🤖 همه‌چیزی که باید درباره ابزارها، کتابخانه‌ها و مدل‌های Hugging Face بدونی — از Transformers تا RAG، LangChain و Gradio

کتاب Hugging Face in Action یه راهنمای جامع و پروژه‌محور برای استفاده از کل ظرفیت اکوسیستم عظیم Hugging Face‌ه. از اجرای مدل‌های پیشرفته گرفته تا ساخت رابط‌های کاربری intuitve برای اپلیکیشن‌های هوش مصنوعی، همه‌چی رو قدم‌به‌قدم با مثال یاد می‌گیری.

📚 در این کتاب یاد می‌گیری:

• کار با Transformers و Pipelines برای وظایف پردازش زبان طبیعی (NLP)
• استفاده از مدل‌های Computer Vision در پروژه‌های بینایی ماشینی
• مدیریت داده‌ها با Hugging Face Datasets برای بهینه‌سازی ورودی مدل‌ها
• آموزش و ارزیابی مدل‌ها با AutoTrain بدون نیاز به تنظیمات پیچیده
• ساخت عامل‌های هوشمند (AI Agents) برای انجام خودکار وظایف
• توسعه‌ی اپ‌های مبتنی بر LLM با LangChain و LlamaIndex
• طراحی تصویری اپ‌های LangChain با استفاده از LangFlow
• ساخت رابط کاربری وب با استفاده از Gradio
• اجرای LLMهای محلی با GPT4All برای کاربردهای آفلاین
• جست‌وجو و پرس‌و‌جو روی داده‌های محلی با مدل‌های زبانی بزرگ

⚙️ درباره فناوری

Hugging Face یه اکوسیستم متن‌باز فوق‌العاده برای مهندسان AI و دانشمندان داده‌ست، با صدها مدل آموزش‌دیده، دیتاست، ابزار، API و کامیونیتی فعال برای همکاری در مرزهای پژوهش‌های هوش مصنوعی. این کتاب کمکت می‌کنه به‌جای سرگشتگی، با نظم و هدف از کل امکانات Hugging Face بهره ببری و پروژه‌هات رو تا سطح Production برسونی.

💡 درباره‌ی کتاب

در Hugging Face in Action یاد می‌گیری چطور یه سیستم AI از صفر تا صد بسازی؛ از نمونه‌ی کلاسیک مثل مدل تشخیص شیء تا پروژه‌های مدرن‌تر مثل RAG (بازیابی + تولید) برای پاسخ‌گویی هوشمند، یا چت‌بات مبتنی بر مدل زبانی بزرگ (LLM).

همه‌ی بخش‌ها با توضیحات واضح، مثال‌های واقعی و پروژه‌های کاربردی همراه‌ان — مخصوصاً برای کسایی که تازه دارن وارد دنیای LLMها و اکوسیستم Hugging Face می‌شن.

🚀 نکات مهم داخل کتاب:

• چطور بین صدها مدل و ابزار Hugging Face جهت درست رو پیدا کنی
• اجرای مدل‌های زبانی بزرگ به‌صورت محلی با GPT4All
• ساخت رابط‌های تحت‌وب با Gradio فقط با دانش Python
• بهبود کیفیت مدل‌ها با استفاده از دیتاست‌های Hugging Face

👨‍💻 مخاطبان

برای برنامه‌نویس‌های پایتونی که با NumPy و Pandas آشنان، ولی تجربه‌ زیادی در AI ندارن.

کتاب مسیر یادگیری رو از «هیچ» تا اپلیکیشن‌های واقعی هوش مصنوعی برات صاف‌تر و فنی‌تر می‌کنه 🧠

📑 فهرست فصل‌ها

1. مقدمه‌ای بر Hugging Face
2. شروع کار
3. استفاده از Transformers و Pipelines برای وظایف NLP
4. کاربرد Hugging Face در بینایی ماشین
5. بررسی، توکنیزه و مصورسازی داده‌ها در Hugging Face Datasets
6. تنظیم مدل‌های آموزش‌دیده و کار با مدل‌های چندحالتی (Multimodal)
7. ساخت اپ‌های مبتنی بر LLM با LangChain و LlamaIndex
8. طراحی تصویری اپ‌های LangChain با LangFlow
9. برنامه‌نویسی Agentها
10. ساخت رابط تحت‌وب با Gradio
11. اجرای LLMهای محلی با GPT4All
12. استفاده از LLMها برای پرس‌و‌جو روی داده‌های محلی
13. اتصال مدل‌های زبانی به دنیای واقعی با Model Context Protocol

👨‍🔬 درباره نویسنده

وی‑منگ لی (Wei‑Meng Lee) بنیان‌گذار شرکت Developer Learning Solutionsه — مجموعه‌ای که به شرکت‌ها کمک می‌کنه فناوری‌های نو مثل بلاک‌چین و هوش مصنوعی رو در کسب‌و‌کارهاشون پیاده کنن.

او یه مشاور فنی و مدرس بین‌المللیه که تمرکزش روی آموزش مفاهیم عملی و پروژه‌محوره: از ساخت مدل تا استقرار اپلیکیشن‌های هوشمند در محیط واقعی.

Everything you need to know about using the tools, libraries, and models at Hugging Face—from transformers, to RAG, LangChain, and Gradio.

Hugging Face in Action reveals how to get the absolute best out of everything Hugging Face, from accessing state-of-the-art models to building intuitive frontends for AI apps.

With Hugging Face in Action you’ll learn:

• Utilizing Hugging Face Transformers and Pipelines for NLP tasks

• Applying Hugging Face techniques for Computer Vision projects

• Manipulating Hugging Face Datasets for efficient data handling

• Training Machine Learning models with AutoTrain functionality

• Implementing AI agents for autonomous task execution

• Developing LLM-based applications using LangChain and LlamaIndex

• Constructing LangChain applications visually with LangFlow

• Creating web-based user interfaces using Gradio

• Building locally running LLM-based applications with GPT4ALL

• Querying local data using Large Language Models

Want a cutting edge transformer library? Hugging Face’s open source offering is best in class. Need somewhere to host your models? Hugging Face Spaces has you covered. Do your users need an intuitive frontend for your AI app? Hugging Face’s Gradio library makes it easy to build UI using the Python skills you already have. In Hugging Face in Action you’ll learn how to take full advantage of all of Hugging Face’s amazing features to quickly and reliably prototype and productionize AI applications.

About the Technology

Hugging Face is an incredible open-source ecosystem for AI engineers and data scientists, providing hundreds of pre-trained models, datasets, tools, and libraries. It’s also a central hub for collaborating on leading edge AI research. Hugging Face is a massive platform, and this book will help you take full advantage of all it has to offer.

About the Book

Hugging Face in Action teaches you how to build end-to-end AI systems using resources from the Hugging Face community. In it, you’ll create multiple projects, including an object detection model, a RAG Q&A application, an LLM-powered chatbot, and more. You’ll appreciate the clear, accessible explanations, along with thoughtful introductions to key technologies like LangChain, LlamaIndex, and Gradio.

What's inside

• How to navigate the huge Hugging Face library of models and tools

• How to run LLMs locally using GPT4ALL

• How to create web-based user interfaces using Gradio

• How to improve models using Hugging Face datasets

About the Reader

For Python programmers familiar with NumPy and Pandas. No AI experience required.

Table of Contents

1 Introducing Hugging Face

2 Getting started

3 Using Hugging Face transformers and pipelines for NLP tasks

4 Using Hugging Face for computer vision tasks

5 Exploring, tokenizing, and visualizing Hugging Face datasets

6 Fine-tuning pretrained models and working with multimodal models

7 Creating LLM-based applications using LangChain and LlamaIndex

8 Building LangChain applications visually using Langflow

9 Programming agents

10 Building a web-based UI using Gradio

11 Building locally running LLM-based applications using GPT4All

12 Using LLMs to query your local data

13 Bridging LLMs to the real world with the Model Context Protocol

About the Author

Wei-Meng Lee is a technologist and founder of Developer Learning Solutions, a company specializing in helping companies adopt the latest IT technologies. Wei-Meng provides consultancy services to companies on adopting blockchain and AI solutions for their businesses.