اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع مهندسی مدل‌های زبان بزرگ، بازیابی افزوده و عامل‌های هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع مهندسی مدل‌های زبان بزرگ، بازیابی افزوده و عامل‌های هوشمند

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی مدل‌های زبان بزرگ

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر مدل‌های زبان بزرگ
• 3. معماری ترانسفورمر و مکانیزم توجه
• 4. آموزش و تنظیم مدل‌های زبان بزرگ
• 5. بهینه‌سازی مدل‌های زبان بزرگ
• 6. ارزیابی عملکرد مدل‌های زبان بزرگ
• 7. مقدمه‌ای بر بازیابی افزوده (RAG)
• 8. مؤلفه‌های کلیدی سیستم‌های RAG
• 9. فهرست‌سازی اسناد برای RAG
• 10. بازیابی اسناد مرتبط
• 11. تولید پاسخ با استفاده از RAG
• 12. روش‌های پیشرفته در RAG
• 13. ارزیابی سیستم‌های RAG
• 14. مقدمه‌ای بر عامل‌های هوشمند (AI Agents)
• 15. معماری عامل‌های هوشمند
• 16. ابزارها و کتابخانه‌های عامل‌های هوشمند
• 17. برنامه‌ریزی و تصمیم‌گیری در عامل‌های هوشمند
• 18. استفاده از ابزارها توسط عامل‌های هوشمند
• 19. مدیریت حافظه در عامل‌های هوشمند
• 20. کاربرد عامل‌های هوشمند
• 21. طراحی عامل‌های هوشمند سفارشی
• 22. توسعه عامل‌های هوشمند تعاملی
• 23. تست و اشکال‌زدایی عامل‌های هوشمند
• 24. استقرار عامل‌های هوشمند
• 25. امنیت و حریم خصوصی در عامل‌های هوشمند
• 26. اخلاق در عامل‌های هوشمند
• 27. کاربردهای پیشرفته عامل‌های هوشمند
• 28. مدل‌های زبانی بزرگ چندوجهی
• 29. یادگیری تقویتی برای عامل‌های هوشمند
• 30. استفاده از مدل‌های زبانی در رباتیک
• 31. عامل‌های هوشمند برای اتوماسیون فرآیندها
• 32. عامل‌های هوشمند در تحلیل داده‌ها
• 33. عامل‌های هوشمند در خدمات مشتری
• 34. عامل‌های هوشمند در آموزش
• 35. عامل‌های هوشمند در سلامت
• 36. عامل‌های هوشمند در امور مالی
• 37. عامل‌های هوشمند در تولید محتوا
• 38. مقدمه‌ای بر مهندسی مدل‌های زبان بزرگ
• 39. چرخه عمر مهندسی مدل‌های زبان بزرگ
• 40. انتخاب مدل مناسب برای مهندسی
• 41. پیش‌پردازش داده‌ها برای مدل‌های زبان
• 42. تنظیم دقیق (Fine-tuning) مدل‌های زبان
• 43. تنظیم پارامترهای مدل‌های زبان
• 44. استفاده از تکنیک‌های Prompt Engineering
• 45. طراحی Prompt های مؤثر
• 46. ارزیابی Prompt ها
• 47. مدیریت Prompt ها
• 48. مهندسی مدل‌های زبان برای وظایف خاص
• 49. خلاصه‌سازی متن با مدل‌های زبان
• 50. ترجمه ماشینی با مدل‌های زبان
• 51. تولید کد با مدل‌های زبان
• 52. پاسخ به سؤال با مدل‌های زبان
• 53. طبقه‌بندی متن با مدل‌های زبان
• 54. تشخیص موجودیت نام‌گذاری شده (NER)
• 55. تحلیل احساسات با مدل‌های زبان
• 56. سیستم‌های پرسش و پاسخ
• 57. مدل‌های زبانی بزرگ در پردازش زبان طبیعی
• 58. کاربرد مدل‌های زبانی در درک مطلب
• 59. کاربرد مدل‌های زبانی در تولید زبان
• 60. مقدمه‌ای بر معماری‌های نوین مدل‌های زبان
• 61. تکامل معماری ترانسفورمر
• 62. مدل‌های زبانی با پارامترهای بسیار بزرگ
• 63. بهینه‌سازی آموزش مدل‌های زبان بزرگ
• 64. توزیع آموزش مدل‌های زبان
• 65. استفاده از سخت‌افزارهای تخصصی
• 66. فشرده‌سازی مدل‌های زبان
• 67. کوانتیزاسیون مدل‌های زبان
• 68. هرس کردن مدل‌های زبان
• 69. استفاده از تکنیک‌های Distillation
• 70. روش‌های ارزیابی پیشرفته مدل‌های زبان
• 71. معیارهای ارزیابی کمی و کیفی
• 72. ارزیابی خلاقیت و انسجام در تولید متن
• 73. ارزیابی جنبه‌های اخلاقی و سوگیری در مدل‌ها
• 74. مقدمه‌ای بر بازیابی افزوده (RAG) در عمل
• 75. پیاده‌سازی پایگاه دانش برای RAG
• 76. روش‌های پیشرفته نمایه سازی اسناد
• 77. بازیابی معنایی اسناد
• 78. ترکیب بازیابی و تولید
• 79. بهبود پرسش و پاسخ با RAG
• 80. استفاده از RAG برای خلاصه‌سازی
• 81. استفاده از RAG برای ترجمه
• 82. سیستم‌های RAG چندزبانه
• 83. ارزیابی عملکرد سیستم‌های RAG
• 84. ابزارهای متن‌باز برای RAG
• 85. چارچوب‌های توسعه RAG
• 86. مقدمه‌ای بر عامل‌های هوشمند پیشرفته
• 87. طراحی عامل‌های هوشمند چندوظیفه‌ای
• 88. مدیریت دانش در عامل‌های هوشمند
• 89. یادگیری مداوم برای عامل‌های هوشمند
• 90. قابلیت توضیح‌پذیری در عامل‌های هوشمند
• 91. قابلیت اطمینان در عامل‌های هوشمند
• 92. بررسی موارد استفاده از عامل‌های هوشمند
• 93. عامل‌های هوشمند در بازی‌های کامپیوتری
• 94. عامل‌های هوشمند در شبیه‌سازی‌ها
• 95. عامل‌های هوشمند در سیستم‌های توصیه‌گر
• 96. عامل‌های هوشمند در تحلیل شبکه‌های اجتماعی
• 97. عامل‌های هوشمند در کشف دانش
• 98. عامل‌های هوشمند در برنامه‌ریزی استراتژیک
• 99. عامل‌های هوشمند در پژوهش علمی
• 100. عامل‌های هوشمند و آینده کار