اپلیکیشن اندرویدی فلش‌کارت آموزشی استقرار خطوط لوله PromptFlow در خدمات مدیریت شده Azure برای مدل‌های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار خطوط لوله PromptFlow در خدمات مدیریت شده Azure برای مدل‌های هوش مصنوعی

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی در خدمات ابری

موضوع میانی: توسعه و استقرار مدل‌های زبان بزرگ (LLMs)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و پردازش زبان طبیعی
• 2. اصول یادگیری ماشین در خدمات ابری
• 3. مفاهیم کلیدی مدل‌های زبان بزرگ (LLMs)
• 4. معماری مدل‌های ترنسفورمر
• 5. مبانی PromptFlow
• 6. ایجاد جریان‌های کاری PromptFlow
• 7. اتصال به خدمات Azure
• 8. استقرار مدل‌های LLM در Azure Machine Learning
• 9. مدیریت داده‌ها در Azure
• 10. امنیت در استقرار مدل‌های هوش مصنوعی
• 11. پایش و مانیتورینگ مدل‌ها
• 12. بهینه‌سازی عملکرد مدل‌ها
• 13. مقدمه‌ای بر Azure Kubernetes Service (AKS)
• 14. استقرار PromptFlow در AKS
• 15. مدیریت منابع در AKS
• 16. مقیاس‌پذیری برنامه‌های هوش مصنوعی
• 17. مقدمه‌ای بر Azure Container Instances (ACI)
• 18. استقرار PromptFlow در ACI
• 19. مقایسه ACI و AKS
• 20. مقدمه‌ای بر Azure Functions
• 21. استقرار PromptFlow با Azure Functions
• 22. توابع بدون سرور برای پردازش زبان طبیعی
• 23. مقدمه‌ای بر Azure Logic Apps
• 24. استقرار PromptFlow با Azure Logic Apps
• 25. اتوماسیون گردش کار برای مدل‌های هوش مصنوعی
• 26. مقدمه‌ای بر Azure Event Grid
• 27. استفاده از Event Grid برای فعال‌سازی PromptFlow
• 28. مدیریت رویدادها در سیستم‌های ابری
• 29. مقدمه‌ای بر Azure Service Bus
• 30. استفاده از Service Bus برای ارتباط بین اجزای PromptFlow
• 31. صف‌های پیام و موضوعات در Azure
• 32. مقدمه‌ای بر Azure Cosmos DB
• 33. ذخیره‌سازی داده‌ها برای مدل‌های LLM
• 34. مدیریت پایگاه داده NoSQL در Azure
• 35. مقدمه‌ای بر Azure Blob Storage
• 36. ذخیره‌سازی فایل‌ها و مدل‌ها در Azure
• 37. مدیریت داده‌های بدون ساختار
• 38. مقدمه‌ای بر Azure Data Factory
• 39. اتصال و تبدیل داده‌ها برای PromptFlow
• 40. طراحی خطوط لوله ETL/ELT
• 41. مقدمه‌ای بر Azure Databricks
• 42. تحلیل داده‌های بزرگ با Databricks
• 43. استفاده از Spark در Azure
• 44. مقدمه‌ای بر Azure Cognitive Services
• 45. خدمات پردازش زبان طبیعی Azure
• 46. یکپارچه‌سازی Cognitive Services با PromptFlow
• 47. مقدمه‌ای بر Azure OpenAI Service
• 48. استقرار مدل‌های OpenAI در Azure
• 49. توسعه برنامه‌های کاربردی با Azure OpenAI
• 50. کاربرد LLMs در خدمات مشتری
• 51. توسعه چت‌بات‌های هوشمند
• 52. بهبود تجربه کاربری با هوش مصنوعی
• 53. مقدمه‌ای بر پردازش اسناد
• 54. استخراج اطلاعات از اسناد
• 55. طبقه‌بندی اسناد با LLMs
• 56. مقدمه‌ای بر خلاصه‌سازی متن
• 57. تولید خلاصه‌های خودکار
• 58. کاربرد خلاصه‌سازی در گزارش‌دهی
• 59. مقدمه‌ای بر تحلیل احساسات
• 60. شناسایی و دسته‌بندی احساسات در متن
• 61. کاربرد تحلیل احساسات در بازاریابی
• 62. مقدمه‌ای بر ترجمه ماشینی
• 63. ترجمه متون با استفاده از LLMs
• 64. بهبود ارتباطات چندزبانه
• 65. مقدمه‌ای بر تولید متن خلاقانه
• 66. تولید محتوای متنی جدید
• 67. کاربرد در نوشتن داستان و شعر
• 68. مقدمه‌ای بر تشخیص موجودیت نام‌گذاری شده (NER)
• 69. شناسایی موجودیت‌های کلیدی در متن
• 70. کاربرد NER در تحلیل داده‌ها
• 71. مقدمه‌ای بر پاسخگویی به سوالات
• 72. ساخت سیستم‌های پرسش و پاسخ
• 73. بهبود دسترسی به اطلاعات
• 74. مقدمه‌ای بر ارزیابی مدل‌های LLM
• 75. معیارهای سنجش کیفیت مدل‌ها
• 76. روش‌های ارزیابی کمی و کیفی
• 77. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 78. سوگیری در مدل‌های هوش مصنوعی
• 79. مسئولیت‌پذیری در توسعه AI
• 80. مقدمه‌ای بر حاکمیت داده‌ها
• 81. مدیریت و کنترل داده‌ها
• 82. رعایت مقررات مربوط به داده‌ها
• 83. مقدمه‌ای بر امنیت سایبری در AI
• 84. حفاظت از مدل‌ها و داده‌ها
• 85. مقابله با حملات سایبری
• 86. مقدمه‌ای بر توسعه پایدار AI
• 87. کاهش اثرات زیست‌محیطی
• 88. استفاده بهینه از منابع
• 89. مقدمه‌ای بر آینده هوش مصنوعی
• 90. روندهای نوظهور در LLMs
• 91. تحولات آتی در پردازش زبان طبیعی
• 92. مقدمه‌ای بر معماری‌های توزیع شده
• 93. طراحی سیستم‌های مقیاس‌پذیر
• 94. هماهنگ‌سازی پردازش‌ها
• 95. مقدمه‌ای بر مدیریت پیکربندی
• 96. تنظیم پارامترهای مدل‌ها
• 97. کنترل و به‌روزرسانی تنظیمات
• 98. مقدمه‌ای بر ابزارهای مانیتورینگ
• 99. ردیابی عملکرد سیستم‌ها
• 100. شناسایی مشکلات احتمالی