Welcome to the LangChain framework for building applications on LLMs! You'll learn about the main components of LangChain, including models, chains, agents, prompts, and parsers. You'll create chatbots using both open-source models from Hugging Face and proprietary models from OpenAI, create prompt templates, and integrate different chatbot memory strategies to manage context and resources during conversations.

The LangChain ecosystem

OpenAI models in LangChain!

Hugging Face models in LangChain!

Prompt templates

Prompt templates and chaining

Chat prompt templates

Few-shot prompting

Creating the few-shot example set

Building the few-shot prompt template

Implementing few-shot prompting

Introduction to LangChain & Chatbot Mechanics

Time to level up your LangChain chains! You'll learn to use the LangChain Expression Language (LCEL) for defining chains with greater flexibility. You'll create sequential chains, where inputs are passed between components to create more advanced applications. You'll also begin to integrate agents, which use LLMs for decision-making.

Sıralı zincirler

Sıralı zincirler için ipucu oluşturma

LCEL ile sıralı zincirler

LangChain aracılarına giriş

Agent nedir?

ReAct ajanları

Acenteler için özel araçlar

Araç kullanımı için bir işlev tanımlama

Özel araçlar oluşturma

Özel araçları ajanlarla entegre etme

Chains and Agents

One limitation of LLMs is that they have a knowledge cut-off due to being trained on data up to a certain point. In this chapter, you'll learn to create applications that use Retrieval Augmented Generation (RAG) to integrate external data with LLMs. The RAG workflow contains a few different processes, including splitting data, creating and storing the embeddings using a vector database, and retrieving the most relevant information for use in the application. You'll learn to master the entire workflow!

Integrating document loaders

PDF document loaders

CSV document loaders

HTML document loaders

Splitting external data for retrieval

Splitting by character

Recursively splitting by character

Splitting HTML

RAG storage and retrieval using vector databases

Preparing the documents and vector database

Building a retrieval prompt template

Creating a RAG chain

Wrap-up!

Retrieval Augmented Generation (RAG)

Büyük dil modellerine (LLM'ler) dayalı uygulamalar oluşturmak için LangChain çerçevesinin gücünden yararlanarak uygulamalarını dönüştür! Üretken yapay zekâ çağında uygulama geliştirmenin en büyük zorluklarından biri; modelleri, veri kaynaklarını, istemleri (prompts) ve diğer bileşenleri farklı sağlayıcılardan alıp tek bir uygulamada birleştirmektir. LangChain çerçevesi, tüm bu parçaları bir araya getirmek için tek ve birleşik bir sözdizimi sunarak LLM'leri projelerine çok daha sorunsuz şekilde entegre etmene olanak tanır. İster deneyimli bir geliştirici ol ister yeni başlıyor ol, bu kurs sana LangChain’in sınırsız yeteneklerinden yararlanan dinamik ve akıllı uygulamalar inşa etmek için gerekli bilgi ve becerileri kazandıracak. Bu dönüştürücü yolculuğa katıl ve dil modelleriyle güçlendirilmiş uygulamaları nasıl oluşturduğunu yeniden tanımla.

Videolarda, videoların sol altındaki "Show transcript" seçeneğine tıklayarak açabileceğin canlı transkriptler bulunur.
Kurs sözlüğünü sağdaki kaynaklar bölümünde bulabilirsin.
CPE kredileri almak için kursu tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağ taraftaki CPE kredileri çağrı kutusuna tıklayarak değerlendirmeye gidebilirsin.

<h2>LangChain Ekosisteminde Gelişmenin Temeli</h2>
LLM araç setinizi LangChain'in ekosistemiyle güçlendirerek OpenAI ve Hugging Face modelleriyle sorunsuz entegrasyon sağlayın.  Gerçek dünya uygulamalarını optimize eden ve kullanım durumunuza özgü sofistike bilgi erişim sistemleri oluşturmanıza olanak tanıyan açık kaynaklı bir çerçeveyi keşfedin.<br><br>
<h2>LangChain Kullanarak Chatbot Oluşturma Metodolojileri</h2>
HuggingFace'in açık kaynak modelleri ile OpenAI'nin kapalı kaynak modelleri arasındaki nüansları karşılaştırarak sohbet robotları geliştirmek için LangChain araçlarını kullanın. Karmaşık konuşmalar için hızlı şablonları kullanın ve gelişmiş chatbot geliştirme için zemin hazırlayın.<br><br>
<h2>LangChain kullanarak Veri İşleme ve Erişim Artırma Üretimi (RAG)</h2>
Optimize edilmiş veri alımı için tokenizasyon ve vektör veritabanlarında uzmanlaşarak chatbot etkileşimlerini zengin dış bilgilerle zenginleştirin.  Farklı kullanım durumlarını optimize etmek için RAG bellek işlevlerinden yararlanın.<br><br>
<h2>Gelişmiş Zincir, Araç ve Temsilci Entegrasyonları</h2>
Tam uçtan uca kullanım durumlarını ve gelişmiş LLM çıktı işlemeyi ele almak için zincirlerin, araçların, aracıların, API'lerin ve akıllı karar verme süreçlerinin gücünden yararlanın.<br><br>
<h2>Hata Ayıklama ve Performans Ölçütleri</h2>
Son olarak, hata ayıklama, optimizasyon ve performans değerlendirme konularında uzmanlaşarak sohbet robotlarınızın hata işleme için geliştirildiğinden emin olun.  Sorun giderme için şeffaflık katmanları ekleyin.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

LangChain'de LLM'ler, istemler, zincirler ve ajanlar kullanarak yapay zeka uygulamaları oluşturmayı öğrenin.

LangChain ile LLM Uygulamaları Geliştirme

LangChain'de LLM'leri, istemleri, zincirleri ve aracıları kullanarak yapay zeka destekli uygulamaları nasıl oluşturacağınızı keşfedin.

Geliştiriciler için Yardımcı Yapay Zeka Mühendisi

Yapay Zeka Uygulamaları Geliştirme

LangChain ile Uygulama Geliştirme

Agent nedir?

LangChain ile LLM Uygulamaları Geliştirme

Uygulamalı interaktif egzersiz