برای استفاده از خدمات وارد حساب خود شوید

لطفا شماره موبایل خود را وارد کنید دریافت کد تایید

آموزش آنلاین بوت‌کمپ جامع برنامه‌نویسی پایتون و Generative AI

دوره ویژه کاربران اشتراکی

پایتون

ابزارهای هوش مصنوعی
  • 1- به بوت‌کمپ برنامه‌نویسی پایتون و Generative AI خوش آمدید

    02:52

  • 2- انواع نصب‌های پایتون

    03:02

  • 3- چگونه کد پایتون را در Colab (محیط توسعه یکپارچه ابری) اجرا کنیم؟

    04:15

  • 4- چگونه پایتون را در ویندوز نصب کنیم؟

    03:58

  • 5- راه‌اندازی PyCharm در ویندوز

    03:35

  • 6- چگونه کد پایتون را در PyCharm بنویسیم و اجرا کنیم؟

    05:22

  • 7- متغیرهای پایتون

    06:34

  • 8- کنوانسیون نامگذاری (PEP 8)

    09:30

  • 9- کامنت ها در پایتون

    05:53

  • 10- انواع داده داخلی پایتون

    06:18

  • 11- نوع‌دهی پویا در مقابل استاتیک

    04:47

  • 12- اعداد و عملگرهای ریاضی

    05:17

  • 13- عملگرهای کلیدی پایتون: مقایسه، تخصیص و هویت

    07:03

  • 14- مبانی رشته

    08:58

  • 15- دریافت ورودی کاربر و تبدیل نوع

    06:36

  • 16- عملیات‌های اصلی رشته: ایندکس‌گذاری، اسلایس و Concatenate کردن

    10:49

  • 17- متدهای رایج رشته - بخش 1

    06:25

  • 18- متدهای رایج رشته - بخش 2

    05:37

  • 19- رشته‌های فرمت شده: استفاده از F-stringها برای خروجی تمیز

    04:33

  • 20- F-stringها با = برای اشکال‌زدایی

    04:27

  • 21- مبانی لیست

    09:19

  • 22- عملیات‌های لیست: Concatenate کردن و اسلایس

    07:01

  • 23- عملیات‌های لیست: Iteration

    07:54

  • 24- متدهای ضروری لیست - بخش 1

    08:02

  • 25- متدهای ضروری لیست - بخش 2

    04:23

  • 26- List Comprehensions: ایجاد و اصلاح لیست‌ها به‌طور کارآمد

    08:54

  • 27- مبانی تاپل

    07:55

  • 28- عملیات‌های تاپل: ایندکس‌گذاری و Unpack کردن

    05:39

  • 29- مبانی مجموعه

    06:04

  • 30- عملیات‌های رایج مجموعه

    04:15

  • 31- مبانی دیکشنری

    09:17

  • 32- عملیات‌های دیکشنری: دسترسی، بروزرسانی، ()get() ،.keys. و ()values.

    11:26

  • 33- عملگرهای ادغام و بروزرسانی دیکشنری

    05:00

  • 34- Dictionary Comprehensions

    06:24

  • 35- تصویر کلی را ببینید

    01:42

  • 36- دستورات شرطی و تو رفتگی

    10:09

  • 37- متغیرهای بولی

    06:06

  • 38- عملگرهای منطقی: or ،not و and

    05:32

  • 39- ارزیابی اتصال کوتاه (Short-circuit)

    03:44

  • 40- حلقه‌های For

    06:45

  • 41- محدوده‌ها

    03:55

  • 42- حلقه‌های While

    04:37

  • 43- تکنیک‌های هوشمند حلقه‌زنی: continue و pass

    07:08

  • 44- تکنیک‌های هوشمند حلقه‌زنی: break

    09:45

  • 45- کد خود را اشکال‌زدایی کنید

    06:52

  • 46- آشنایی با توابع و docstringها

    07:50

  • 47- دستور return

    05:36

  • 48- آرگومان‌های تابع: موقعیتی و کلمه کلیدی

    05:50

  • 49- آرگومان‌های پیش‌فرض

    03:49

  • 50- پارامترهای Positional-Only در پایتون

    06:15

  • 51- آرگومان‌های با طول متغیر: args*

    03:56

  • 52- آرگومان‌های با طول متغیر: kwargs**

    02:31

  • 53- Pack و Unpack کردن دیکشنری

    06:58

  • 54- اسکوپ متغیر و فضاهای نام

    05:49

  • 55- اسکوپ‌های عمومی در مقابل محلی و دام‌های رایج

    04:29

  • 56- عبارات لامبدا

    09:13

  • 57- خواندن فایل‌های متنی در پایتون

    05:29

  • 58- کار با مسیرهای مطلق و نسبی فایل

    11:01

  • 59- خواندن فایل‌ها: tell ،seek و Cursorها

    06:36

  • 60- دستور with

    03:28

  • 61- خواندن فایل‌ها در یک لیست

    05:53

  • 62- نوشتن فایل‌های متنی در پایتون

    07:08

  • 63- پروژه: پردازش فایل

    06:21

  • 64- خواندن فایل‌های CSV در پایتون

    06:42

  • 65- پروژه: یافتن کاربرد مدل Peak

    06:04

  • 66- نوشتن فایل‌های CSV در پایتون

    06:12

  • 67- مدیریت JSON برای داده ساختار یافته

    06:05

  • 68- تحلیل JSON از پاسخ‌های API

    06:12

  • 69- پروژه: ایجاد یک درخواست به OpenAI

    09:04

  • 70- مقدمه‌ای بر عبارات منظم (Regex)

    05:12

  • 71- استفاده از انکرها و گروه‌بندی

    07:08

  • 72- تطبیق Non-Greedy

    04:18

  • 73- جانشینی‌ها و پاک‌سازی داده با re.sub

    05:50

  • 74- پردازش فایل‌ها و تقسیم رشته‌ها

    06:20

  • 75- آشنایی با مدیریت استثنا

    05:44

  • 76- تسلط به مدیریت استثنا: Try...Except...Else...Finally

    09:51

  • 77- استثناهای داخلی و بهترین شیوه‌ها

    09:37

  • 78- پروژه: بررسی اتصالات شبکه

    09:08

  • 79- آشنایی با برنامه‌نویسی شی‌گرا (OOP)

    05:45

  • 80- نمایش OOP: لاک‌پشت

    12:48

  • 81- تعریف کلاس‌ها و اشیاء

    03:30

  • 82- متد __init__

    07:45

  • 83- متد __del__

    02:19

  • 84- Attributeهای نمونه و Attributeهای کلاس

    06:06

  • 85- متدهای جادویی

    09:09

  • 86- پروژه: ایجاد یک کلاس کاربردی برای GenAI

    09:01

  • 87- TypedDict - بخش 1

    06:24

  • 88- TypedDict - بخش 2

    04:23

  • 89- نقاط عطف مهم: تبریک!

    03:52

  • 90- درک ماژول‌های پایتون

    06:15

  • 91- ماژول OS

    07:55

  • 92- تکنیک‌های پیشرفته ایمپورت و بهترین شیوه‌ها

    04:10

  • 93- استفاده از __name__ == '__main__' برای کد ماژولار و قابل استفاده مجدد

    06:23

  • 94- تسلط به مدیریت پکیج پایتون با pip

    08:33

  • 95- راه‌اندازی Jupyter Notebook و محیط‌های مجازی با venv

    10:14

  • 96- استفاده از محیط‌های مجازی در PyCharm و ویژوال استودیو کد

    05:34

  • 97- شروع کار با کتابخانه‌های httpx و درخواست‌ها در پایتون

    08:48

  • 98- مدیریت خطاهای HTTP

    04:38

  • 99- مدیریت احراز هویت HTTP و هدرها (OpenAI API)

    10:02

  • 100- راه‌اندازی محیط: Jupyter Notebook و پانداس

    03:54

  • 101- آشنایی با پانداس: سری‌ها و دیتافریم‌ها

    06:08

  • 102- ایمپورت و اکسپورت داده: کار با فایل‌های CSV

    06:38

  • 103- اکسپورت داده به فرمت‌های مختلف: اکسل، JSON ،YAML و اس کیوال

    07:45

  • 104- اصلاح داده: افزودن و دراپ کردن ستون‌ها و ردیف‌ها

    06:03

  • 105- دسترسی به داده: با []df.iloc و []df.loc

    05:41

  • 106- نمونه‌برداری و پیش‌نمایش داده: با ()df.sample و ()df.head

    06:14

  • 107- فیلترینگ داده: ماسک‌ها و ()pandas.Series.between

    07:14

  • 108- مرتب‌سازی داده: درک متدهای مرتب‌سازی پانداس

    07:11

  • 109- مدیریت داده گمشده

    04:43

  • 110- تجمیع‌ها و گروه‌بندی داده

    04:52

  • 111- پروژه: تحلیل داده ترافیک وب سایت

    04:32

  • 112- دستکاری داده سری زمانی در پانداس

    07:00

  • 113- مرور بخش

    03:15

  • 114- اصول مدل‌های زبانی بزرگ و GenAI

    08:30

  • 115- توکن‌ها، Context Windows و هزینه

    05:25

  • 116- بررسی APIهای مدل زبانی بزرگ: هوش مصنوعی به عنوان یک سرویس

    09:21

  • 117- OpenAI Playground ،Google AI Studio و Anthropic Workbench

    06:05

  • 118- چالش‌ها و محدودیت‌های مدل‌های زبانی بزرگ

    09:01

  • 119- وضعیت هوش مصنوعی: حال و آینده - خوبی‌ها و بدی‌ها

    10:04

  • 120- احراز هویت در OpenAI با Python Dotenv

    08:20

  • 121- اندپوینت تکمیل چت

    06:57

  • 122- پیام توسعه‌دهنده

    04:29

  • 123- استریمینگ پاسخ‌های API

    04:30

  • 124- استفاده از تصاویر Base64 محلی به عنوان ورودی

    06:44

  • 125- استفاده از تصاویر آنلاین به عنوان ورودی

    02:03

  • 126- پارامترهای Chat Completions API: دما و Seed

    06:06

  • 127- پارامترهای Chat Completions API: بررسی top_p ،max_tokens و جریمه فرکانس

    10:58

  • 128- ترنسکریپشن‌ها با Whisper

    05:46

  • 129- ترجمه‌ها با Whisper

    03:11

  • 130- Text-to-Speech (TTS) API

    07:06

  • 131- تولید تصاویر اصلی با DALL-E 3

    10:47

  • 132- مقدمه‌ای بر مهندسی پرامپت

    02:40

  • 133- تاکتیک 1: قراردهی دستورالعمل‌ها به وضوح با Delimiterها

    03:54

  • 134- تاکتیک 2: ارائه دستورالعمل‌های دقیق برای زمینه، خروجی یا طول

    07:09

  • 135- تاکتیک 3: استفاده از ساختار RTF (نقش-تسک-فرمت)

    08:09

  • 136- تاکتیک 4: استفاده از پرامپت‌نویسی Few-Shot

    08:11

  • 137- تاکتیک 5: مشخص کردن مراحل مورد نیاز برای تکمیل یک تسک

    05:30

  • 138- تاکتیک 6: به مدل‌ها برای فکر کردن زمان بدهید

    02:13

  • 138- تاکتیک 6: به مدل‌ها برای فکر کردن زمان بدهید

    02:13

  • 140- تاکتیک‌ها و اصول دیگر برای پرامپت‌نویسی بهتر

    05:52

  • 141- اجتناب از توهم‌ها: تکنیک‌هایی برای محافظت از خروجی‌ها

    02:58

  • 142- خلاصه‌ای از مهندسی پرامپت

    02:06

  • 143- راه‌اندازی SDK پایتون و احراز هویت برای Gemini API

    09:50

  • 144- تولید متن از پرامپت‌های متنی

    04:14

  • 145- استریمینگ پاسخ‌های جمینی

    02:58

  • 146- تولید متن از تصاویر

    05:50

  • 147- پارامترهای تولید Gemini API: کنترل اینکه مدل چگونه پاسخ‌ها را تولید می‌کند

    06:10

  • 148- توضیح پارامترهای تولید Gemini API

    10:12

  • 149- ساخت مکالمات چت

    07:53

  • 150- پروژه: ساخت یک عامل مکالمه‌ای با جمینی

    07:17

  • 151- دستورالعمل‌های سیستم

    05:42

  • 152- File API: پرامپت‌نویسی با فایل‌های رسانه

    06:09

  • 153- توکن‌ها در Gemini API

    06:44

  • 154- File API: پرامپت‌نویسی با صدا

    04:19

  • 155- دموی LangChain

    05:05

  • 156- آشنایی با LangChain

    05:09

  • 157- کار با مدل‌های OpenAI

    08:43

  • 158- کشینگ پاسخ‌های مدل زبانی بزرگ

    04:58

  • 159- استریمینگ مدل زبانی بزرگ

    02:55

  • 160- قالب‌های پرامپت

    05:35

  • 161- قالب‌های ChatPrompt

    05:53

  • 162- درک زنجیره‌ها

    07:47

  • 163- نصب Python SDK و احراز هویت در جمینی

    04:27

  • 164- یکپارچه‌سازی جمینی با LangChain

    05:59

  • 165- استفاده از پرامپت سیستم و فعال‌سازی استریمینگ

    06:28

  • 166- هوش مصنوعی چندوجهی: استفاده از تصاویر به عنوان ورودی

    14:11

  • 167- ابزارهای LangChain: ویکی‌پدیا و DuckDuckGo

    11:07

  • 168- ایجاد یک عامل ReAct

    13:31

  • 169- تست عامل ReAct

    04:49

  • 170- آشنایی با تعبیه‌های متنی OpenAI

    03:16

  • 171- تولید تعبیه‌های ساده

    05:53

  • 172- تعبیه مجموعه داده برای جستجوی شباهت

    04:50

  • 173- برآورد هزینه‌های تعبیه‌سازی با Tiktoken

    05:10

  • 174- انجام جستجوهای معنایی

    07:03

  • 175- معرفی پروژه

    06:06

  • 176- اسناد PDF سفارشی (خصوصی) خود را بارگذاری کنید

    07:26

  • 177- بارگذاری فرمت‌های مختلف اسناد

    05:11

  • 178- سرویس لودرهای عمومی و خصوصی

    04:24

  • 179- استراتژی‌های Chunking و تقسیم اسناد

    06:37

  • 180- آشنایی با فروشگاه‌های بردار و احراز هویت در Pinecone

    08:59

  • 181- کار با ایندکس‌های Pinecone

    09:40

  • 182- کار با بردارها

    08:43

  • 183- فضاهای نام Pinecone

    06:42

  • 184- تعبیه و آپلود در یک پایگاه داده برداری (Pinecone)

    14:03

  • 185- پرسش و دریافت پاسخ‌ها

    11:51

  • 186- استفاده از Chroma به عنوان پایگاه داده برداری

    11:09

  • 187- اضافه کردن حافظه به سیستم RAG (تاریخچه چت)

    09:25

  • 188- استفاده از پرامپت سفارشی

    08:08

  • 189- مفاهیم LangGraph و کامپوننت‌های اصلی

    05:40

  • 190- ساخت یک چت‌بات

    05:28

  • 191- مصورسازی گراف

    02:15

  • 192- اجرای چت‌بات

    01:33

  • 193- Tavily AI

    08:29

  • 194- بهبود چت‌بات با ابزارها

    08:20

  • 195- اضافه کردن حافظه به چت‌بات

    07:06

  • 196- یادداشت سریع

    02:05

  • 197- تصویر بزرگ

    03:34

  • 198- استخراج داده از ArXiv با پانداس

    12:34

  • 199- دانلود مقالات پژوهشی

    04:52

  • 200- آماده‌سازی داده: بارگذاری، تقسیم و گسترش

    09:54

  • 201- ساخت پایگاه دانش با RAG و تعبیه‌ها

    05:36

  • 202- ایجاد یک ایندکس Pinecone

    07:09

  • 203- ساخت ابزارهای سفارشی

    05:12

  • 204- پیاده‌سازی ابزار ArXiv Fetch

    07:54

  • 205- آنلاک کردن جستجوی وب با Google SerpAPI

    03:27

  • 206- ساخت ابزارهای Google SerpAPI

    04:25

  • 207- ساخت ابزارهای RAG

    06:13

  • 208- پیاده‌سازی ابزار Final Answer Generation

    02:16

  • 209- آشنایی با مدل زبانی بزرگ اوراکل

    11:03

  • 210- ساخت یک پایپ‌لاین تصمیم‌گیری

    08:33

  • 211- تعریف State عامل

    03:25

  • 212- تعریف گراف برای تصمیم‌گیری

    06:35

  • 213- تولید گزارش‌ها

    04:25

  • 214- ساخت گزارش نهایی پژوهش

    05:16

  • 215- جمع‌بندی

    06:21

درباره این دوره

دوره های آموزشی مرتبط

دانلود اپلیکیشن آموزش روز

    •