From No-Code to Python Code 2025-1 | Complete Course 2026

From No-Code to Python Code 2025-1 is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of data-path-to-node. Whether you are just starting out or looking to level up, this course gives you the structured path and practical projects you need to succeed.

Throughout the lessons you will build genuine confidence with data-path-to-node and ollama, learning through clear explanations and step-by-step examples you can apply immediately. Below you will find everything the course covers, who it is for, and a full breakdown of the curriculum before you download.

Course Description

دوره Run Local LLMs with Ollama: From No-Code to Python Code. این دوره روش‌های کار با مدل‌های زبانی مانند متا لاما را از طریق پلتفرم کاربرپسند اولاما آموزش می‌دهد. دوره با مدل لاما به عنوان مثال اصلی کار می‌کند، اما تکنیک‌های ارائه شده برای سایر مدل‌های متن‌باز مانند دیپ‌سیک و کیوون نیز قابل استفاده هستند. محتوای دوره از سطح مقدماتی آغاز شده و به صورت گام‌به‌گام، هم از طریق ابزارهای بدون کد و هم با استفاده از برنامه‌نویسی پایتون، کار با مدل‌های زبانی را پوشش می‌دهد. شرکت‌کنندگان ابتدا با مفاهیم پایه و ویژگی‌های مدل لاما ۳ آشنا شده، سپس به صورت عملی با نصب، پیکربندی و تنظیم دقیق مدل برای کاربردهای واقعی کار می‌کنند. این رویکرد جامع به فراگیران این توانایی را می‌دهد که پس از پایان دوره، با اطمینان از مدل‌های زبانی بزرگ در پروژه‌های عملی خود استفاده کرده و راه‌حل‌های مبتنی بر هوش مصنوعی را توسعه دهند.

What You Will Learn

مبانی هوش مصنوعی و LLM:
آشنایی با هوش مصنوعی (AI)، شبکه‌های عصبی (Neural Networks) و اصول LLM.
درک تفاوت‌های AI در مقابل ML در مقابل DL (یادگیری ماشین در مقابل یادگیری عمیق).
مفاهیم پارامترهای میلیاردی (Billion Parameters)، معیارهای مدل (Model Benchmarks)، ترانسفورمرها (Transformers)، امبدینگ (Embedding) و کوانتیزاسیون (Quantization).
معرفی Meta LLaMA:
آشنایی با Meta LLaMA 3.2/3.3 و تاریخچه LLaMA.
تفاوت‌های بین LLaMA و سایر LLM‌ها مانند GPT.
نحوه پردازش متن توسط LLaMA: توکن‌ها، امبدینگ‌ها و مکانیسم‌های توجه (Attention Mechanisms).
استراتژی‌های استقرار (Deployment) و Ollama:
استراتژی‌های استقرار مدل‌ها با Hugging Face، PyTorch، Ollama و Azure به همراه دموها.
آشنایی عمیق با Ollama، مزایا و موارد استفاده آن.
نصب Ollama بر روی Linux، Mac و حالت Docker.
دموها در مورد دستورات Ollama CLI (رابط خط فرمان).
ساخت مدل سفارشی و رابط کاربری:
ساخت اولین مدل سفارشی با Ollama و LLaMA.
OpenWebUI، رابط کاربری گرافیکی (GUI) برای مدل‌های Ollama.
کاربردها و یکپارچه‌سازی با پایتون:
نحوه استفاده از کدهای ساده پایتون در Ollama و ساخت امبدینگ در Ollama.
استفاده از Ollama با IDEهای مختلف مانند VSCode، Google Colab و Jupyter Notebook به همراه دموها.
قابلیت‌های چندحالتی (Multimodality) – تحلیل تصاویر.
LangChain با Ollama و LLaMA – آشنایی با مفهوم زنجیره‌سازی (Chaining).
سازگاری Ollama با OpenAI.
خروجی‌های ساختاریافته (Structured Outputs).
ابزارها (Tools) در LLaMA و Ollama – فراخوانی توابع (Function Calling).

Who This Course Is For

مبتدیان در زمینه هوش مصنوعی مولد (Generative AI).
مبتدیان در زمینه Meta LLaMA.
مبتدیان در زمینه Ollama.
علاقه‌مندانی که مایل به یادگیری Ollama با LLaMA هستند.
متخصصانی که مایل به درک و مشاهده دموها در مورد کتابخانه پایتون Ollama هستند.
مبتدیان مشتاق به کاوش در هوش مصنوعی بدون تجربه قبلی.
علاقه‌مندان به فناوری که می‌خواهند مدل‌های هوش مصنوعی پیشرفته را درک و استفاده کنند.
توسعه‌دهندگانی که قصد یکپارچه‌سازی هوش مصنوعی در پروژه‌های شخصی یا حرفه‌ای خود را دارند.