اپلیکیشن اندرویدی فلش‌کارت آموزشی خلاصه سازی متون با استفاده از SQL و مدل‌های زبانی بزرگ در BigQuery ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره خلاصه سازی متون با استفاده از SQL و مدل‌های زبانی بزرگ در BigQuery ML

موضوع کلی: هوش مصنوعی و تحلیل داده

موضوع میانی: پردازش زبان طبیعی با مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و تحلیل داده
• 2. مبانی یادگیری ماشین
• 3. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 4. معماری ترنسفورمر در LLMs
• 5. کاربرد LLMs در پردازش زبان طبیعی
• 6. مروری بر BigQuery ML
• 7. مزایای استفاده از BigQuery ML
• 8. مفاهیم پایگاه داده رابطه‌ای در BigQuery
• 9. آشنایی با SQL
• 10. دستورات پایه SQL SELECT, FROM, WHERE
• 11. دستورات SQL GROUP BY, HAVING, ORDER BY
• 12. توابع تجمیعی در SQL
• 13. عملیات JOIN در SQL
• 14. زیرپرس و جوها (Subqueries) در SQL
• 15. ساختارهای داده‌ای در BigQuery
• 16. انواع داده در BigQuery
• 17. بارگذاری داده در BigQuery
• 18. پرس و جو از داده‌ها در BigQuery
• 19. پاکسازی و پیش‌پردازش داده‌ها
• 20. شناسایی و مدیریت مقادیر گمشده
• 21. استانداردسازی و نرمال‌سازی داده‌ها
• 22. مهندسی ویژگی (Feature Engineering)
• 23. مقدمه‌ای بر خلاصه‌سازی متن
• 24. انواع خلاصه‌سازی متن (استخراجی و چکیده‌ای)
• 25. چالش‌های خلاصه‌سازی متن
• 26. معیارهای ارزیابی خلاصه‌سازی متن (ROUGE, BLEU)
• 27. مقدمه‌ای بر مدل‌های زبانی بزرگ برای خلاصه‌سازی
• 28. کاربرد LLMs در خلاصه‌سازی استخراجی
• 29. کاربرد LLMs در خلاصه‌سازی چکیده‌ای
• 30. تنظیم دقیق (Fine-tuning) LLMs برای خلاصه‌سازی
• 31. استفاده از BigQuery ML با LLMs
• 32. انتخاب مدل LLM مناسب برای خلاصه‌سازی
• 33. آماده‌سازی داده‌های متنی برای BigQuery ML
• 34. اتصال BigQuery ML به LLMs
• 35. پیاده‌سازی خلاصه‌سازی استخراجی با BigQuery ML و SQL
• 36. پیاده‌سازی خلاصه‌سازی چکیده‌ای با BigQuery ML و LLMs
• 37. مدیریت پارامترهای LLM در BigQuery ML
• 38. بهینه‌سازی پرس و جوهای SQL برای خلاصه‌سازی
• 39. تحلیل نتایج خلاصه‌سازی
• 40. ارزیابی کیفیت خلاصه‌سازی تولید شده
• 41. مقایسه روش‌های مختلف خلاصه‌سازی
• 42. مطالعه موردی: خلاصه‌سازی مقالات علمی
• 43. مطالعه موردی: خلاصه‌سازی اخبار
• 44. مطالعه موردی: خلاصه‌سازی نظرات کاربران
• 45. کاربرد خلاصه‌سازی در کسب و کار
• 46. ملاحظات اخلاقی در استفاده از LLMs
• 47. امنیت داده‌ها در BigQuery
• 48. حریم خصوصی کاربران
• 49. مقایسه BigQuery ML با سایر ابزارهای تحلیل داده
• 50. نقش SQL در تحلیل داده‌های متنی
• 51. مقدمه‌ای بر یادگیری عمیق برای NLP
• 52. شبکه‌های عصبی بازگشتی (RNNs)
• 53. شبکه‌های عصبی کانولوشنال (CNNs) برای متن
• 54. شبکه‌های حافظه بلند کوتاه (LSTMs)
• 55. کاربرد Attention Mechanism
• 56. مدل‌های ترنسفورمر پیشرفته
• 57. GPT و خانواده آن
• 58. BERT و کاربردهای آن
• 59. تکنیک‌های تولید متن
• 60. تولید متن خلاقانه
• 61. کاربرد LLMs در پاسخ به سوالات
• 62. سیستم‌های پرسش و پاسخ
• 63. ترجمه ماشینی با LLMs
• 64. خلاصه‌سازی مکالمات
• 65. تحلیل احساسات با LLMs
• 66. طبقه‌بندی متن با LLMs
• 67. تشخیص موجودیت نام‌گذاری شده (NER)
• 68. استخراج رابطه بین موجودیت‌ها
• 69. مدیریت دانش با LLMs
• 70. ساخت چت‌بات‌های هوشمند
• 71. مقدمه‌ای بر پایگاه‌های داده برداری
• 72. نمایه‌سازی و جستجو در پایگاه‌های داده برداری
• 73. کاربرد پایگاه‌های داده برداری در LLMs
• 74. ادغام BigQuery با پایگاه‌های داده برداری
• 75. تنظیم دقیق مدل‌های زبانی برای وظایف خاص
• 76. یادگیری انتقالی (Transfer Learning)
• 77. یادگیری تقویتی (Reinforcement Learning) برای NLP
• 78. معماری‌های ترکیبی LLM
• 79. بهینه‌سازی مصرف منابع LLMs
• 80. مقیاس‌پذیری سیستم‌های خلاصه‌سازی
• 81. ارزیابی جامع عملکرد سیستم
• 82. ملاحظات عملی در پیاده‌سازی
• 83. استانداردهای صنعتی برای خلاصه‌سازی متن
• 84. روندهای آینده در خلاصه‌سازی متن
• 85. نوآوری در LLMs برای تحلیل داده
• 86. کاربرد LLMs در خودکارسازی وظایف
• 87. توسعه ابزارهای تحلیل متن مبتنی بر LLM
• 88. آینده پردازش زبان طبیعی
• 89. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 90. معماری‌های پردازش داده‌های بزرگ
• 91. مفاهیم کلیدی در تحلیل داده
• 92. مدیریت چرخه عمر داده
• 93. اخلاق در علم داده
• 94. ملاحظات امنیتی در تحلیل داده
• 95. مقدمه‌ای بر یادگیری بدون نظارت
• 96. یادگیری نظارت شده در مقابل بدون نظارت
• 97. کاربرد LLMs در یادگیری بدون نظارت
• 98. تحلیل خوشه‌ای متن
• 99. تشخیص ناهنجاری در متن
• 100. خلاصه‌سازی متون حقوقی