docling-project

3/3 docling · 70,1 bin ⭐ · MIT PDF, Word ve slaytları yapay zekânın okuyacağı temiz metne çevirir. Taranmış PDF'leri de okur, bilgisayarında çalışır. Ne için: Esnaf: taranmış faturayı metne çevirmek; öğrenci: ders slaytını temiz metne almak docling-project/docling

Docling 10月29日的更新修了 Excel 转换：保留货币、百分比和日期格式。给 AI 喂财务表格，别只核对数字，也要核对它按什么单位显示。 代码用 MIT 开源；官方提醒，配套模型的许可证要另查，不能把代码许可套给模型。 docling-project/docling

PDF அட்டவணைகள் AI-யிடம் சிதறும். Docling சுத்தமான Markdown ஆக மாற்றுகிறது, உங்கள் கணினியிலேயே இயங்குகிறது. முதலில் எதை மாற்றுவீர்கள், கட்டுரையையா, அறிக்கையையா ? docling-project/docling Instagram-லும் பின்தொடருங்கள்: instagram.com

Docling: The Open-Source Engine for AI-Ready Documents | Ming Zhao | DevOpsDays Austin 2026 Docling: The Open-Source Engine for AI-Ready Documents Ming Zhao, DevOpsDays Austin 2026 (Day 1, May 5, 2026) Unlocking the full potential of AI starts with your data, but real-world documents come in countless formats and levels of complexity. This session introduces Docling, an open-source Python library designed to convert complex documents into AI-ready formats. Learn how Docling simplifies document processing, enabling you to efficiently harness all your data for downstream AI and analytics applications. Most organizational knowledge is still locked inside complex documents, making it difficult to extract and use the information effectively. Traditional tools often fail when working with real-world document formats, particularly PDFs. In this talk, I'll be introducing Docling, an open-source project that takes a different approach, using deep learning models to parse documents the way humans read them. It preserves hierarchy, extracts structured data through a consistent API, and supports over ten common file formats out of the box. We will walk through Docling's architecture and its unique DoclingDocument data structure, demonstrate how Docling's features help build document processing pipelines that can be leveraged for various applications. Lastly, I'll share how teams have leveraged Docling to ingest previously inaccessible data while reducing document processing costs. And of course most importantly, all of Docling is open-source and under an MIT license, which allows for fully local execution with low latency to reduce data privacy exposure. Co-speaker in the program: Abby Tse. Abby Tse is a Software Engineer in IBM CIO driving the development of internal AI applications. Her work focuses on using generative AI to streamline business operations and boost employee productivity. Connect with Ming Zhao: GitHub: github.com/mingxzhao Docling: docling-project/docling Links: DevOpsDays Austin 2026: devopsdays.org Conference Schedule: talks.devopsdays.org Talk Page: talks.devopsdays.org #DevOpsDaysAustin #Docling #OpenSource #DevOpsDays #DevOps #DocumentAI #RAG #GenerativeAI

Docling: turn messy PDFs into clean, heading-aware chunks for RAG Thursday AI Tool/Workflow. This week's tool: Docling, the open-source document converter started by IBM Research Zurich, now hosted by the LF AI & Data Foundation. It turns PDFs, DOCX, PPTX, HTML and more into clean Markdown or lossless JSON, and it can chunk the result for RAG without throwing away your section headings. If your RAG pipeline starts with pdftotext or a basic PDF text extractor, you've probably seen what comes out: two-column pages read straight across, tables flattened into a stream of numbers, page headers and footers mixed into body text, and no idea which section a sentence came from. Then you split that text every N characters and wonder why retrieval is weak. Docling attacks the problem at the source. Here's exactly how to use it. What Docling gives you From the official README, the features that matter for RAG: - Parsing of many formats, including PDF, DOCX, PPTX, XLSX, HTML, EPUB, images and more - Advanced PDF understanding: page layout, reading order, table structure, code, formulas and image classification - OCR support for scanned PDFs and images - A unified DoclingDocument representation, exportable to Markdown, HTML, DocTags and lossless JSON - Local execution, which matters for sensitive or air-gapped data - Integrations with LangChain, LlamaIndex, Crew AI and Haystack - MIT-licensed codebase (individual models have their own licenses) 1. Install pip install docling Docling needs Python 3.10 or higher (Python 3.9 support was dropped in version 2.70.0). It runs on macOS, Linux and Windows, on both x86_64 and arm64. 2. Convert a document from the CLI The fastest way to see what Docling does: docling https://arxiv.org/pdf/2206.01062 This writes a .md file into the current directory. The CLI takes local files, directories or URLs, and a few options are worth knowing: # Markdown + lossless JSON into ./out docling ./policies --to md --to json --output ./out # Scanned documents: OCR is on by default; turn it off for born-digital PDFs to save time docling report.pdf --no-ocr # Table structure model in accurate (default) or fast mode docling report.pdf --table-mode fast # Ask the CLI for chunks directly (hybrid chunker by default) docling report.pdf --to chunks --chunks-max-tokens 512 Run docling --help or check the CLI reference for the full list. The default chunk tokenizer for --to chunks is sentence-transformers/all-MiniLM-L6-v2. 3. Convert in Python The Python API is three lines: from docling.document_converter import DocumentConverter converter = DocumentConverter() result = converter.convert("policies/leave-policy.pdf") # local path or URL doc = result.document print(doc.export_to_markdown()) doc is a DoclingDocument. Besides Markdown you can call export_to_dict(), export_to_text(), export_to_doctags(), or save lossless JSON with doc.save_as_json(path). The JSON keeps structure and provenance that Markdown drops, so it is the better format to store if you might re-chunk later. 4. Tables and layout Tables are where naive extraction hurts most. Docling runs a table structure model and gives you each table as a real object: for i, table in enumerate(doc.tables): df = table.export_to_dataframe(doc=doc) # pandas DataFrame df.to_csv(f"table-{i + 1}.csv") In Markdown output, tables come out as Markdown tables instead of loose numbers. If you need to tune the PDF pipeline, pass pipeline options: from docling.datamodel.base_models import InputFormat from docling.datamodel.pipeline_options import PdfPipelineOptions from docling.document_converter import DocumentConverter, PdfFormatOption opts = PdfPipelineOptions() opts.do_ocr = False # born-digital PDFs don't need OCR opts.do_table_structure = True # keep table structure converter = DocumentConverter( format_options={InputFormat.PDF: PdfFormatOption(pipeline_options=opts)} ) 5. Chunk with HybridChunker Docling has native chunkers that work on the DoclingDocument instead of on flat text. The docs describe HybridChunker as tokenization-aware refinements on top of document-based hierarchical chunking: - It starts from the hierarchical chunker (one chunk per document element, with headings and captions attached). - It splits chunks that are oversized for your tokenizer. - It merges undersized neighbouring chunks that share the same headings (merge_peers, on by default). - For tables that span chunks, repeat_table_header (on by default) repeats the header row in each chunk. The docs stress one thing: the chunker and your embedding model should use the same tokenizer. from docling.chunking import HybridChunker from docling_core.transforms.chunker.tokenizer.huggingface import HuggingFaceTokenizer from transformers import AutoTokenizer EMBED_MODEL_ID = "sentence-transformers/all-MiniLM-L6-v2" tokenizer = HuggingFaceTokenizer( tokenizer=AutoTokenizer.from_pretrained(EMBED_MODEL_ID), max_tokens=256, # pick to fit your embedding model ) chunker = HybridChunker(tokenizer=tokenizer) for chunk in chunker.chunk(dl_doc=doc): print(chunk.meta.headings) # e.g. ["Leave Policy", "Carry-over"] text_to_embed = chunker.contextualize(chunk=chunk) Note contextualize(): it returns the chunk text enriched with metadata such as its headings. The docs say this is typically the text you want to feed the embedding model, while chunk.text is the raw content. If you prefer OpenAI tokenizers, install docling-core[chunking-openai] and use OpenAITokenizer with tiktoken. 6. Example workflow: a folder of policy PDFs into a RAG index This is an example workflow, not a benchmark. Say HR has a folder of policy PDFs and you want a Q&A bot that cites the right section. from pathlib import Path from docling.chunking import HybridChunker from docling.datamodel.base_models import ConversionStatus from docling.document_converter import DocumentConverter converter = DocumentConverter() chunker = HybridChunker() # default tokenizer; align it with your embedder in production pdfs = sorted(Path("policies").glob("*.pdf")) Path("parsed").mkdir(exist_ok=True) records = [] for res in converter.convert_all(pdfs, raises_on_error=False): if res.status != ConversionStatus.SUCCESS: print("needs review:", res.input.file.name, res.status) continue doc = res.document doc.save_as_json(Path("parsed") / f"{res.input.file.stem}.json") # keep lossless copy for i, chunk in enumerate(chunker.chunk(dl_doc=doc)): records.append({ "id": f"{res.input.file.stem}-{i}", "text": chunker.contextualize(chunk=chunk), # embed this "source": res.input.file.name, "section": " > ".join(chunk.meta.headings or []), }) # embed records[*]["text"] and upsert into your vector store # (pgvector, Qdrant, Milvus...), storing source + section as metadata What this buys you: 1. Section headings travel with every chunk. "Carry-over" under "Leave Policy" doesn't get confused with "Carry-over" under "Expense Policy". 2. Citations are free. Store source and section, and your answer can say "Leave Policy > Carry-over" instead of "page text, somewhere". 3. Failures are visible. convert_all(..., raises_on_error=False) keeps going, and you log the files that only partially converted instead of silently indexing garbage. 4. You can re-chunk without re-parsing. The saved JSON is a DoclingDocument, so changing chunk size later doesn't mean running the PDF models again. Tips before you ship - Measure retrieval, not vibes. Build 20 to 50 real questions with known answer sections and check recall@k before and after switching to Docling. - Turn OCR off for born-digital PDFs and on for scans. It is a real speed/quality trade-off. - Spot-check tables. Open a few Markdown exports next to the original PDF, especially for merged cells. - Match tokenizers. Chunk limits only mean something if they're counted with your embedding model's tokenizer. Garbage in, garbage retrieved. Fix the parsing step and every step after it gets easier. References - Docling on GitHub: docling-project/docling - Docling documentation: docling-project.github.io - Usage (Python + CLI): docling-project.github.io - CLI reference: docling-project.github.io - Chunking concepts (HybridChunker): docling-project.github.io - Hybrid chunking example: docling-project.github.io - Supported formats: docling-project.github.io - Docling Technical Report (arXiv 2408.09869): arxiv.org What does your RAG pipeline use to parse PDFs today, and where does it break?

Docling：一个把 PDF、Office 文档和扫描资料整理成 AI 可用结构化数据的开源工具。它能解析布局、表格、公式和图片，输出 Markdown 或 JSON，适合搭建文档检索、知识库和 Agent 输入管线；项目代码采用 MIT 许可证，但 OCR/VLM 模型的效果、许可与硬件要求仍要单独核对。 👉 docling-project/docling

Hello, try this one: docling-project/docling.rs It loads .xls, .xlsx, .csv and 50+ more formats And you could even try it online in browser (no any data sent to server): docling-project.github.io

Choose a parser before feeding PDFs to AI | 6 open-source choices Bad parsing can ruin good AI answers. Six options, with different use cases and adoption checks. Docling, PaddleOCR, olmOCR, Tesseract, EasyOCR, Unstructured. Explore the original cards: channel profile → AI Open Source Radar → Collections. Choose the collection for this task and inspect the project cards. useaistation.com Sources checked 23 Oct 2026. This is a project-selection guide, not hands-on testing or a live ranking. These are different choices, not a verified integrated stack. Software licenses, model weights, hardware and external service costs must be checked separately. Community/core and enterprise features may differ. Developer disclosure: we build AI Open Source Radar, not the featured projects. Narration: Microsoft free Aria neural voice. Project and License sources (observed branch references, subject to change): Docling: docling-project/docling License: raw.githubusercontent.com PaddleOCR: PaddlePaddle/PaddleOCR License: raw.githubusercontent.com olmOCR: allenai/olmocr License: raw.githubusercontent.com Tesseract: tesseract-ocr/tesseract License: raw.githubusercontent.com EasyOCR: JaidedAI/EasyOCR License: raw.githubusercontent.com Unstructured: Unstructured-IO/unstructured License: raw.githubusercontent.com #OpenSource #AITools #DocumentAI

69K ⭐ Your Documents, Ready for AI Docling parses many document formats — PDF, Word, Excel, HTML, images, and audio — into a structured text representation that AI models can use. The README describes page layout understanding, reading order, table structure, OCR for scanned PDFs, export to Markdown or JSON, integrations with LangChain, LlamaIndex, Crew AI, and Haystack, plus an MCP server. Local execution is available for sensitive data. Overview based on the public README, not a hands-on test. Check the licenses of any additional models before processing confidential documents. Official GitHub: docling-project/docling The link is in the description. #AI #Docling #OpenSource #Shorts

I Tried 100+ GitHub Repos for AI Engineering. These 8 Are the Best I went through 100+ GitHub repos for AI engineering and kept 8. Four to learn AI engineering in the right order, and four to build with: one for your data, your model, your agents, and your evals. If you're moving into AI engineering from data science or software, these are the free resources I'd actually use: LLMs, RAG, agents, local models and evaluation, all open source and linked below. ⏱️ Chapters 00:00 100+ repos, 8 worth keeping 00:56 1. Hands-On Large Language Models 01:46 2. LLMs from Scratch 02:55 3. Hugging Face Agents Course 03:49 4. AI Engineering (Chip Huyen) 05:01 5. Docling (data) 06:20 6. Ollama (model) 08:05 7. LangGraph (agents) 09:00 8. promptfoo (evals) 📚 Act 1: Learn Hands-On Large Language Models: HandsOnLLM/Hands-On-Large-Language-Models LLMs from Scratch: rasbt/LLMs-from-scratch Hugging Face Agents Course: huggingface/agents-course AI Engineering (Chip Huyen): chiphuyen/aie-book 🛠️ Act 2: Build Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Also mentioned MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Watch next youtu.be youtu.be youtu.be 🤖 AI consultancy services: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [ar] جربت أكثر من 100 مستودع على GitHub لهندسة الذكاء الاصطناعي. هذه الـ 8 هي الأفضل استعرضتُ أكثر من ١٠٠ مستودع على GitHub لهندسة الذكاء الاصطناعي، واحتفظتُ بثمانية منها. أربعة منها لتعلم هندسة الذكاء الاصطناعي بالترتيب الصحيح، وأربعة للبناء عليها: واحد لبياناتك، وواحد لنموذجك، وواحد للوكلاء، وواحد للتقييم. إذا كنتَ تنتقل إلى هندسة الذكاء الاصطناعي من علوم البيانات أو البرمجيات، فهذه هي الموارد المجانية التي أنصحك باستخدامها: نماذج التعلم الموجه (LLMs)، وRAG، والوكلاء، والنماذج المحلية، والتقييم، جميعها مفتوحة المصدر وروابطها موجودة أدناه. ⏱️ الفصول 00:00 أكثر من 100 مستودع، 8 منها تستحق الاحتفاظ بها 00:56 1. نماذج لغوية كبيرة عملية 01:46 2. بناء نماذج لغوية كبيرة من الصفر 02:55 3. دورة وكلاء Hugging Face 03:49 4. هندسة الذكاء الاصطناعي (تشيب هويين) 05:01 5. Docling (البيانات) 06:20 6. Ollama (النموذج) 08:05 7. LangGraph (الوكلاء) 09:00 8. promptfoo (التقييمات) 📚 الفصل الأول: التعلم نماذج لغوية كبيرة عملية: HandsOnLLM/Hands-On-Large-Language-Models نماذج لغوية كبيرة من الصفر: rasbt/LLMs-from-scratch Hugging Face دورة الوكلاء: huggingface/agents-course هندسة الذكاء الاصطناعي (تشيب هويين): chiphuyen/aie-book 🛠️ الفصل الثاني: البناء Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ مذكور أيضًا MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 شاهد التالي youtu.be youtu.be youtu.be 🤖 خدمات استشارية في مجال الذكاء الاصطناعي: anasriad.com 💼 لينكدإن: linkedin.com 💻 جيت هاب: github.com/anesriad #هندسة_الذكاء_الاصطناعي #جيت_هاب #ماجستير_قانون [bn] AI ইঞ্জিনিয়ারিংয়ের জন্য আমি ১০০+ গিটহাব রিপো ট্রাই করেছি। সেরা ৮টি এখানে। আমি এআই ইঞ্জিনিয়ারিং-এর জন্য ১০০টিরও বেশি গিটহাব রিপোজিটরি ঘেঁটে ৮টি রেখেছি। চারটি সঠিক ক্রমে এআই ইঞ্জিনিয়ারিং শেখার জন্য, এবং চারটি তৈরির জন্য: একটি আপনার ডেটার জন্য, একটি আপনার মডেলের জন্য, একটি এজেন্টের জন্য, এবং আপনার ইভ্যালুয়েশনের জন্য। আপনি যদি ডেটা সায়েন্স বা সফটওয়্যার থেকে এআই ইঞ্জিনিয়ারিং-এ আসেন, তাহলে এই বিনামূল্যের রিসোর্সগুলো আমি ব্যবহার করার পরামর্শ দেব: এলএলএম (LLM), র‍্যাগ (RAG), এজেন্ট, লোকাল মডেল এবং ইভ্যালুয়েশন, সবগুলোই ওপেন সোর্স এবং নিচে লিঙ্ক দেওয়া আছে। ⏱️ অধ্যায়সমূহ ০০:০০ ১০০+ রিপো, ৮টি রাখার মতো ০০:৫৬ ১. হ্যান্ডস-অন লার্জ ল্যাঙ্গুয়েজ মডেলস ০১:৪৬ ২. স্ক্র্যাচ থেকে এলএলএম ০২:৫৫ ৩. হাগিং ফেস এজেন্টস কোর্স ০৩:৪৯ ৪. এআই ইঞ্জিনিয়ারিং (চিপ হুয়েন) ০৫:০১ ৫. ডকলিং (ডেটা) ০৬:২০ ৬. ওলামা (মডেল) ০৮:০৫ ৭. ল্যাংগ্রাফ (এজেন্ট) ০৯:০০ ৮. প্রম্পটফু (ইভ্যাল) 📚 পর্ব ১: শিখুন হ্যান্ডস-অন লার্জ ল্যাঙ্গুয়েজ মডেলস: HandsOnLLM/Hands-On-Large-Language-Models স্ক্র্যাচ থেকে এলএলএম: rasbt/LLMs-from-scratch হাগিং ফেস এজেন্টস কোর্স: huggingface/agents-course এআই ইঞ্জিনিয়ারিং (চিপ হুয়েন): chiphuyen/aie-book 🛠️ পর্ব ২: তৈরি করুন ডকলিং: docling-project/docling ওলামা: ollama/ollama ল্যাংগ্রাফ: langchain-ai/langgraph প্রম্পটফু: promptfoo/promptfoo ➕ আরও উল্লেখিত মার্কইটডাউন: microsoft/markitdown আনস্ট্রাকচার্ড: Unstructured-IO/unstructured ভিএলএলএম: vllm-project/vllm ক্রুএআই: crewAIInc/crewAI স্মোলাজেন্টস: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 পরবর্তী ভিডিও দেখুন youtu.be youtu.be youtu.be 🤖 এআই পরামর্শ পরিষেবা: anasriad.com 💼 লিঙ্কডইন: linkedin.com 💻 গিটহাব: github.com/anesriad #AIEngineering #GitHub #LLM [de-DE] Ich habe über 100 GitHub-Repositories für KI-Engineering getestet. Diese 8 sind die besten Ich habe über 100 GitHub-Repos für KI-Engineering durchforstet und acht behalten. Vier davon, um KI-Engineering in der richtigen Reihenfolge zu lernen, und vier, um damit zu arbeiten: jeweils eines für Daten, Modelle, Agenten und Evaluierungen. Wenn Sie von Data Science oder Softwareentwicklung ins KI-Engineering wechseln, sind dies die kostenlosen Ressourcen, die ich tatsächlich nutzen würde: LLMs, RAG, Agenten, lokale Modelle und Evaluierung – alles Open Source und unten verlinkt. ⏱️ Kapitel 00:00 Über 100 Repositories, 8 davon sind empfehlenswert 00:56 1. Praktische Übungen mit großen Sprachmodellen 01:46 2. Sprachmodelle von Grund auf 02:55 3. Kurs „Hugging Face Agents“ 03:49 4. KI-Engineering (Chip Huyen) 05:01 5. Dokumentation (Daten) 06:20 6. Ollama (Modell) 08:05 7. LangGraph (Agenten) 09:00 8. promptfoo (Evaluierungen) 📚 Akt 1: Lernen Praktische Übungen mit großen Sprachmodellen: HandsOnLLM/Hands-On-Large-Language-Models Sprachmodelle von Grund auf: rasbt/LLMs-from-scratch Kurs „Hugging Face Agents“: huggingface/agents-course KI-Engineering (Chip Huyen): chiphuyen/aie-book 🛠️ Akt 2: Entwicklung Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Ebenfalls erwähnt: MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Nächstes Video ansehen: youtu.be youtu.be youtu.be 🤖 KI-Beratung: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #KI-Engineering #GitHub #LLM [es-US] Probé más de 100 repositorios de GitHub para ingeniería de IA. Estos 8 son los mejores Revisé más de 100 repositorios de GitHub sobre ingeniería de IA y me quedé con 8. Cuatro para aprender ingeniería de IA en el orden correcto y cuatro para desarrollar: uno para tus datos, otro para tu modelo, otro para tus agentes y otro para tus evaluaciones. Si vienes de la ciencia de datos o el desarrollo de software y te estás adentrando en la ingeniería de IA, estos son los recursos gratuitos que yo usaría: LLM, RAG, agentes, modelos locales y evaluación, todos de código abierto y enlazados a continuación. ⏱️ Capítulos 00:00 Más de 100 repositorios, 8 que vale la pena conservar 00:56 1. Modelos de lenguaje prácticos a gran escala 01:46 2. Modelos de lenguaje desde cero 02:55 3. Curso de agentes Hugging Face 03:49 4. Ingeniería de IA (Chip Huyen) 05:01 5. Documentación (datos) 06:20 6. Ollama (modelo) 08:05 7. LangGraph (agentes) 09:00 8. promptfoo (evaluaciones) 📚 Acto 1: Aprende Modelos de lenguaje prácticos a gran escala: HandsOnLLM/Hands-On-Large-Language-Models Modelos de lenguaje desde cero: rasbt/LLMs-from-scratch Curso de agentes Hugging Face: huggingface/agents-course Ingeniería de IA (Chip Huyen): chiphuyen/aie-book 🛠️ Acto 2: Construcción Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ También se menciona: MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Ver a continuación youtu.be youtu.be youtu.be 🤖 Servicios de consultoría de IA: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #IngenieríaIA #GitHub #LLM [fr-FR] J'ai testé plus de 100 dépôts GitHub pour l'ingénierie IA. Voici les 8 meilleurs J'ai exploré plus de 100 dépôts GitHub dédiés à l'ingénierie de l'IA et j'en ai retenu 8. Quatre pour apprendre l'ingénierie de l'IA dans le bon ordre, et quatre pour développer : un pour vos données, un pour votre modèle, un pour vos agents et un pour vos évaluations. Si vous vous orientez vers l'ingénierie de l'IA après avoir travaillé dans les sciences des données ou le développement logiciel, voici les ressources gratuites que j'utilise personnellement : LLM, RAG, agents, modèles locaux et évaluation, tous open source et disponibles via les liens ci-dessous. ⏱️ Chapitres 00:00 Plus de 100 dépôts, dont 8 à conserver 00:56 1. Modèles de langage complexes pratiques 01:46 2. Modèles de langage complexes à partir de zéro 02:55 3. Cours sur les agents Hugging Face 03:49 4. Ingénierie IA (Chip Huyen) 05:01 5. Docling (données) 06:20 6. Ollama (modèle) 08:05 7. LangGraph (agents) 09:00 8. Promptfoo (évaluations) 📚 Acte 1 : Apprendre Modèles de langage complexes pratiques : HandsOnLLM/Hands-On-Large-Language-Models Modèles de langage complexes à partir de zéro : rasbt/LLMs-from-scratch Cours sur les agents Hugging Face : huggingface/agents-course Ingénierie IA (Chip Huyen) : chiphuyen/aie-book 🛠️ Acte 2 : Création Docling : docling-project/docling Ollama : ollama/ollama LangGraph : langchain-ai/langgraph promptfoo : promptfoo/promptfoo ➕ Également mentionnés : MarkItDown : microsoft/markitdown Unstructured : Unstructured-IO/unstructured vLLM : vllm-project/vllm CrewAI : crewAIInc/crewAI smolagents : huggingface/smolagents Opik : comet-ml/opik DeepEval : confident-ai/deepeval DSPy : stanfordnlp/dspy 📺 À voir ensuite : youtu.be youtu.be youtu.be 🤖 Services de conseil en IA : anasriad.com 💼 LinkedIn : linkedin.com 💻 GitHub : github.com/anesriad #IngénierieAI #GitHub #LLM [hi] मैंने AI इंजीनियरिंग के लिए 100+ GitHub रिपोज़ आज़माए। ये 8 सबसे बेहतरीन हैं मैंने AI इंजीनियरिंग के लिए 100 से अधिक GitHub रिपॉजिटरी देखीं और उनमें से 8 को चुना। चार AI इंजीनियरिंग को सही क्रम में सीखने के लिए, और चार निर्माण के लिए: एक आपके डेटा के लिए, एक आपके मॉडल के लिए, एक आपके एजेंट्स के लिए और एक आपके मूल्यांकन के लिए। यदि आप डेटा साइंस या सॉफ्टवेयर से AI इंजीनियरिंग में आ रहे हैं, तो ये वे निःशुल्क संसाधन हैं जिनका मैं वास्तव में उपयोग करने की सलाह दूंगा: LLM, RAG, एजेंट्स, लोकल मॉडल और मूल्यांकन, ये सभी ओपन सोर्स हैं और नीचे लिंक दिए गए हैं। ⏱️ अध्याय 00:00 100+ रिपॉजिटरी, 8 रखने लायक 00:56 1. बड़े भाषा मॉडल पर व्यावहारिक अनुभव 01:46 2. एलएलएम की शुरुआत 02:55 3. हगिंग फेस एजेंट्स कोर्स 03:49 4. एआई इंजीनियरिंग (चिप हुएन) 05:01 5. डॉकलिंग (डेटा) 06:20 6. ओलामा (मॉडल) 08:05 7. लैंगग्राफ (एजेंट) 09:00 8. प्रॉम्प्टफू (मूल्यांकन) 📚 पहला भाग: सीखें बड़े भाषा मॉडल पर व्यावहारिक अनुभव: HandsOnLLM/Hands-On-Large-Language-Models एलएलएम की शुरुआत: rasbt/LLMs-from-scratch हगिंग फेस एजेंट्स कोर्स: huggingface/agents-course एआई इंजीनियरिंग (चिप हुएन): chiphuyen/aie-book 🛠️ चरण 2: निर्माण डॉकलिंग: docling-project/docling ओलामा: ollama/ollama लैंगग्राफ: langchain-ai/langgraph प्रॉम्प्टफू: promptfoo/promptfoo ➕ अन्य उल्लेख मार्कइटडाउन: microsoft/markitdown अनस्ट्रक्चर्ड: Unstructured-IO/unstructured vLLM: vllm-project/vllm क्रूएआई: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 अगला वीडियो देखें youtu.be youtu.be youtu.be 🤖 AI परामर्श सेवाएं: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [id] Saya Mencoba 100+ Repositori GitHub untuk Rekayasa AI. 8 Ini yang Terbaik Saya menelusuri lebih dari 100 repositori GitHub untuk rekayasa AI dan hanya menyimpan 8. Empat untuk mempelajari rekayasa AI dengan urutan yang benar, dan empat untuk membangunnya: satu untuk data Anda, model Anda, agen Anda, dan evaluasi Anda. Jika Anda beralih ke rekayasa AI dari ilmu data atau perangkat lunak, ini adalah sumber daya gratis yang sebenarnya akan saya gunakan: LLM, RAG, agen, model lokal dan evaluasi, semuanya sumber terbuka dan tautannya ada di bawah. ⏱️ Bab 00:00 100+ repositori, 8 yang layak disimpan 00:56 1. Praktik Model Bahasa Besar 01:46 2. LLM dari Awal 02:55 3. Kursus Agen Wajah Berpelukan 03:49 4. Rekayasa AI (Chip Huyen) 05:01 5. Docling (data) 06:20 6. Ollama (model) 08:05 7. LangGraph (agen) 09:00 8. promptfoo (evaluasi) 📚 Bab 1: Belajar Praktik Model Bahasa Besar: HandsOnLLM/Hands-On-Large-Language-Models LLM dari Awal: rasbt/LLMs-from-scratch Kursus Agen Wajah Berpelukan: huggingface/agents-course AI Engineering (Chip Huyen): chiphuyen/aie-book 🛠️ Babak 2: Membangun Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Juga disebutkan MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Tonton selanjutnya youtu.be youtu.be youtu.be 🤖 Layanan konsultasi AI: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [it] Ho provato oltre 100 repository GitHub per l'ingegneria dell'IA. Queste 8 sono le migliori Ho esaminato oltre 100 repository GitHub sull'ingegneria dell'IA e ne ho tenuti 8. Quattro per imparare l'ingegneria dell'IA nel modo corretto e quattro per sviluppare: uno per i dati, uno per il modello, uno per gli agenti e uno per le valutazioni. Se state passando all'ingegneria dell'IA dalla scienza dei dati o dallo sviluppo software, queste sono le risorse gratuite che vi consiglio di utilizzare: modelli lineari lineari (LLM), grafi aciclici direzionali (RAG), agenti, modelli locali e valutazione, tutti open source e i cui link trovate qui sotto. ⏱️ Capitoli 00:00 Oltre 100 repository, 8 da conservare 00:56 1. Modelli linguistici di grandi dimensioni pratici 01:46 2. Modelli linguistici di grandi dimensioni da zero 02:55 3. Corso sugli agenti "Hugging Face" 03:49 4. Ingegneria dell'IA (Chip Huyen) 05:01 5. Docling (dati) 06:20 6. Ollama (modello) 08:05 7. LangGraph (agenti) 09:00 8. promptfoo (valutazioni) 📚 Atto 1: Impara Modelli linguistici di grandi dimensioni pratici: HandsOnLLM/Hands-On-Large-Language-Models Modelli linguistici di grandi dimensioni da zero: rasbt/LLMs-from-scratch Corso sugli agenti "Hugging Face": Italiano: huggingface/agents-course Ingegneria dell'IA (Chip Huyen): chiphuyen/aie-book 🛠️ Atto 2: Creazione Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Menzionati anche MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: Italiano: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Guarda il prossimo video youtu.be youtu.be youtu.be 🤖 Servizi di consulenza AI: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [iw] בדקתי מעל 100 מאגרי GitHub להנדסת AI. אלו ה-8 הכי טובים עברתי על יותר מ-100 מאגרים ב-GitHub להנדסת בינה מלאכותית ושמרתי 8. ארבעה כדי ללמוד הנדסת בינה מלאכותית בסדר הנכון, וארבעה כדי לבנות איתם: אחד עבור הנתונים שלך, המודל שלך, הסוכנים שלך והערכות שלך. אם אתה עובר להנדסת בינה מלאכותית ממדעי נתונים או תוכנה, אלה המשאבים החינמיים שהייתי משתמש בהם בפועל: תואר ראשון במשפטים, תואר RAG, סוכנים, מודלים מקומיים והערכה, כולם בקוד פתוח ומקושרים למטה. ⏱️ פרקים 00:00 100+ מאגרים, 8 שכדאי לשמור 00:56 1. מודלים מעשיים לשפה גדולה 01:46 2. תואר ראשון במשפטים מאפס 02:55 3. קורס סוכני פנים מחבקים 03:49 4. הנדסת בינה מלאכותית (צ'יפ הויאן) 05:01 5. תיעוד (נתונים) 06:20 6. אולמה (מודל) 08:05 7. LangGraph (סוכנים) 09:00 8. promptfoo (הערכות) 📚 פרק 1: לימוד מודלים מעשיים לשפה גדולה: HandsOnLLM/Hands-On-Large-Language-Models תואר ראשון במשפטים מאפס: rasbt/LLMs-from-scratch קורס סוכני פנים מחבקים: huggingface/agents-course הנדסת בינה מלאכותית (צ'יפ הויאן): chiphuyen/aie-book 🛠️ מערכה 2: בנייה Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ הוזכר גם MarkItDown: microsoft/markitdown לא מובנה: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents אופיק: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 צפו בהמשך youtu.be youtu.be youtu.be 🤖 שירותי ייעוץ לבינה מלאכותית: anasriad.com 💼 לינקדאין: linkedin.com 💻 גיטהאב: github.com/anesriad #הנדסתבינה מלאכותית #GitHub #LLM [ja] AIエンジニア向けGitHubリポジトリ100選を試した結果、選りすぐりの8つを紹介します AIエンジニアリング関連のGitHubリポジトリを100以上チェックし、8つを選びました。そのうち4つはAIエンジニアリングを正しい順序で学ぶためのもので、残りの4つは実際に構築するためのものです。データ、モデル、エージェント、評価のためのリポジトリがそれぞれ1つずつです。 データサイエンスやソフトウェア開発からAIエンジニアリングに移行する場合、私が実際に活用するであろう無料リソースは以下の通りです。LLM、RAG、エージェント、ローカルモデル、評価など、すべてオープンソースで、以下にリンクを掲載しています。 ⏱️ チャプター 00:00 100以上のリポジトリ、厳選8つ 00:56 1. 大規模言語モデルの実践 01:46 2. ゼロから始める大規模言語モデル 02:55 3. ハグフェイスエージェントコース 03:49 4. AIエンジニアリング（チップ・フエン） 05:01 5. Docling（データ） 06:20 6. Ollama（モデル） 08:05 7. LangGraph（エージェント） 09:00 8. promptfoo（評価） 📚 第1幕：学習 大規模言語モデルの実践：HandsOnLLM/Hands-On-Large-Language-Models ゼロから始める大規模言語モデル：rasbt/LLMs-from-scratch ハグフェイスエージェントコース： huggingface/agents-course AIエンジニアリング（Chip Huyen）：chiphuyen/aie-book 🛠️ 第2幕：構築 Docling：docling-project/docling Ollama：ollama/ollama LangGraph：langchain-ai/langgraph promptfoo：promptfoo/promptfoo ➕ その他にも言及されているもの MarkItDown：microsoft/markitdown Unstructured：Unstructured-IO/unstructured vLLM：vllm-project/vllm CrewAI：crewAIInc/crewAI smolagents： huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 次の動画を見る youtu.be youtu.be youtu.be 🤖 AIコンサルティングサービス: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIエンジニアリング #GitHub #LLM [ko] AI 엔지니어링 관련해서 100개 이상의 GitHub 저장소를 사용해 봤습니다. 그중 최고는 이 8개입니다. 저는 AI 엔지니어링 관련 GitHub 저장소 100개 이상을 살펴보고 그중 8개만 남겼습니다. 4개는 AI 엔지니어링을 올바른 순서로 학습하는 데 유용하고, 나머지 4개는 데이터, 모델, 에이전트, 평가 도구 구축에 활용할 수 있습니다. 데이터 과학이나 소프트웨어 개발에서 AI 엔지니어링으로 전향하는 경우, 제가 실제로 활용할 만한 무료 리소스는 다음과 같습니다: LLMs, RAG, 에이전트, 로컬 모델 및 평가 도구 (모두 오픈 소스이며 아래 링크 참조). ⏱️ 목차 00:00 100개 이상의 저장소 중 8개는 꼭 소장할 가치가 있습니다. 00:56 1. 대규모 언어 모델 실습 01:46 2. 처음부터 LLM 만들기 02:55 3. Hugging Face 에이전트 강좌 03:49 4. AI 엔지니어링 (Chip Huyen) 05:01 5. Docling (데이터) 06:20 6. Ollama (모델) 08:05 7. LangGraph (에이전트) 09:00 8. promptfoo (평가) 📚 1막: 학습 대규모 언어 모델 실습: HandsOnLLM/Hands-On-Large-Language-Models 처음부터 LLM 만들기: rasbt/LLMs-from-scratch Hugging Face 에이전트 강좌: huggingface/agents-course AI 엔지니어링(칩 후옌): chiphuyen/aie-book 🛠️ 2막: 구축 Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ 언급된 다른 도구들 MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 다음 영상 보기 youtu.be youtu.be youtu.be 🤖 AI 컨설팅 서비스: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AI엔지니어링 #GitHub #LLM [ml] AI എഞ്ചിനീയറിംഗിനായി ഞാൻ 100-ലധികം GitHub റിപ്പോസിറ്ററികൾ പരീക്ഷിച്ചു. ഇവ 8 എണ്ണമാണ് ഏറ്റവും മികച... AI എഞ്ചിനീയറിങ്ങിനായി ഞാൻ 100+ GitHub റിപ്പോകൾ പരിശോധിച്ചു, അതിൽ 8 എണ്ണം സൂക്ഷിച്ചു. ശരിയായ ക്രമത്തിൽ AI എഞ്ചിനീയറിങ് പഠിക്കാൻ നാലെണ്ണവും, നിങ്ങളുടെ ഡാറ്റ, നിങ്ങളുടെ മോഡൽ, നിങ്ങളുടെ ഏജന്റുമാർ, നിങ്ങളുടെ വിലയിരുത്തലുകൾ എന്നിവയ്ക്കായി നിർമ്മിക്കാൻ നാലെണ്ണവും. ഡാറ്റാ സയൻസിൽ നിന്നോ സോഫ്റ്റ്‌വെയറിൽ നിന്നോ നിങ്ങൾ AI എഞ്ചിനീയറിങ്ങിലേക്ക് മാറുകയാണെങ്കിൽ, ഞാൻ യഥാർത്ഥത്തിൽ ഉപയോഗിക്കുന്ന സൗജന്യ ഉറവിടങ്ങൾ ഇവയാണ്: LLM-കൾ, RAG, ഏജന്റുമാർ, ലോക്കൽ മോഡലുകൾ, മൂല്യനിർണ്ണയം, എല്ലാം ഓപ്പൺ സോഴ്‌സും താഴെ ലിങ്ക് ചെയ്തിട്ടുള്ളതുമാണ്. ⏱️ അധ്യായങ്ങൾ 00:00 100+ റിപ്പോകൾ, സൂക്ഷിക്കേണ്ട 8 എണ്ണം 00:56 1. ഹാൻഡ്സ്-ഓൺ ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ 01:46 2. സ്ക്രാച്ചിൽ നിന്നുള്ള എൽഎൽഎമ്മുകൾ 02:55 3. ഹഗ്ഗിംഗ് ഫേസ് ഏജന്റ്സ് കോഴ്സ് 03:49 4. എഐ എഞ്ചിനീയറിംഗ് (ചിപ്പ് ഹ്യൂയെൻ) 05:01 5. ഡോക്ലിംഗ് (ഡാറ്റ) 06:20 6. ഒല്ലാമ (മോഡൽ) 08:05 7. ലാങ്ഗ്രാഫ് (ഏജന്റുകൾ) 09:00 8. പ്രോംപ്റ്റ്ഫൂ (evals) 📚 ആക്ട് 1: പഠിക്കുക ഹാൻഡ്സ്-ഓൺ ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ: HandsOnLLM/Hands-On-Large-Language-Models സ്ക്രാച്ചിൽ നിന്നുള്ള എൽഎൽഎമ്മുകൾ: rasbt/LLMs-from-scratch ഹഗ്ഗിംഗ് ഫേസ് ഏജന്റ്സ് കോഴ്സ്: huggingface/agents-course AI എഞ്ചിനീയറിംഗ് (Chip Huyen): chiphuyen/aie-book 🛠️ ആക്റ്റ് 2: ബിൽഡ് ഡോക്ലിംഗ്: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ ഇതും പരാമർശിച്ചിട്ടുണ്ട് MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 അടുത്തത് കാണുക youtu.be youtu.be youtu.be 🤖 AI കൺസൾട്ടൻസി സേവനങ്ങൾ: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AI എഞ്ചിനീയറിംഗ് #GitHub #LLM [nl-NL] Ik heb 100+ GitHub-repositories geprobeerd voor AI Engineering. Deze 8 zijn de beste Ik heb meer dan 100 GitHub-repositories voor AI-engineering doorgenomen en er 8 bewaard. Vier om AI-engineering in de juiste volgorde te leren, en vier om mee te bouwen: één voor je data, één voor je model, één voor je agents en één voor je evaluaties. Als je vanuit data science of software de overstap maakt naar AI-engineering, zijn dit de gratis bronnen die ik zelf zou gebruiken: LLMs, RAG, agents, lokale modellen en evaluatie, allemaal open source en hieronder gelinkt. ⏱️ Hoofdstukken 00:00 Meer dan 100 repositories, 8 de moeite waard om te bewaren 00:56 1. Praktische oefeningen met grote taalmodellen 01:46 2. LLM's vanaf nul 02:55 3. Cursus 'Hugging Face Agents' 03:49 4. AI-engineering (Chip Huyen) 05:01 5. Docling (data) 06:20 6. Ollama (model) 08:05 7. LangGraph (agents) 09:00 8. promptfoo (evaluaties) 📚 Deel 1: Leren Praktische oefeningen met grote taalmodellen: HandsOnLLM/Hands-On-Large-Language-Models LLM's vanaf nul: rasbt/LLMs-from-scratch Cursus 'Hugging Face Agents': huggingface/agents-course AI Engineering (Chip Huyen): chiphuyen/aie-book 🛠️ Act 2: Bouwen Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Ook genoemd MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Bekijk volgende video's youtu.be youtu.be youtu.be 🤖 AI-consultancy: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [pa] ਮੈਂ AI ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ 100 ਤੋਂ ਵੱਧ GitHub ਰਿਪੋਜ਼ਿਟਰੀਆਂ ਅਜ਼ਮਾਈਆਂ। ਇਹ 8 ਸਭ ਤੋਂ ਵਧੀਆ ਹਨ ਮੈਂ AI ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ 100+ GitHub ਰਿਪੋਜ਼ ਵਿੱਚੋਂ ਲੰਘਿਆ ਅਤੇ 8 ਰੱਖੇ। ਚਾਰ ਸਹੀ ਕ੍ਰਮ ਵਿੱਚ AI ਇੰਜੀਨੀਅਰਿੰਗ ਸਿੱਖਣ ਲਈ, ਅਤੇ ਚਾਰ ਇਸ ਨਾਲ ਬਣਾਉਣ ਲਈ: ਇੱਕ ਤੁਹਾਡੇ ਡੇਟਾ, ਤੁਹਾਡੇ ਮਾਡਲ, ਤੁਹਾਡੇ ਏਜੰਟਾਂ ਅਤੇ ਤੁਹਾਡੇ ਮੁਲਾਂਕਣ ਲਈ। ਜੇਕਰ ਤੁਸੀਂ ਡੇਟਾ ਸਾਇੰਸ ਜਾਂ ਸੌਫਟਵੇਅਰ ਤੋਂ AI ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਜਾ ਰਹੇ ਹੋ, ਤਾਂ ਇਹ ਉਹ ਮੁਫਤ ਸਰੋਤ ਹਨ ਜੋ ਮੈਂ ਅਸਲ ਵਿੱਚ ਵਰਤਾਂਗਾ: LLM, RAG, ਏਜੰਟ, ਸਥਾਨਕ ਮਾਡਲ ਅਤੇ ਮੁਲਾਂਕਣ, ਸਾਰੇ ਓਪਨ ਸੋਰਸ ਅਤੇ ਹੇਠਾਂ ਲਿੰਕ ਕੀਤੇ ਗਏ ਹਨ। ⏱️ ਅਧਿਆਏ 00:00 100+ ਰਿਪੋ, 8 ਰੱਖਣ ਦੇ ਯੋਗ 00:56 1. ਹੈਂਡਸ-ਆਨ ਲਾਰਜ ਲੈਂਗਵੇਜ ਮਾਡਲ 01:46 2. ਸਕ੍ਰੈਚ ਤੋਂ ਐਲਐਲਐਮ 02:55 3. ਹੱਗਿੰਗ ਫੇਸ ਏਜੰਟ ਕੋਰਸ 03:49 4. ਏਆਈ ਇੰਜੀਨੀਅਰਿੰਗ (ਚਿੱਪ ਹਿਊਯੇਨ) 05:01 5. ਡੌਕਲਿੰਗ (ਡੇਟਾ) 06:20 6. ਓਲਾਮਾ (ਮਾਡਲ) 08:05 7. ਲੈਂਗਗ੍ਰਾਫ (ਏਜੰਟ) 09:00 8. ਪ੍ਰੋਂਪਟਫੂ (ਈਵਾਲਜ਼) 📚 ਐਕਟ 1: ਸਿੱਖੋ ਹੱਗਿੰਗ ਫੇਸ ਏਜੰਟ ਕੋਰਸ: HandsOnLLM/Hands-On-Large-Language-Models ਸਕ੍ਰੈਚ ਤੋਂ ਐਲਐਲਐਮ: rasbt/LLMs-from-scratch ਹੱਗਿੰਗ ਫੇਸ ਏਜੰਟ ਕੋਰਸ: huggingface/agents-course AI ਇੰਜੀਨੀਅਰਿੰਗ (ਚਿੱਪ ਹੁਯੇਨ): chiphuyen/aie-book 🛠️ ਐਕਟ 2: ਬਿਲਡ ਡੌਕਲਿੰਗ: docling-project/docling ਓਲਾਮਾ: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ ਇਹ ਵੀ ਜ਼ਿਕਰ ਕੀਤਾ ਗਿਆ ਹੈ ਮਾਰਕਇਟਡਾਊਨ: microsoft/markitdown ਅਨਸਟ੍ਰਕਚਰਡ: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents ਓਪਿਕ: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 ਅੱਗੇ ਦੇਖੋ youtu.be youtu.be youtu.be 🤖 AI ਸਲਾਹਕਾਰ ਸੇਵਾਵਾਂ: anasriad.com 💼 ਲਿੰਕਡਇਨ: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [pl] Przetestowałem ponad 100 repozytoriów na GitHubie do nauki inżynierii AI. Te 8 jest najlepszych Przejrzałem ponad 100 repozytoriów GitHub dotyczących inżynierii AI i zachowałem 8. Cztery, aby nauczyć się inżynierii AI we właściwej kolejności i cztery do budowania: jedno dla danych, modelu, agentów i ewaluacji. Jeśli przechodzisz do inżynierii AI z zakresu nauki o danych lub oprogramowania, oto darmowe zasoby, z których faktycznie skorzystałbym: LLM, RAG, agenci, modele lokalne i ewaluacja – wszystkie open source i linki poniżej. ⏱️ Rozdziały 00:00 Ponad 100 repozytoriów, 8 wartych zachowania 00:56 1. Praktyczne modele językowe 01:46 2. Studia magisterskie od podstaw 02:55 3. Kurs agentów Hugging Face 03:49 4. Inżynieria AI (Chip Huyen) 05:01 5. Dokumentowanie (dane) 06:20 6. Ollama (model) 08:05 7. LangGraph (agenci) 09:00 8. promptfoo (ewaluacje) 📚 Akt 1: Nauka Praktyczne modele językowe: HandsOnLLM/Hands-On-Large-Language-Models Studia magisterskie od podstaw: rasbt/LLMs-from-scratch Kurs agentów Hugging Face: huggingface/agents-course Inżynieria AI (Chip Huyen): chiphuyen/aie-book 🛠️ Akt 2: Kompilacja Dokumentacja: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Wspomniano również MarkItDown: microsoft/markitdown Niestrukturalny: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Oglądaj Dalej youtu.be youtu.be youtu.be 🤖 Usługi konsultingowe w zakresie sztucznej inteligencji: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIengineering #GitHub #LLM [pt-BR] Testei mais de 100 repositórios do GitHub para Engenharia de IA. Estes 8 são os melhores Analisei mais de 100 repositórios do GitHub sobre engenharia de IA e selecionei 8. Quatro para aprender engenharia de IA na ordem correta e quatro para desenvolver: um para seus dados, um para seu modelo, um para seus agentes e um para suas avaliações. Se você está migrando para a engenharia de IA vindo da ciência de dados ou do software, estes são os recursos gratuitos que eu realmente usaria: LLMs, RAG, agentes, modelos locais e avaliação, todos de código aberto e com links abaixo. ⏱️ Capítulos 00:00 Mais de 100 repositórios, 8 que valem a pena manter 00:56 1. Modelos de Linguagem Grandes na Prática 01:46 2. Modelos de Linguagem Grandes do Zero 02:55 3. Curso de Agentes Hugging Face 03:49 4. Engenharia de IA (Chip Huyen) 05:01 5. Docling (dados) 06:20 6. Ollama (modelo) 08:05 7. LangGraph (agentes) 09:00 8. promptfoo (avaliações) 📚 Ato 1: Aprenda Modelos de Linguagem Grandes na Prática: HandsOnLLM/Hands-On-Large-Language-Models Modelos de Linguagem Grandes do Zero: rasbt/LLMs-from-scratch Curso de Agentes Hugging Face: Curso de Agentes: huggingface/agents-course Engenharia de IA (Chip Huyen): chiphuyen/aie-book 🛠️ Ato 2: Construir Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Também mencionado MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Assista a seguir youtu.be youtu.be youtu.be 🤖 Serviços de consultoria em IA: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #EngenhariaDeIA #GitHub #LLM [ru] Я протестировал более 100 GitHub-репозиториев по AI-инженерии. Эти 8 — лучшие Я просмотрел более 100 репозиториев GitHub по разработке ИИ и сохранил 8. Четыре — для изучения ИИ в правильной последовательности, и четыре — для построения модели: один для данных, один для агентов и один для оценки. Если вы переходите в разработку ИИ из области анализа данных или разработки программного обеспечения, вот бесплатные ресурсы, которые я бы действительно использовал: LLMs, RAG, агенты, локальные модели и оценка — все с открытым исходным кодом и ссылки на них ниже. ⏱️ Разделы 00:00 Более 100 репозиториев, 8 из которых стоит сохранить 00:56 1. Практическое применение больших языковых моделей 01:46 2. Создание больших языковых моделей с нуля 02:55 3. Курс по агентам «Обнимающее лицо» 03:49 4. Разработка ИИ (Чип Хуен) 05:01 5. Docling (данные) 06:20 6. Ollama (модель) 08:05 7. LangGraph (агенты) 09:00 8. promptfoo (оценки) 📚 Часть 1: Обучение Практическое применение больших языковых моделей: HandsOnLLM/Hands-On-Large-Language-Models Создание больших языковых моделей с нуля: rasbt/LLMs-from-scratch Обнимающее лицо Курс по агентам: huggingface/agents-course Инженерное дело в области ИИ (Чип Хуен): chiphuyen/aie-book 🛠️ Акт 2: Создание Docling: docling-project/docling Ollama: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Также упоминалось MarkItDown: microsoft/markitdown Unstructured: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Opik: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Смотрите далее youtu.be youtu.be youtu.be 🤖 Услуги консалтинга в области ИИ: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #AIEngineering #GitHub #LLM [ta] AI இன்ஜினியரிங் க்காக 100+ GitHub களஞ்சியங்களை முயற்சித்தேன். இதோ சிறந்த 8 களஞ்சியங்கள் நான் AI பொறியியலுக்கான 100-க்கும் மேற்பட்ட GitHub ரெப்போக்களைப் பார்த்து, அவற்றில் 8-ஐத் தேர்ந்தெடுத்தேன். AI பொறியியலைச் சரியான வரிசையில் கற்றுக்கொள்வதற்கு நான்கு, மற்றும் கட்டமைப்பதற்கு நான்கு: ஒன்று உங்கள் தரவுகளுக்கும், மற்றொன்று உங்கள் மாடலுக்கும், மற்றொன்று உங்கள் ஏஜென்ட்களுக்கும், மற்றும் உங்கள் மதிப்பீடுகளுக்கும். நீங்கள் தரவு அறிவியல் அல்லது மென்பொருளிலிருந்து AI பொறியியலுக்கு மாறுகிறீர்கள் என்றால், நான் உண்மையில் பயன்படுத்தும் இலவச ஆதாரங்கள் இவைதான்: LLM-கள், RAG, ஏஜென்ட்கள், உள்ளூர் மாடல்கள் மற்றும் மதிப்பீடு, இவை அனைத்தும் திறந்த மூல மென்பொருட்கள் மற்றும் கீழே இணைக்கப்பட்டுள்ளன. ⏱️ அத்தியாயங்கள் 00:00 100+ ரெப்போக்கள், 8 வைத்திருக்கத் தகுந்தவை 00:56 1. பெரிய மொழி மாதிரிகளில் செய்முறைப் பயிற்சி 01:46 2. புதிதாக LLM-கள் 02:55 3. ஹக்கிங் ஃபேஸ் ஏஜென்ட்ஸ் பாடநெறி 03:49 4. AI பொறியியல் (சிப் ஹுயென்) 05:01 5. டாக்லிங் (தரவு) 06:20 6. ஒல்லாமா (மாடல்) 08:05 7. லாங்க்கிராஃப் (ஏஜென்ட்கள்) 09:00 8. ப்ராம்ட்ஃபூ (மதிப்பீடுகள்) 📚 பகுதி 1: கற்றல் பெரிய மொழி மாதிரிகளில் செய்முறைப் பயிற்சி: HandsOnLLM/Hands-On-Large-Language-Models புதிதாக LLM-கள்: rasbt/LLMs-from-scratch ஹக்கிங் ஃபேஸ் ஏஜென்ட்ஸ் பாடநெறி: huggingface/agents-course AI பொறியியல் (சிப் ஹுயென்): chiphuyen/aie-book 🛠️ பகுதி 2: உருவாக்குதல் டாக்லிங்: docling-project/docling ஒல்லாமா: ollama/ollama லாங்கிராஃப்: langchain-ai/langgraph ப்ராம்ட்ஃபூ: promptfoo/promptfoo ➕ மேலும் குறிப்பிடப்பட்டவை மார்க்இட்டவுன்: microsoft/markitdown அன்ஸ்ட்ரக்சர்டு: Unstructured-IO/unstructured விஎல்எல்எம்: vllm-project/vllm க்ரூஏஐ: crewAIInc/crewAI ஸ்மோலாஜென்ட்ஸ்: huggingface/smolagents ஓபிக்: comet-ml/opik டீப்ஈவால்: confident-ai/deepeval டிஎஸ்பிஒய்: stanfordnlp/dspy 📺 அடுத்துப் பார்க்கவும் youtu.be youtu.be youtu.be 🤖 செயற்கை நுண்ணறிவு ஆலோசனை சேவைகள்: anasriad.com 💼 லிங்க்ட்இன்: linkedin.com 💻 கிட்ஹப்: github.com/anesriad #செயற்கை நுண்ணறிவு பொறியியல் #கிட்ஹப் #எல்எல்எம் [te] AI ఇంజనీరింగ్ కోసం 100+ GitHub రిపోలను ప్రయత్నించాను. అందులో ఇవే ఉత్తమమైన 8 నేను AI ఇంజనీరింగ్ కోసం 100కు పైగా గిట్‌హబ్ రిపోలను పరిశీలించి, వాటిలో 8 ఉంచుకున్నాను. వాటిలో నాలుగు సరైన క్రమంలో AI ఇంజనీరింగ్ నేర్చుకోవడానికి, మిగిలిన నాలుగు నిర్మించడానికి: ఒకటి మీ డేటా కోసం, ఒకటి మీ మోడల్ కోసం, ఒకటి మీ ఏజెంట్ల కోసం, మరియు ఒకటి మీ ఎవాల్యుయేషన్ల కోసం. మీరు డేటా సైన్స్ లేదా సాఫ్ట్‌వేర్ నుండి AI ఇంజనీరింగ్‌లోకి వస్తున్నట్లయితే, నేను నిజంగా ఉపయోగించే ఉచిత వనరులు ఇవే: LLMలు, RAG, ఏజెంట్లు, లోకల్ మోడల్స్ మరియు ఎవాల్యుయేషన్, ఇవన్నీ ఓపెన్ సోర్స్ మరియు కింద లింక్ చేయబడ్డాయి. ⏱️ అధ్యాయాలు 00:00 100+ రిపోలు, ఉంచుకోవాల్సినవి 8 00:56 1. పెద్ద భాషా నమూనాలపై ఆచరణాత్మక శిక్షణ 01:46 2. మొదటి నుండి LLMలు 02:55 3. హగ్గింగ్ ఫేస్ ఏజెంట్స్ కోర్సు 03:49 4. AI ఇంజనీరింగ్ (చిప్ హుయెన్) 05:01 5. డాక్లింగ్ (డేటా) 06:20 6. ఒల్లామా (మోడల్) 08:05 7. లాంగ్‌గ్రాఫ్ (ఏజెంట్లు) 09:00 8. ప్రాంప్ట్‌ఫూ (మూల్యాంకనాలు) 📚 మొదటి భాగం: నేర్చుకోండి పెద్ద భాషా నమూనాలపై ఆచరణాత్మక శిక్షణ: HandsOnLLM/Hands-On-Large-Language-Models మొదటి నుండి LLMలు: rasbt/LLMs-from-scratch హగ్గింగ్ ఫేస్ ఏజెంట్స్ కోర్సు: huggingface/agents-course AI ఇంజనీరింగ్ (చిప్ హుయెన్): chiphuyen/aie-book 🛠️ రెండవ అంకం: నిర్మాణం డాక్లింగ్: docling-project/docling ఒల్లామా: ollama/ollama లాంగ్‌గ్రాఫ్: langchain-ai/langgraph ప్రాంప్ట్‌ఫూ: promptfoo/promptfoo ➕ ఇక్కడ కూడా ప్రస్తావించబడింది మార్క్‌ఇట్‌డౌన్: microsoft/markitdown అన్‌స్ట్రక్చర్డ్: Unstructured-IO/unstructured vLLM: vllm-project/vllm క్రూAI: crewAIInc/crewAI స్మోలాజెంట్స్: huggingface/smolagents ఓపిక్: comet-ml/opik డీప్ఈవాల్: confident-ai/deepeval డీఎస్పీవై: stanfordnlp/dspy 📺 తదుపరి చూడండి youtu.be youtu.be youtu.be 🤖 ఏఐ కన్సల్టెన్సీ సేవలు: anasriad.com 💼 లింక్డ్‌ఇన్: linkedin.com 💻 గిట్‌హబ్: github.com/anesriad #ఏఐఇంజనీరింగ్ #గిట్‌హబ్ #ఎల్‌ఎల్‌ఎం [uk] Я перевірив понад 100 GitHub-репозиторіїв для AI-інженерії. Ці 8 — найкращі Я переглянув понад 100 репозиторіїв GitHub з питань штучного інтелекту та залишив 8. Чотири для вивчення ШІ-інженерії в правильному порядку та чотири для побудови: по одному для ваших даних, вашої моделі, ваших агентів та ваших оцінок. Якщо ви переходите до ШІ-інженерії з науки про дані чи програмного забезпечення, ось безкоштовні ресурси, які я б насправді використовував: LLM, RAG, агенти, локальні моделі та оцінка, всі з відкритим вихідним кодом та посилання на які нижче. ⏱️ Розділи 00:00 100+ репозиторіїв, 8 варті того, щоб зберегти 00:56 1. Практичні моделі великих мов 01:46 2. LLM з нуля 02:55 3. Курс про агенти, що обіймають обличчя 03:49 4. Інженерія штучного інтелекту (Чіп Х'юєн) 05:01 5. Доклінг (дані) 06:20 6. Ollama (модель) 08:05 7. LangGraph (агенти) 09:00 8. promptfoo (оцінки) 📚 Акт 1: Вивчення Практичні моделі великих мов: HandsOnLLM/Hands-On-Large-Language-Models LLM з нуля: rasbt/LLMs-from-scratch Курс про агенти, що обіймають обличчя: huggingface/agents-course Інженерія штучного інтелекту (Чіп Х'юєн): chiphuyen/aie-book 🛠️ Акт 2: Збірка Доклінг: docling-project/docling Оллама: ollama/ollama LangGraph: langchain-ai/langgraph promptfoo: promptfoo/promptfoo ➕ Також згадано MarkItDown: microsoft/markitdown Неструктурований: Unstructured-IO/unstructured vLLM: vllm-project/vllm CrewAI: crewAIInc/crewAI smolagents: huggingface/smolagents Опік: comet-ml/opik DeepEval: confident-ai/deepeval DSPy: stanfordnlp/dspy 📺 Дивитися далі youtu.be youtu.be youtu.be 🤖 Консалтингові послуги зі штучного інтелекту: anasriad.com 💼 LinkedIn: linkedin.com 💻 GitHub: github.com/anesriad #ІнженеріяШІ #GitHub #LLM