اپلیکیشن اندرویدی فلش‌کارت آموزشی LLM Engineering with TensorFlow

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره LLM Engineering with TensorFlow

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی مدل‌های زبانی بزرگ
• 2. مفاهیم پایه‌ای پردازش زبان طبیعی
• 3. آشنایی با معماری ترانسفورمر
• 4. معرفی TensorFlow برای یادگیری عمیق
• 5. نصب و راه‌اندازی محیط TensorFlow
• 6. ذخیره‌سازی و بارگذاری مدل‌ها در TensorFlow
• 7. کار با تنسورها و عملیات پایه‌ای
• 8. پیش‌پردازش داده‌های متنی
• 9. پاک‌سازی و نرمال‌سازی متن
• 10. توکنیزه کردن و ساخت واژگان
• 11. تبدیل متن به بردار (Embedding)
• 12. Word2Vec و GloVe
• 13. توسعه مدل‌های Embedding سفارشی
• 14. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 15. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 16. شبکه‌های حافظه کوتاه (GRU)
• 17. آموزش مدل‌های زبانی ساده با RNN/LSTM
• 18. معماری Encoder-Decoder
• 19. مکانیسم توجه (Attention Mechanism)
• 20. ترانسفورمر: لایه Self-Attention
• 21. ترانسفورمر: لایه Feed-Forward
• 22. ساختار کلی مدل ترانسفورمر
• 23. آموزش مدل ترانسفورمر از ابتدا
• 24. پیش‌ت huấn luyện مدل‌های زبانی بزرگ (Pre-training)
• 25. BERT و مدل‌های مبتنی بر آن
• 26. GPT و مدل‌های مبتنی بر آن
• 27. آموزش و تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ
• 28. تنظیم دقیق برای وظایف طبقه‌بندی متن
• 29. تنظیم دقیق برای وظایف تولید متن
• 30. تنظیم دقیق برای وظایف پاسخ به پرسش
• 31. تنظیم دقیق برای وظایف خلاصه‌سازی متن
• 32. تنظیم دقیق برای وظایف ترجمه ماشینی
• 33. معیارهای ارزیابی مدل‌های زبانی بزرگ
• 34. ارزیابی مدل‌های طبقه‌بندی
• 35. ارزیابی مدل‌های تولید متن
• 36. ارزیابی مدل‌های پاسخ به پرسش
• 37. معیارهای BLEU و ROUGE
• 38. مدل‌های زبانی بزرگ در تولید محتوا
• 39. تولید متن خلاقانه
• 40. تولید کد برنامه
• 41. تولید پاسخ‌های مکالمه‌ای
• 42. مدل‌های زبانی بزرگ در تحلیل متن
• 43. تحلیل احساسات (Sentiment Analysis)
• 44. تشخیص موجودیت‌های نام‌دار (Named Entity Recognition)
• 45. تشخیص روابط بین موجودیت‌ها
• 46. استخراج اطلاعات
• 47. سیستم‌های پرسش و پاسخ
• 48. طراحی و پیاده‌سازی سیستم پرسش و پاسخ
• 49. استفاده از پایگاه‌های دانش
• 50. مدل‌های زبانی بزرگ در ترجمه ماشینی
• 51. معماری‌های پیشرفته ترجمه ماشینی
• 52. مدل‌های زبانی بزرگ در خلاصه‌سازی متن
• 53. خلاصه‌سازی استخراجی و انتزاعی
• 54. مدل‌های زبانی بزرگ در خلاصه‌سازی مکالمات
• 55. مدل‌های زبانی بزرگ در درک مطلب
• 56. مدل‌های زبانی بزرگ در تولید دیالوگ
• 57. طراحی عامل‌های مکالمه‌ای (Chatbots)
• 58. مدیریت وضعیت مکالمه
• 59. تولید پاسخ‌های طبیعی و مرتبط
• 60. مدیریت خطا و ابهام در مکالمه
• 61. مدل‌های زبانی بزرگ در اخلاق و مسئولیت‌پذیری
• 62. سوگیری در مدل‌های زبانی بزرگ
• 63. کاهش سوگیری در مدل‌های زبانی
• 64. امنیت و حریم خصوصی در مدل‌های زبانی
• 65. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 66. کاربردهای تجاری مدل‌های زبانی بزرگ
• 67. بهینه‌سازی مدل‌های زبانی برای استقرار
• 68. استقرار مدل‌ها بر روی سرور
• 69. استقرار مدل‌ها بر روی دستگاه‌های لبه
• 70. فشرده‌سازی مدل‌های زبانی بزرگ
• 71. تقطیر دانش (Knowledge Distillation)
• 72. کوانتیزاسیون مدل‌ها
• 73. بهینه‌سازی سرعت استنتاج
• 74. مدیریت منابع محاسباتی
• 75. مقدمه‌ای بر معماری‌های پیشرفته‌تر
• 76. ترانسفورمرهای مبتنی بر Sparse Attention
• 77. مدل‌های زبانی مولد (Generative Models)
• 78. مدل‌های زبانی در حوزه پزشکی
• 79. مدل‌های زبانی در حوزه حقوق
• 80. مدل‌های زبانی در حوزه آموزش
• 81. نوآوری‌های آینده در مهندسی مدل‌های زبانی
• 82. آینده پردازش زبان طبیعی
• 83. مرور جامع بر مهندسی مدل‌های زبانی
• 84. کارگاه عملی: ساخت یک مدل زبانی سفارشی
• 85. کارگاه عملی: تنظیم دقیق مدل برای یک وظیفه خاص
• 86. پروژه نهایی: توسعه یک کاربرد مبتنی بر LLM
• 87. راهنمایی برای پروژه‌های دانشجویی
• 88. مبانی برنامه‌نویسی پایتون برای LLM
• 89. مبانی آمار و احتمالات در یادگیری ماشین
• 90. مبانی جبر خطی برای یادگیری ماشین
• 91. روش‌های بهینه‌سازی در یادگیری عمیق
• 92. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 93. مدیریت داده‌های بزرگ برای آموزش LLM
• 94. ملاحظات امنیتی در توسعه LLM
• 95. ملاحظات فرهنگی در توسعه LLM
• 96. چالش‌های پیاده‌سازی LLM در سازمان‌ها
• 97. مطالعات موردی موفق در ایران
• 98. آینده شغلی در حوزه مهندسی LLM
• 99. منابع تکمیلی و مقالات پژوهشی