اپلیکیشن اندرویدی فلش‌کارت آموزشی راهنمای عملی ارزیابی و پیاده‌سازی برنامه‌های کاربردی مبتنی بر LLM با استفاده از تکنیک‌های RAG

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای عملی ارزیابی و پیاده‌سازی برنامه‌های کاربردی مبتنی بر LLM با استفاده از تکنیک‌های RAG

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: ارزیابی و بهینه‌سازی مدل‌های زبان بزرگ (LLM)

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر مدل‌های زبان بزرگ (LLM)
• 3. معماری مدل‌های ترنسفورمر
• 4. پیش‌نمایش مدل‌های زبان بزرگ
• 5. کاربردهای مدل‌های زبان بزرگ
• 6. مبانی بازیابی اطلاعات (Information Retrieval)
• 7. اصول استخراج اطلاعات (Information Extraction)
• 8. مقدمه‌ای بر پایگاه‌های دانش (Knowledge Bases)
• 9. تکنیک‌های جستجوی سنتی
• 10. محدودیت‌های جستجوی سنتی
• 11. مقدمه‌ای بر بازیابی افزوده (Retrieval Augmented Generation - RAG)
• 12. چرا RAG؟ مزایا و انگیزه‌ها
• 13. اجزای اصلی سیستم RAG
• 14. موتور جستجو (Retriever)
• 15. مولد متن (Generator)
• 16. پیوند بین موتور جستجو و مولد
• 17. مراحل پیاده‌سازی یک سیستم RAG
• 18. انتخاب مدل زبان بزرگ مناسب
• 19. تنظیمات و پارامترهای مدل زبان بزرگ
• 20. آماده‌سازی و پیش‌پردازش داده‌ها برای RAG
• 21. ایجاد و مدیریت پایگاه دانش برای RAG
• 22. فهرست‌بندی (Indexing) اسناد
• 23. انواع روش‌های فهرست‌بندی
• 24. استفاده از Embeddings برای نمایش اسناد
• 25. مدل‌های Embedding پرکاربرد
• 26. محاسبه شباهت بین پرس‌وجو و اسناد
• 27. معیارهای ارزیابی موتور جستجو
• 28. دقت (Precision) در بازیابی
• 29. بازیابی (Recall) در بازیابی
• 30. امتیاز F1 در بازیابی
• 31. معیارهای ارزیابی مولد متن
• 32. تولید متن روان و مرتبط
• 33. انسجام و منطق در متن تولید شده
• 34. ارزیابی کیفیت پاسخ‌ها
• 35. معیارهای ارزیابی کلی سیستم RAG
• 36. ارزیابی مبتنی بر پرس‌وجوهای واقعی
• 37. ارزیابی مبتنی بر داده‌های آزمایشی
• 38. ارزیابی انسانی (Human Evaluation)
• 39. طراحی سناریوهای ارزیابی
• 40. جمع‌آوری بازخورد کاربران
• 41. استفاده از ابزارهای ارزیابی خودکار
• 42. تنظیم پارامترهای موتور جستجو
• 43. بهینه‌سازی اندازه پنجره متن (Context Window)
• 44. تنظیم پارامترهای مولد متن
• 45. تنظیمات دما (Temperature) و Top-k Sampling
• 46. کاهش توهم (Hallucination) در LLMها
• 47. تکنیک‌های کاهش توهم در RAG
• 48. ارزیابی و رفع توهم در پاسخ‌ها
• 49. مدیریت اطلاعات حساس و محرمانه
• 50. امنیت داده‌ها در سیستم‌های RAG
• 51. حفظ حریم خصوصی کاربران
• 52. اصول اخلاقی در استفاده از LLMها
• 53. شفافیت در عملکرد سیستم‌های RAG
• 54. قابلیت توضیح‌پذیری (Explainability) در LLMها
• 55. مدیریت خطا و شکست در سیستم RAG
• 56. استراتژی‌های بازیابی خطا
• 57. بازخورد و بهبود مداوم سیستم
• 58. مقدمه‌ای بر مفاهیم پیشرفته RAG
• 59. RAG سلسله مراتبی (Hierarchical RAG)
• 60. RAG چندوجهی (Multi-modal RAG)
• 61. RAG با حافظه (RAG with Memory)
• 62. RAG تطبیقی (Adaptive RAG)
• 63. بهینه‌سازی عملکرد و سرعت سیستم RAG
• 64. مدیریت منابع محاسباتی
• 65. استفاده از سخت‌افزار مناسب
• 66. فشرده‌سازی مدل‌ها و داده‌ها
• 67. پایش و مانیتورینگ سیستم در حال اجرا
• 68. تشخیص و رفع مشکلات عملکردی
• 69. ارزیابی و بهبود مداوم کیفیت پاسخ‌ها
• 70. مطالعات موردی پیاده‌سازی RAG
• 71. کاربرد RAG در پشتیبانی مشتریان
• 72. کاربرد RAG در تولید محتوا
• 73. کاربرد RAG در تحلیل داده‌ها
• 74. کاربرد RAG در سیستم‌های پرسش و پاسخ سازمانی
• 75. کاربرد RAG در آموزش
• 76. بررسی چالش‌های رایج در پیاده‌سازی RAG
• 77. آینده مدل‌های زبان بزرگ و RAG
• 78. روندهای نوظهور در زمینه RAG
• 79. نقش هوش مصنوعی در ارتقای سیستم‌های اطلاعاتی
• 80. مبانی اخلاق در توسعه هوش مصنوعی
• 81. قوانین و مقررات مرتبط با هوش مصنوعی در ایران
• 82. آینده شغلی در حوزه هوش مصنوعی و LLM
• 83. مهارت‌های لازم برای متخصصان LLM و RAG
• 84. گام‌های بعدی در یادگیری و توسعه
• 85. جمع‌بندی مباحث کلیدی
• 86. مرور کلی بر ارزیابی مدل‌های زبان بزرگ
• 87. مرور کلی بر تکنیک‌های RAG
• 88. اهمیت ارزیابی در چرخه عمر LLM
• 89. اصول طراحی سیستم‌های LLM پایدار