اپلیکیشن اندرویدی فلش‌کارت آموزشی مهندسی پرامپت و تنظیم دقیق ترنسفورمرها: راهنمای جامع

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی پرامپت و تنظیم دقیق ترنسفورمرها: راهنمای جامع

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی ترنسفورمر (Transformer Networks)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی پرامپت
• 2. اصول اولیه طراحی پرامپت
• 3. انواع پرامپت‌های متنی
• 4. پرامپت‌های دستوری
• 5. پرامپت‌های توصیفی
• 6. پرامپت‌های پرسشی
• 7. پرامپت‌های استدلالی
• 8. پرامپت‌های خلاقانه
• 9. پرامپت‌های راهنما
• 10. پرامپت‌های نقش‌آفرینی
• 11. پرامپت‌های پرسش و پاسخ
• 12. پرامپت‌های خلاصه‌سازی
• 13. پرامپت‌های ترجمه
• 14. پرامپت‌های بازنویسی
• 15. پرامپت‌های تولید محتوا
• 16. پرامپت‌های تحلیل متن
• 17. پرامپت‌های استخراج اطلاعات
• 18. پرامپت‌های مقایسه‌ای
• 19. پرامپت‌های طبقه‌بندی
• 20. پرامپت‌های پیش‌بینی
• 21. پرامپت‌های تولید کد
• 22. پرامپت‌های اشکال‌زدایی کد
• 23. پرامپت‌های بهینه‌سازی کد
• 24. پرامپت‌های یادگیری ماشین
• 25. پرامپت‌های شبکه‌های عصبی
• 26. پرامپت‌های یادگیری عمیق
• 27. پرامپت‌های پردازش زبان طبیعی
• 28. پرامپت‌های بینایی ماشین
• 29. پرامپت‌های سیستم‌های توصیه‌گر
• 30. پرامپت‌های رباتیک
• 31. پرامپت‌های تعامل انسان و ماشین
• 32. پرامپت‌های اخلاق در هوش مصنوعی
• 33. پرامپت‌های حریم خصوصی داده‌ها
• 34. پرامپت‌های امنیت در هوش مصنوعی
• 35. پرامپت‌های سوگیری در مدل‌ها
• 36. پرامپت‌های مدل‌های زبانی بزرگ
• 37. پرامپت‌های معماری ترنسفورمر
• 38. پرامپت‌های مکانیزم توجه
• 39. پرامپت‌های رمزگذار-رمزگشا
• 40. پرامپت‌های مدل‌های زبانی خودرگرسیو
• 41. پرامپت‌های مدل‌های زبانی اتورگرسیو
• 42. پرامپت‌های مدل‌های زبانی پیش‌آموزش‌دیده
• 43. پرامپت‌های تنظیم دقیق (Fine-tuning)
• 44. مقدمه‌ای بر تنظیم دقیق
• 45. انواع روش‌های تنظیم دقیق
• 46. تنظیم دقیق با داده‌های برچسب‌دار
• 47. تنظیم دقیق با داده‌های بدون برچسب
• 48. تنظیم دقیق با یادگیری تقویتی
• 49. تنظیم دقیق پارامترهای مدل
• 50. تنظیم دقیق لایه‌های خاص مدل
• 51. تنظیم دقیق با روش‌های کم‌هزینه
• 52. تنظیم دقیق با LoRA
• 53. تنظیم دقیق با QLoRA
• 54. تنظیم دقیق با Prompt Tuning
• 55. تنظیم دقیق با Prefix Tuning
• 56. تنظیم دقیق با Adapter Tuning
• 57. ارزیابی مدل‌های تنظیم دقیق شده
• 58. معیارهای ارزیابی عملکرد
• 59. ارزیابی در وظایف مختلف NLP
• 60. ارزیابی خلاقیت و انسجام
• 61. ارزیابی سوگیری و انصاف
• 62. ارزیابی ایمنی و اخلاق
• 63. ابزارها و کتابخانه‌های تنظیم دقیق
• 64. کتابخانه Hugging Face Transformers
• 65. استفاده از PyTorch برای تنظیم دقیق
• 66. استفاده از TensorFlow برای تنظیم دقیق
• 67. پلتفرم‌های ابری برای تنظیم دقیق
• 68. نکات عملی در تنظیم دقیق
• 69. انتخاب مجموعه داده مناسب
• 70. پیش‌پردازش داده‌ها
• 71. تنظیم ابرپارامترها
• 72. مدیریت حافظه و منابع محاسباتی
• 73. جلوگیری از بیش‌برازش (Overfitting)
• 74. روش‌های جلوگیری از بیش‌برازش
• 75. تنظیم دقیق برای کاربردهای خاص
• 76. تنظیم دقیق برای تولید متن خلاقانه
• 77. تنظیم دقیق برای پاسخگویی به سوالات
• 78. تنظیم دقیق برای خلاصه‌سازی متون تخصصی
• 79. تنظیم دقیق برای ترجمه ماشینی پیشرفته
• 80. تنظیم دقیق برای تحلیل احساسات
• 81. تنظیم دقیق برای تشخیص موجودیت نام‌دار
• 82. تنظیم دقیق برای طبقه‌بندی متون
• 83. تنظیم دقیق برای تولید کد
• 84. تنظیم دقیق برای چت‌بات‌های مکالمه‌ای
• 85. تنظیم دقیق برای هوش مصنوعی مولد
• 86. مباحث پیشرفته در مهندسی پرامپت
• 87. پرامپت‌های زنجیره فکری (Chain-of-Thought)
• 88. پرامپت‌های خودسازمان‌دهنده
• 89. پرامپت‌های چندوجهی (Multimodal)
• 90. پرامپت‌های تعاملی
• 91. پرامپت‌های خوداصلاح‌گر
• 92. پرامپت‌های مبتنی بر دانش
• 93. اخلاق در مهندسی پرامپت
• 94. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 95. آینده مهندسی پرامپت و ترنسفورمرها
• 96. روندهای نوظهور در مدل‌های زبانی
• 97. کاربردهای پیشرفته هوش مصنوعی مولد