دوره جامع AI Agent طاها اهوازی | Rasa و n8n
این دوره ساخت عاملهای هوش مصنوعی را از مفاهیم اولیه تا پردازش زبان طبیعی، چتبات، Rasa، API و پروژههای عملی دنبال میکند. آموزش n8n نیز در فهرست نسخهٔ موجود قرار دارد.
قیمت طبقه منفی یک: 890,000 تومان
قیمت منفی یک برای محتوای معرفیشده در این صفحه.
این دوره ساخت عاملهای هوش مصنوعی را از مفاهیم اولیه تا پردازش زبان طبیعی، چتبات، Rasa، API و پروژههای عملی دنبال میکند. آموزش n8n نیز در فهرست نسخهٔ موجود قرار دارد.
مسیر آموزش با شناخت انواع AI Agent آغاز میشود، سپس به پردازش زبان طبیعی و ساخت چتبات میرسد. بخشهای Rasa، APIنویسی و پروژهٔ ترکیبی Agent، ChatBot و API به پیادهسازی و اتصال اجزای پروژه اختصاص دارند.
عنوانها و ترتیب فایلها مطابق فهرست نسخهٔ موجود حفظ شدهاند؛ تعداد عنوانهای فهرست، شامل پارتها و فایلهای همراه نیز میشود.
آخر دوره چی دستته
- شناخت مفاهیم و انواع عاملهای هوش مصنوعی
- پیگیری مباحث پردازش زبان طبیعی و چتبات
- آشنایی با فریمورک Rasa و APIنویسی
- مطالعهٔ پروژهٔ ترکیبی و آموزش n8n
سرفصلها
فصل اول - مفاهیم دستیار های هوش مصنوعی - AI Agents
- هدف چیست؟ چرا عامل های هوش مصنوعی؟
- عامل هوش مصنوعی چیست ؟
- انواع Ai Agent ها Deliberative و Reactive
- Agent ها چطور یاد میگیرن؟
- مثال واقعی از Ai Agent ها در زندگی روزمره
- تاریخچه مختصر Ai Agent ها
- معرفی محیط Google Colab
- درک بهتر یک عامل و اجزای آن
- پایگاه های دانش در معماری Agent ها
- محیطهای کاری_ Deterministic و Static
- محیطهای کاری_ Stochastic و Dynamic
- الگوریتم جستجوی BFS در Agentها
- الگوریتم جستجوی DFS در Agentها
- پیادهسازی Agent مبتنی بر قانون (قسمت 1)
- پیادهسازی Agent مبتنی بر قانون (قسمت 2)
- معرفی یادگیری ماشین برای Agentها
- یادگیری نظارتشده و کاربرد آن
- یادگیری بدون نظارت و کاربرد آن
- یادگیری تقویتی_ مفاهیم پایه
- مقدمه_ الگوریتم Q-Learning
- الگوریتم SARSA و تفاوت آن با Q-Learning
- پیادهسازی Agent یادگیری تقویتی (قسمت 1)
- پیادهسازی Agent یادگیری تقویتی (قسمت 2)
- حل مسئله با Agent ساده (قسمت 1)
- حل مسئله با Agent ساده (قسمت 2)
- مرور مفاهیم معماری Agentها
- مرور الگوریتمهای جستجو
- تمرین_ تحلیل یک Agent ساده
- تمرین_ کدنویسی Agent برای سناریوی خاص
- خلاصهنویسی مفاهیم پایه
- مقدمهای بر پردازش زبان طبیعی (NLP)
- نقش NLP در AI Agentها
فصل دوم - پردازش زبان طبیعی و چتباتها
- معرفی کتابخانه NLTK
- معرفی کتابخانه SpaCy
- مدلهای زبانی_ Transformers
- تمرین_ پردازش متن با NLTK (قسمت 1)
- تمرین_ پردازش متن با NLTK (قسمت 2)
- تمرین_ پردازش متن با NLTK (قسمت 3)
- مفاهیم پایه چت بات ها
- چت های مبتنی بر قانون
- معرفی ابزار DialogFlow
- معرفی فریمورک Rasa
- ایجاد یک چت بات ساده
- ورود به محیط Dialog flow
- تعریف intent در دیالوگ فلو
- پیاده سازی Intent های مورد نیاز
- تعریف Response در دیالوگ فلو
- بررسی چت بات های Context Aware یا مبتنی بر زمینه
- تعریف Intent ها به صورت فارسی
- بررسی Entity ها
- بررسی عمیق تر و تست موجودیت ها
- بررسی Context یا زمینه
- پیاده سازی پرامت و اتصال Context ها
- بهینه سازی فلو رزرو
- فعال کردن پرامت ها
- کاربرد LangChain در توسعه چت بات های هوشمند
- قابلیت های کلیدی LangChain
- ادامه فرایند بررسی LangChain
- ساختار و سینتکس نحوه استفاده از کتابخانه LangChain
- چت بات های متصل به اسناد
- مزایای استفاده از LangChain
- بررسی وبسایت رسمی لنگ چین
- پیاده سازی اولین پروژه LangChain
- اتصال به LLM های موجود و رایگان
- رفع مشکل اتصال به LLM
- تعریف API مجدد برای اتصال به LLM
- پیاده سازی قابلیت Log در مکالمه یا Agent
- ذخیره مکالمه بدون Context Aware بودن
- پیاده سازی قابلیت Context Aware بودن در LangChain
- شروع پیاده سازی به صورت گرافیکی این پروژه
- معرفی و استفاده از pyGame
فصل سوم - آموزش فریمورک rasa
- معرفی فریمورک rasa
- نصب و ایجاد پروژه در این فریمورک
- بررسی ساختار فریمورک rasa
- بررسی دستورات ترمینال rasa
- بررسی Intent ها در این فریمورک
- بررسی story ها و مفاهیم آن
- تعریف intent رزرو کردن بلیط پرواز توسط AI agent
- تعریف موجودیت ها و Entity ها
- پیاده سازی قابلیت پاسخ های متفاوت به کاربر
- تعریف کامل و جامع Story
- پیاده سازی قابلیت rules در rasa
- پیاده سازی قابلیت موجودیت ها
- پیاده سازی agent در دیالوگ فلو در فریمورک rasa
- تعریف فایل Config
- تعریف سیاست ها در rasa
- بررسی بیشتر سیاست های موجود در فایل Config
- تعریف منظور یا اینتنت های کاربر به صورت دقیق
- پیاده سازی و تعریف Utter ها
- پیاده سازی Training phrases بر اساس موجودیت ها
- پیاده سازی استوری و اکسن ها
- تکمیل تمامی رول های مورد نیاز
- تعریف اکسن ها در فریمورک راسا
- دریافت اطلاعات شبیه سازی شده آب و هوا
- آموزش دادن مدل خود و بررسی آن
فصل چهارم - آموزش API نویسی برای دیپلوی و تعامل با Ai Agents
- چرا API نویسی و درک API مهمه ؟
- نصب و راه اندازی FastApi
- مسیر ها و HTTP Route ها
- مدیریت ورودی ها و Pydantic
- فرایند Async و Await
- چرا FastAPI
- نصب و بررسی عملی FastAPI
- ایجاد اولین EndPoint ها
- شبیه سازی Ai agents در API نویسی
- ادامه قابلیت های شبیه سازی هوش مصنوعی
- پیاده سازی اندپوینت اتصال به Agent
- بررسی داکیومنت FastAPI
- ماژولار کردن ساختار API
- تعریف تمامی ماژول ها
- اجرای سرور روی لوکال هاست
- تعریف فایل setting
- ایجاد توابع پایگاه داده
- ایجاد نشست و سشن در دیتابیس
- پیاده سازی قابلیت های ORM
- ایجاد Table در database
- تعریف ارتباط میان جداول در پایگاه های داده
- تعریف شمای داخلی Schema
- ایجاد Schema برای Create
- پیاده سازی عملیات CRUD
- تعریف توابع Hash کردن پسورد
- پیاده سازی تابع بررسی و ایجاد دسترسی Token
- پیاده سازی عملیات CRUD برا ی User
- پیاده سازی تابع احراز هویت کاربران
- پیاده سازی عملیات CRUD برای Category ها
- پیاده سازی CRUD روی مدل ها
- ایجاد تابع برای ساخت یک شی کتاب
- پیاده سازی تابع سرچ در دیتابیس
- ایجاد API ROUTER برای تکمیل مسیریابی
- پیاده سازی Route احراز هویت
- پیاده سازی مسیر لاگین
- پیاده سازی مسیر محصولات
- پیاده سازی لیست محصولات
- پیاده سازی قابلیت حذف آبجکت
- تعریف مسیر های دسته بندی
- پیاده سازی تابع ایجاد دسته بندی
- بررسی کلاس FastAPI
- بررسی محیط سواگر
- بررسی تمامی اندپوینت ها در محیط Swagger
- تست فرایند احراز هویت در Swagger
- بررسی پایگاه داده ایجاد شده
- بررسی فرایند DELETE در محیط سواگر
فصل پنجم - پروژه عملی ترکیب Agent ChatBot و API نویسی
- نقطه اتصال فریمورک FastAPI و RASA
- بررسی بیشتر این دو فریمورک
- ایجاد یک Agent چت بات برای مدیریت کتابخانه
- تعریف اطلاعات در .ENV
- تکمیل فایل domain
- تعریف اسلات ها و فرم ها در DOMAIN
- تعریف RESPONSE ها در AGENT
- تعریف اکشن های مورد نیاز
- تعریف فایل NLU
- تعریف فایل STORY
- تکمیل داده های وارد شده و شروع پیاده سازی actions
- استفاده از SDK فریمورک RASA
- پیاده سازی توابع کمکی
- پیاده سازی توابع کمکی برای دسته بندی
- شروع پیاده سازی توابع VALIDATION
- پیاده سازی توابع احراز اصالت برای ENTITY ها
- تابع بررسی کتاب ها بر اساس ID و USER INPUT
- پیاده سازی اکشن های مورد نیاز
- پیاده سازی توابع اکشن برای محصولات کتابخانه
- پیاده سازی اکشن لیست کتاب های کتابخانه
- اتصال تمامی اکشن ها و توابع به API کتابخانه خود !
- تست و ارزیابی پروژه نهایی
فصل ششم - آموزش ابزار n8n
- n8n چیست؟ چرا باید یادبگیریم!؟
- مفاهیم کلیدی ابزار n8n
- نصب و راه اندازی n8n
- ساخت اولین ورکفلو یا جریان کار
- معرفی انواع تریگر ها ( شروع کننده ها)
- بررسی وبسایت رسمی و داکیونت های n8n
- معرفی داکر!
- نصب ابزار n8n بوسیله داکر
- آشنایی و راه اندازی فضای n8n
- اولین پروژه سیستم اتوماسیون تولید جک
- ترکیب برنامه نویسی در این ابزار
- برررسی Node های بیشتر مانند IF
- آشنایی با Trigger از نوع Webhooks
- بررسی فیلتر های بیشتر
- ایجاد یک API بدون کد نویسی بوسیله n8n
- تکمیل و شخصی سازی API
- تکمیل پروژه API قیمت دلار
- اتصال API قیمت ارز به ربات تلگرامی
- اتصال API قیمت ارز به ربات تلگرامی و ترکیب با هوش مصنوعی GPT
- ادامه مسیر و سخن های پایانی
مدرس
طاها اهوازی · مدرس دوره
مناسب کیه
- برنامهنویسان علاقهمند به ایجنتسازی
- علاقهمندان به ساخت چتبات و اتوماسیون
داخل پکیج چیه
- فهرست کامل بخشها و عنوانهای آموزشی ۶ بخش و ۱۸۳ عنوان فایل و پارت؛ مطابق فهرست همین صفحه.
ثبتنام و خرید فقط از سایت و ربات انجام میشود.