|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/domine-llms-com-langchain/
课程评论：没有评论
课程名称：精通LangChain的LLMs 概述：本课程将深入探索生成型人工智能（AI）与大型语言模型（LLMs）的世界，重点介绍LangChain和Python的结合潜力。您将实现自有解决方案（如ChatGPT）以及现代开源模型，如Llama和Phi。通过实际项目，您将开发创新应用，包括个性化虚拟助手和与文档及视频互动的聊天机器人。课程中将探讨高级技术，如RAG（检索增强生成）和代理，并使用Streamlit等工具创建直观界面。您将学习如何在Google Colab中免费使用这些技术，并在本地环境中执行项目。 在课程开头，您将了解大型语言模型（LLMs）的理论及其基本概念。此外，还将探索Hugging Face生态系统，该生态系统提供现代自然语言处理（NLP）解决方案。您将学习如何使用Hugging Face的pipeline和LangChain库实现LLMs，理解每种方法的 advantages。 第二部分将重点介绍LangChain的精通。您将学习如何访问开源模型，如Meta的Llama和微软的Phi，以及OpenAI的ChatGPT等专有LLMs。课程中会讲解模型量化，以提高性能和可扩展性。同时将介绍LangChain的主要组件，如chains、templates和tools，并学习如何使用它们开发稳健的NLP解决方案。课程还将涵盖提示工程技术，帮助您获得更准确的结果。RAG的概念将被探讨，包括信息存储和检索的过程。您将学习如何实施向量数据库（vector stores），理解嵌入（embeddings）的重要性及其有效使用方法。课程中还会展示如何使用RAG与PDF文档和网页进行交互。此外，您将有机会探索代理和工具的集成，例如使用LLMs进行互联网搜索和查询最新信息。这些解决方案将在本地环境中实施，使您能够在没有互联网连接的情况下访问开源模型。 在实际项目开发阶段，您将学习如何创建具有问答（Q&A）功能的自定义聊天机器人，并实现接口和记忆功能。同时，将教授如何使用Streamlit创建交互式应用程序，从而便于构建直观的用户界面。一个项目将涉及开发一种先进的应用，利用RAG与多个文档交互并通过聊天界面提取相关信息；另一个项目将构建一种自动摘要视频的应用，并回答相关问题，从而成为一款强大的工具，用于即时理解和处理视频内容。
Neste curso, você se aprofundará no universo da IA Generativa com LLMs (Large Language Models), explorando o potencial da combinação entre LangChain e Python. Você implementará soluções proprietárias (ChatGPT) e modelos open source modernos, como Llama e Phi. Por meio de projetos práticos e reais, você desenvolverá aplicações inovadoras, incluindo um assistente virtual personalizado e um chatbot que interage com documentos e vídeos. Vamos explorar técnicas avançadas como RAG e agentes, além de utilizar ferramentas como Streamlit para criar interfaces intuitivas. Você aprenderá a utilizar essas tecnologias gratuitamente no Google Colab e também a executar os projetos em ambiente local.Na introdução, você será apresentado à teoria dos Grandes Modelos de Linguagem (LLMs) e seus conceitos fundamentais. Além disso, será explorado o ecossistema da Hugging Face, que oferece soluções modernas de Processamento de Linguagem Natural (PLN). Você aprenderá a implementar LLMs utilizando tanto o pipeline da Hugging Face quanto a biblioteca LangChain, compreendendo as vantagens de cada abordagem.Na segunda parte, será abordado o domínio da LangChain. Você aprenderá a acessar modelos de código aberto, como o Llama da Meta e o Phi da Microsoft, além de LLMs proprietárias, como o ChatGPT da OpenAI. Será explicado como realizar a quantização de modelos, com o objetivo de melhorar a performance e a escalabilidade. Também serão apresentados os principais componentes do LangChain, como chains, templates e tools, e como utilizá-los para desenvolver soluções robustas em PLN. Técnicas de engenharia de prompt serão abordadas para ajudar a obter resultados mais precisos. O conceito de RAG (Retrieval-Augmented Generation) será explorado, incluindo o processo de armazenamento e recuperação de informações. Você aprenderá a implementar bancos de dados vetoriais (vector stores) e entenderá a importância dos embeddings e como utilizá-los de forma eficaz. Também será mostrado como usar RAG para interagir com documentos em PDF e páginas da internet. Além disso, você terá a oportunidade de explorar a integração de agentes e ferramentas, como o uso de LLMs para realizar pesquisas na internet e consultar informações recentes. As soluções serão implementadas em ambiente local, o que permitirá acessar modelos open source mesmo sem conexão à internet.Na fase de desenvolvimento de projetos práticos, você aprenderá a criar um chatbot customizado com interface e memória para perguntas e respostas (Q & A). Também será ensinado como desenvolver aplicações interativas utilizando a ferramenta Streamlit, facilitando a criação de interfaces intuitivas. Um dos projetos envolverá o desenvolvimento de uma aplicação avançada que utiliza o RAG para interagir com múltiplos documentos e extrair informações relevantes através de uma interface de chat. Outro projeto consistirá em construir uma aplicação que realiza a sumarização automática de vídeos e responde a perguntas relacionadas, resultando em uma ferramenta poderosa para a compreensão automática e instantânea de vídeos.
