اپلیکیشن اندرویدی فلشکارت آموزشی آموزش مدلهای زبانی ترنسفورمر (Transformer) برای کاربردهای خاص در هوش مصنوعی مولد
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره آموزش مدلهای زبانی ترنسفورمر (Transformer) برای کاربردهای خاص در هوش مصنوعی مولد
موضوع کلی: هوش مصنوعی و یادگیری ماشین
موضوع میانی: مدلهای پیشرفته یادگیری ماشین
📋 سرفصلهای دوره
- 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
- 2. مبانی یادگیری ماشین
- 3. انواع یادگیری ماشین
- 4. یادگیری نظارت شده
- 5. یادگیری بدون نظارت
- 6. یادگیری تقویتی
- 7. مقدمه ای بر شبکه های عصبی
- 8. شبکه های عصبی پرسپترون چند لایه
- 9. توابع فعال سازی در شبکه های عصبی
- 10. بهینه سازی شبکه های عصبی
- 11. روش های پس انتشار خطا
- 12. مقدمه ای بر پردازش زبان طبیعی
- 13. مدل های زبانی آماری
- 14. شبکه های عصبی بازگشتی (RNN)
- 15. حافظه طولانی کوتاه مدت (LSTM)
- 16. واحد بازگشتی جریان یافته (GRU)
- 17. مقدمه ای بر مدل های ترنسفورمر
- 18. معماری ترنسفورمر
- 19. مکانیسم توجه (Attention Mechanism)
- 20. توجه چند سر (Multi-Head Attention)
- 21. کدگذار (Encoder) و رمزگشا (Decoder) در ترنسفورمر
- 22. ترنسفورمرهای مبتنی بر کدگذار (Encoder-only Transformers)
- 23. ترنسفورمرهای مبتنی بر رمزگشا (Decoder-only Transformers)
- 24. ترنسفورمرهای کدگذار-رمزگشا (Encoder-Decoder Transformers)
- 25. مدل های زبانی بزرگ (LLMs)
- 26. معرفی مدل های ترنسفورمر پیشرفته
- 27. BERT و کاربردهای آن
- 28. GPT و تکامل آن
- 29. مدل های مولد (Generative Models)
- 30. مقدمه ای بر هوش مصنوعی مولد
- 31. کاربرد مدل های ترنسفورمر در هوش مصنوعی مولد
- 32. تنظیم دقیق (Fine-tuning) مدل های ترنسفورمر
- 33. فرایند تنظیم دقیق
- 34. انتخاب مجموعه داده مناسب برای تنظیم دقیق
- 35. پیش پردازش داده ها برای تنظیم دقیق
- 36. تنظیم دقیق برای وظایف تولید متن
- 37. تنظیم دقیق برای وظایف ترجمه ماشینی
- 38. تنظیم دقیق برای وظایف خلاصه سازی متن
- 39. تنظیم دقیق برای وظایف پاسخ به سوال
- 40. تنظیم دقیق برای وظایف تولید کد
- 41. تنظیم دقیق برای وظایف تولید تصویر (با رویکرد متنی)
- 42. تنظیم دقیق برای وظایف تولید صدا (با رویکرد متنی)
- 43. تنظیم دقیق برای وظایف چت بات و دستیاران مجازی
- 44. بهینه سازی فرایند تنظیم دقیق
- 45. تکنیک های تنظیم دقیق کارآمد (Parameter-Efficient Fine-Tuning - PEFT)
- 46. LoRA (Low-Rank Adaptation)
- 47. Adapter-based Tuning
- 48. Prompt Tuning
- 49. Prefix Tuning
- 50. تکنیک های پیشرفته تنظیم دقیق
- 51. تنظیم دقیق مبتنی بر دستورالعمل (Instruction Tuning)
- 52. تنظیم دقیق مبتنی بر یادگیری تقویتی از بازخورد انسانی (RLHF)
- 53. ارزیابی مدل های تنظیم شده
- 54. معیارهای ارزیابی برای وظایف زبانی
- 55. معیارهای ارزیابی برای وظایف تولید متن
- 56. معیارهای ارزیابی برای وظایف تولید تصویر
- 57. معیارهای ارزیابی برای وظایف تولید صدا
- 58. معیارهای ارزیابی برای وظایف تولید کد
- 59. ملاحظات اخلاقی در هوش مصنوعی مولد
- 60. سوگیری در مدل های هوش مصنوعی
- 61. شفافیت و قابلیت تفسیر مدل ها
- 62. امنیت و حریم خصوصی در هوش مصنوعی مولد
- 63. کاربردهای صنعتی هوش مصنوعی مولد
- 64. هوش مصنوعی مولد در صنعت تولید محتوا
- 65. هوش مصنوعی مولد در صنعت نرم افزار
- 66. هوش مصنوعی مولد در صنعت خدمات مشتری
- 67. هوش مصنوعی مولد در صنعت آموزش
- 68. هوش مصنوعی مولد در صنعت سلامت
- 69. هوش مصنوعی مولد در صنعت مالی
- 70. محدودیت های مدل های ترنسفورمر
- 71. چالش های مقیاس پذیری
- 72. چالش های محاسباتی
- 73. آینده پژوهش در هوش مصنوعی مولد
- 74. مدل های چندوجهی (Multimodal Models)
- 75. تولید محتوای ترکیبی (متن، تصویر، صدا)
- 76. هوش مصنوعی مولد مسئولیت پذیر
- 77. توسعه ابزارهای ساده سازی استفاده از مدل های ترنسفورمر
- 78. آموزش و توسعه مهارت های مرتبط با هوش مصنوعی مولد
- 79. مقدمه ای بر پلتفرم های یادگیری ماشین
- 80. استفاده از TensorFlow برای تنظیم دقیق
- 81. استفاده از PyTorch برای تنظیم دقیق
- 82. استفاده از Hugging Face Transformers
- 83. راه اندازی محیط توسعه
- 84. نصب کتابخانه های مورد نیاز
- 85. کار با مدل های از پیش آموزش دیده
- 86. بارگذاری مدل های ترنسفورمر
- 87. آماده سازی داده ها برای مدل
- 88. اجرای استنتاج (Inference) با مدل تنظیم شده
- 89. ذخیره و بارگذاری مدل تنظیم شده
- 90. مثال های عملی از تنظیم دقیق مدل ها
- 91. ساخت یک مدل مولد متن ساده
- 92. تنظیم دقیق یک مدل برای پاسخ به سوالات تخصصی
- 93. تنظیم دقیق یک مدل برای خلاصه سازی اخبار
- 94. مبانی مهندسی پرامپت (Prompt Engineering)
- 95. اصول طراحی پرامپت های موثر
- 96. انواع تکنیک های مهندسی پرامپت
- 97. نقش مهندسی پرامپت در تنظیم دقیق
- 98. جمع بندی و مسیرهای آینده
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.