکی بپیوندید تا مهارت‌هایی را برای ایجاد عوامل هوشمندی که قادر به انجام کارهای پیچیده هستند، از جستجوهای معنایی گرفته تا ربات‌های گفتگوی پاسخ‌گو، به دست آورید که به طور قابل توجهی تجربیات کاربر را افزایش می‌دهد. چه بخواهید در نقش فعلی خود نوآوری کنید یا پروژه های هوش مصنوعی جدیدی را آغاز کنید، این دوره دانش اساسی و مهارت های عملی مورد نیاز برای مهار موثر قدرت LLM را ارائه می دهد.

AI Software Development Artificial Intelligence (AI) LangChain مدل‌های زبان بزرگ (LLM) OpenAI Products

Introduction

Level up LLM applications ()

What you should know ()

1. LangChain Basics: Intro to Building LLM-Powered Apps

Setup and installation ()

Create a chain and interface with LLM ()

Define and structure a prompt ()

Create and invoke a chain (LCEL syntax) ()

Work with output parsers ()

2. Adding Similarity Search and Context

Quickstart: Installation and setup ()

Create embeddings from text (Faiss) ()

Querying the vector store ()

Querying as a retriever ()

3. Leveraging LLMs with LangChain and RAG

RAG: Overview and architecture ()

Breaking down the RAG pipeline ()

Project setup ()

Load and split documents into chunks ()

Initialize a vector store (Chroma) and ingest documents ()

Create the chain: Prompt + model + parser ()

Create the chain: Add context with a retriever ()

Pass data with RunnablePassthrough and query data ()

Challenge: Create a custom agent with history ()

Solution: Add a chain with chat history ()

Solution: Context- and history-aware chatbot ()

4. Create an Interactive Web App (Streamlit)

Set up the Streamlit application ()

Build the layout with Streamlit components ()

Adding functionality with Streamlit ()

Challenge: Deploy your Streamlit app ()

Solution: Add app to GitHub ()

Solution: Deploy your app ()

5. Build a Q&A Agent with Multiple Data Sources and Query Analysis

Retrieval with query analysis ()

Connect to a data source and create an index ()

Set up query analysis to handle multiple data sources ()

Retrieval with query analysis ()

Challenge: Retrieval with multiple data sources ()

Solution: Q&A with multiple data sources ()

6. Perform Semantic Search Using MongoDB Atlas Vector Search and OpenAI

Getting started with MongoDB: Create an account ()

Build and deploy a free cluster ()

Set up the MongoDB environment and connect to the cluster ()

Create a secured database access (user) ()

Load sample data and create the vector store ()

Create the Atlas Vector Search index ()

Run vector search queries ()

7. Interact with a NoSQL Database (MongoDB)

Create a retrieval chain: Define the prompt ()

Create a retrieval chain: Define the context ()

Create a retrieval chain: Parse and format results ()

Query documents and generate extended responses ()

8. LLM Fine-Tuning with the OpenAI Tools and Functions

Using agents to perform actions in chains ()

Define tools ()

Select the perfect prompt ()

Bind tools and create agent ()

Create and run the agent executor ()

Challenge: Create a multitask agent ()

Solution: Define tools and functions ()

9. Deploy Chains as a RESTful API with LangServe

Introducing LangServe: Installation and setup ()

Create a server ()

Create the routes and the endpoints ()

Create a runnable to combine a prompt, a model, and output ()

Challenge: Deploy a RESTful API ()

Solution: Deploy a RESTful API ()

10. Finish Line: Deploy to the Cloud and Share with the World

Manage and deploy an app on Render ()

Create a GitHub repository and push your project ()

Deploy a new web service on Render ()

Conclusion

Conclusion ()

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.