اپلیکیشن اندرویدی فلش‌کارت آموزشی استقرار مدل‌های زبانی بزرگ و هوش مصنوعی مولد با استفاده از فناوری‌های NVIDIA

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار مدل‌های زبانی بزرگ و هوش مصنوعی مولد با استفاده از فناوری‌های NVIDIA

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌های زبانی بزرگ و هوش مصنوعی مولد

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر مدل‌های زبانی
• 3. تاریخچه و تکامل مدل‌های زبانی
• 4. معماری ترنسفورمر و اهمیت آن
• 5. مبانی شبکه‌های عصبی بازگشتی (RNN)
• 6. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش زبان
• 7. توکن‌سازی و پیش‌پردازش متن
• 8. بردارسازی کلمات: Word2Vec و GloVe
• 9. مدل‌های زبانی آماری
• 10. مدل‌های زبانی مبتنی بر ترنسفورمر
• 11. مبانی مدل‌های زبانی بزرگ (LLMs)
• 12. معماری GPT و انواع آن
• 13. مدل‌های BERT و مفاهیم آن
• 14. مدل‌های T5 و رویکرد آن
• 15. مبانی یادگیری تقویتی برای LLMs
• 16. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 17. روش‌های آموزش مدل‌های زبانی بزرگ
• 18. داده‌های مورد نیاز برای آموزش LLMs
• 19. چالش‌های آموزش LLMs
• 20. مبانی هوش مصنوعی مولد (Generative AI)
• 21. معماری‌های مولد: GANs و VAEs
• 22. کاربرد هوش مصنوعی مولد در متن
• 23. تولید متن با LLMs
• 24. خلاصه‌سازی متن با LLMs
• 25. ترجمه ماشینی با LLMs
• 26. پاسخ به پرسش با LLMs
• 27. تولید کد با LLMs
• 28. تولید محتوای خلاقانه با LLMs
• 29. مبانی استقرار مدل‌های زبانی
• 30. محیط‌های استقرار: On-premise و Cloud
• 31. زیرساخت‌های سخت‌افزاری برای LLMs
• 32. پردازنده‌های گرافیکی (GPUs) و اهمیت آن‌ها
• 33. تکنولوژی‌های NVIDIA برای هوش مصنوعی
• 34. کتابخانه‌های NVIDIA برای یادگیری عمیق
• 35. CUDA و cuDNN
• 36. TensorRT برای بهینه‌سازی استنتاج
• 37. NVIDIA Triton Inference Server
• 38. استقرار مدل‌های زبانی روی پلتفرم‌های NVIDIA
• 39. مدیریت داده‌ها و مدل‌ها
• 40. امنیت در استقرار LLMs
• 41. حریم خصوصی و حفاظت از داده‌ها
• 42. اخلاق در هوش مصنوعی مولد
• 43. سوگیری در مدل‌های زبانی
• 44. روش‌های کاهش سوگیری
• 45. ارزیابی مدل‌های زبانی
• 46. معیارهای ارزیابی مدل‌های زبانی
• 47. متریک‌های ارزیابی برای وظایف مختلف
• 48. کاربرد LLMs در صنعت
• 49. LLMs در خدمات مشتری
• 50. LLMs در آموزش
• 51. LLMs در سلامت
• 52. LLMs در مالی
• 53. LLMs در تولید محتوا
• 54. LLMs در توسعه نرم‌افزار
• 55. چالش‌های عملیاتی استقرار LLMs
• 56. مقیاس‌پذیری مدل‌های زبانی
• 57. مدیریت هزینه‌ها در استقرار LLMs
• 58. پایش عملکرد مدل‌ها
• 59. به‌روزرسانی و نگهداری مدل‌ها
• 60. مقدمه‌ای بر مدل‌های چندوجهی (Multimodal Models)
• 61. کاربرد مدل‌های چندوجهی
• 62. بینایی ماشین و پردازش زبان طبیعی
• 63. تولید تصویر از متن (Text-to-Image)
• 64. تولید ویدئو از متن (Text-to-Video)
• 65. مباحث پیشرفته در LLMs
• 66. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 67. یادگیری انتقال (Transfer Learning)
• 68. یادگیری با داده‌های کم (Few-shot Learning)
• 69. یادگیری بدون نمونه (Zero-shot Learning)
• 70. تفسیرپذیری مدل‌های زبانی (Explainable AI)
• 71. ملاحظات حقوقی و قانونی در استفاده از LLMs
• 72. قوانین مربوط به داده‌ها در ایران
• 73. مقررات مربوط به محتوای دیجیتال
• 74. چارچوب‌های اخلاقی در هوش مصنوعی
• 75. مقایسه LLMs متن‌باز و اختصاصی
• 76. استفاده از مدل‌های زبانی در کسب‌وکارهای ایرانی
• 77. راهکارهای بومی‌سازی LLMs
• 78. چالش‌های فرهنگی در پذیرش LLMs
• 79. آینده هوش مصنوعی مولد و LLMs
• 80. روندهای جدید در تحقیقات LLMs
• 81. تحولات در معماری‌های مولد
• 82. تأثیر LLMs بر جامعه و اقتصاد
• 83. آموزش و توسعه مهارت‌های مرتبط با LLMs
• 84. کارگاه عملی: استقرار یک مدل زبانی ساده
• 85. کارگاه عملی: تنظیم دقیق یک LLM برای وظیفه خاص
• 86. کارگاه عملی: استفاده از NVIDIA Triton Inference Server
• 87. پروژه عملی: ساخت یک اپلیکیشن مبتنی بر LLM
• 88. ارزیابی نهایی پروژه
• 89. مبانی برنامه‌نویسی پایتون برای هوش مصنوعی
• 90. مقدمه‌ای بر NumPy و Pandas
• 91. مبانی کتابخانه Scikit-learn
• 92. مقدمه‌ای بر TensorFlow و PyTorch
• 93. کار با داده‌های متنی در پایتون
• 94. ابزارهای پردازش زبان طبیعی (NLP) در پایتون
• 95. مقدمه‌ای بر مفاهیم آماری در یادگیری ماشین
• 96. اصول بهینه‌سازی در یادگیری ماشین
• 97. مبانی شبکه‌های عصبی مصنوعی