اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت و به‌کارگیری مدل‌های زبان سفارشی با Florence-2

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و به‌کارگیری مدل‌های زبان سفارشی با Florence-2

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی و مدل‌های زبانی

📋 سرفصل‌های دوره

• 1. مقدمه بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 4. مروری بر مدل‌های زبانی
• 5. تاریخچه پردازش زبان طبیعی
• 6. کاربردهای پردازش زبان طبیعی
• 7. معماری‌های مدل‌های زبانی سنتی
• 8. شبکه‌های عصبی بازگشتی (RNN)
• 9. حافظه طولانی کوتاه مدت (LSTM)
• 10. واحد بازگشتی دروازه‌ای (GRU)
• 11. شبکه‌های عصبی کانولوشنی (CNN) برای متن
• 12. مقدمه بر ترنسفورمرها
• 13. مکانیسم توجه (Attention Mechanism)
• 14. مکانیسم توجه چندسر (Multi-Head Attention)
• 15. معماری ترنسفورمر: رمزگذار و رمزگشا
• 16. مدل‌های زبانی مبتنی بر ترنسفورمر
• 17. مقدمه بر مدل‌های زبانی بزرگ (LLMs)
• 18. معماری GPT
• 19. معماری BERT
• 20. مفاهیم پیش‌آموزش (Pre-training)
• 21. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 22. مجموعه داده‌ها برای آموزش مدل‌های زبانی
• 23. پیش‌پردازش متن: توکن‌سازی
• 24. پیش‌پردازش متن: حذف کلمات توقف
• 25. پیش‌پردازش متن: ریشه‌یابی و بن‌واژه‌سازی
• 26. نمایش کلمات: کیسه‌های کلمات (Bag-of-Words)
• 27. نمایش کلمات: TF-IDF
• 28. نمایش کلمات: Word Embeddings
• 29. Word2Vec
• 30. GloVe
• 31. FastText
• 32. آموزش مدل‌های زبانی سفارشی
• 33. مقدمه بر Florence-2
• 34. معماری Florence-2
• 35. قابلیت‌های Florence-2 در درک زبان
• 36. قابلیت‌های Florence-2 در تولید زبان
• 37. مدل‌های چندوجهی (Multimodal Models)
• 38. پردازش تصاویر با Florence-2
• 39. تولید توضیحات تصویر با Florence-2
• 40. پرسش و پاسخ تصویری (Visual Question Answering)
• 41. تشخیص اشیاء در تصاویر
• 42. دسته‌بندی تصاویر
• 43. ادغام متن و تصویر در Florence-2
• 44. ساخت مدل سفارشی برای وظایف خاص
• 45. انتخاب وظیفه مناسب برای مدل سفارشی
• 46. جمع‌آوری و آماده‌سازی داده‌های سفارشی
• 47. آموزش مدل Florence-2 با داده‌های سفارشی
• 48. ارزیابی عملکرد مدل سفارشی
• 49. معیارهای ارزیابی برای مدل‌های زبانی
• 50. معیارهای ارزیابی برای مدل‌های بینایی ماشین
• 51. بهینه‌سازی مدل Florence-2
• 52. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 53. تکنیک‌های منظم‌سازی (Regularization)
• 54. استفاده از پردازش ابری برای آموزش
• 55. استقرار (Deployment) مدل‌های Florence-2
• 56. روش‌های استقرار مدل
• 57. استقرار مدل بر روی سرویس‌های ابری
• 58. استقرار مدل بر روی دستگاه‌های لبه
• 59. ملاحظات امنیتی در استقرار مدل
• 60. اخلاق در هوش مصنوعی و مدل‌های زبانی
• 61. سوگیری در داده‌ها و مدل‌ها
• 62. کاهش سوگیری در مدل‌های زبانی
• 63. مسئولیت‌پذیری در استفاده از هوش مصنوعی
• 64. حریم خصوصی در پردازش زبان طبیعی
• 65. کاربردهای پیشرفته مدل‌های زبانی
• 66. تولید متن خلاقانه
• 67. خلاصه‌سازی خودکار متون
• 68. ترجمه ماشینی
• 69. تحلیل احساسات متون
• 70. تشخیص موجودیت نام‌گذاری شده (NER)
• 71. سیستم‌های پرسش و پاسخ
• 72. ربات‌های گفتگو (Chatbots)
• 73. مدل‌های زبانی در حوزه سلامت
• 74. مدل‌های زبانی در حوزه آموزش
• 75. مدل‌های زبانی در حوزه حقوق
• 76. چالش‌های آینده در پردازش زبان طبیعی
• 77. روندهای تحقیقاتی جدید
• 78. معرفی مدل‌های زبانی جدیدتر
• 79. مفاهیم پیشرفته‌تر در ترنسفورمرها
• 80. مدل‌های زبانی مولد (Generative Models)
• 81. یادگیری تقویتی برای مدل‌های زبانی
• 82. یادگیری انتقالی (Transfer Learning) در مدل‌های زبانی
• 83. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 84. یادگیری خودنظارتی (Self-supervised Learning)
• 85. استفاده از مدل‌های زبانی برای تحلیل داده‌های حجیم
• 86. پیاده‌سازی عملی با کتابخانه‌ها
• 87. آشنایی با کتابخانه Hugging Face Transformers
• 88. استفاده از TensorFlow و PyTorch
• 89. ساخت یک برنامه کاربردی ساده با Florence-2
• 90. مثال عملی: ساخت یک مدل طبقه‌بندی متن سفارشی
• 91. مثال عملی: ساخت یک مدل تولید متن سفارشی
• 92. مثال عملی: تحلیل احساسات متون فارسی
• 93. مثال عملی: خلاصه‌سازی متون فارسی
• 94. مثال عملی: پرسش و پاسخ بر روی اسناد فارسی
• 95. جمع‌بندی و آینده هوش مصنوعی و مدل‌های زبانی
• 96. مروری بر آموخته‌ها
• 97. مسیرهای یادگیری بیشتر
• 98. منابع برای مطالعه بیشتر