Course AI and LLM for Yala - up1/training-courses GitHub Wiki

Course 1 :: Basic of LLM (Large Language Model)

  • 2 day

วัตถุประสงค์

  • เข้าใจหลักการพื้นฐานของ LLM และการนำไปใช้งาน
  • เรียนรู้การเขียน Prompt Engineer อย่างมีประสิทธิภาพ
  • สร้างต้นแบบแอปพลิเคชันเพื่อปรับใช้ในการพัฒนา Application ได้

Outline

  • พื้นฐานการทำงานของ LLM (Large Language Model) และ Generative AI
  • เรียนรู้เกี่ยวกับ Prompt engineering ที่จำเป็น
    • โครงสร้างของ Prompt ที่ดี
      • Context
      • Instruction
      • Input
      • Output
    • Prompt Engineering techniques
      • Few-shot
      • Zero-shot
      • Chain-of-Thought (CoT)
      • Large Language Models are Zero-Shot Reasoners
      • ReAct
  • การทำงานพื้นฐานของ LLM และ Generative AI
    • Tokenizer
    • Vectorization
    • Embedding
    • Similarity or semantic search
    • Vector database (new type of database and data type)
  • Workshop
    • Prompt engineering
    • Develop simple application with Python
      • Text-to-Diagram
      • Text-to-SQL
      • LLM provider
        • Commercial => OpenAI, Anthropic, Gemini
        • Opensource => Ollama
  • Problems and Solution (ปัญหาและวิธีการแก้ไข) ของการพัฒนา LLM application
    • Cost and performance
    • Latency and response time
    • Data out-of-date
  • Caching with LLM application
    • Input
    • Output
    • LLM caching
  • Manage out-of-date knowledge of LLM
    • Function calling
    • MCP (Model Context Protocol)
    • RAG (Retrieval-Augmented Generation)
  • Workshop with Function calling
    • Function calling คืออะไร ทำงานอย่างไร
    • Workshop
  • Workshop with MCP (Model Context Protocol)
    • MCP คืออะไร ทำงานอย่างไร
    • Workshop
  • Workshop with RAG (Retrieval-Augmented Generation)
    • RAG คืออะไร ทำงานอย่างไร
    • ขั้นตอนการทำงานของ RAG
      • Pre-processing data
      • Chunking
      • Embedding
      • Store in vector database
      • Search and retrieval process
      • Re-rank
      • Prompt engineering
      • Evaluate output
      • Guardrails with output
    • Workshop

Course 2 :: Develop LLM (Large Language Model) application with RAG (Retrieval-Augmented Generation) with use cases

  • 2 day

วัตถุประสงค์

  • เข้าใจหลักการพื้นฐานของ RAG (Retrieval-Augmented Generation)
  • เรียนรู้การสร้าง LLM application ด้วยแนวคิดของ RAG
  • สร้างต้นแบบแอปพลิเคชันเพื่อปรับใช้ในการพัฒนา Application ได้

Outline

  • Introduction to RAG (Retrieval-Augmented Generation)
    • RAG คืออะไร ทำงานอย่างไร
    • ขั้นตอนการทำงานของ RAG
      • Pre-processing data
      • Chunking
      • Embedding
      • Store in vector database
      • Search and retrieval process
      • Re-rank
      • Prompt engineering
      • Evaluate output
      • Guardrails with output
    • Workshop
  • ทำความเข้าใจเกี่ยวกับ Chunking techniques
    • ปัญหาของทำ Chunking
    • Fixed-size
    • Recursive
    • Semantic
    • Agentic
  • การจัดการข้อมูลใน Vector database
    • การจัดเก็บ
    • การค้นหา
    • การแก้ไขปัญหาต่าง ๆ จากการค้นหา
      • Visualize or explore data from Vector database
      • Query expansion
      • Re-rank
    • Workshop
  • Develop RAG application ตามแต่ละ use cases
    • การดึงข้อมูลจาก website
    • การอ่านข้อมูลจาก RDBMS database
    • การอ่านข้อมูลจากไฟล์ PDF
    • การอ่านข้อมูลเอกสารด้วย OCR (Optical Character Recognition)

Course 3 :: Manage workflow with n8n (NodematioN)

  • 2 day

วัตถุประสงค์

  • เข้าใจหลักการทำงานของ workflow ที่ทำงานแบบอัตโนมัติของ n8n
  • สามารถสร้าง workflow การทำงานด้วย n8n ได้อย่างมีประสิทธิภาพ

Outline

  • การทำงานของ workflow
  • รูปแบบของเครื่องมือในการจัดการ workflow
    • Coding
    • Low-code
    • No-code
  • ทำความรู้จักกับ n8n สำหรับการสร้าง workflow
    • การติดตั้ง
      • On-cloud
      • On-prem (local or server)
    • ทำความเข้าใจเกี่ยวกับ architecture และ ความสามารถของ n8n
    • Use case ต่าง ๆ ที่สามารถนำไปประยุกต์ใช้งานได้
    • ทำความรู้จักกับ n8n components
      • Node
      • Data connection
      • Trigger
      • Execution
      • Manage credentials
  • Workshop :: create first-workflow
    • Trigger nodes (webhook, cron, manual)
    • Action nodes (HTTP Request, Email, Slack, etc.)
    • Variables and Expressions
    • Debugging and Execution Logs
  • Essential Concepts in n8n
    • Data Piping Between Nodes
    • Handling Errors and Retries
    • Working with JSON
    • Using the IF and Switch Nodes
  • Notification for New Form Submissions
    • Connect Google Forms
    • Parse data and notify in a channel
  • Advanced Use Cases and Integrations
    • Authentication and Credential Management
      • OAuth2 and API key integration
      • Environment variables and secrets
    • Advanced Workflow Design
      • Looping (SplitInBatches)
      • Sub-workflows and Reusability
      • Wait node and long-running processes
      • Parallel executions
    • Workshop