دوره ساخت مدل‌های زبانی بزرگ با ترنسفورمرها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های زبانی بزرگ با ترنسفورمرها

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی ترنسفورمر (Transformer Networks)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌های زبانی بزرگ
• 2. مبانی شبکه‌های عصبی
• 3. آشنایی با معماری ترنسفورمر
• 4. مفهوم توجه (Attention) در ترنسفورمرها
• 5. انواع مکانیزم‌های توجه
• 6. ساختار رمزگذار (Encoder) در ترنسفورمر
• 7. ساختار رمزگشا (Decoder) در ترنسفورمر
• 8. توکن‌سازی (Tokenization) و بردارهای کلمه
• 9. روش‌های پیشرفته توکن‌سازی
• 10. مدل‌های زبانی مبتنی بر ترنسفورمر (مانند BERT)
• 11. آموزش مدل‌های زبانی بزرگ
• 12. مجموعه داده‌های مورد نیاز برای آموزش
• 13. پاکسازی و پیش‌پردازش داده‌ها
• 14. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 15. تکنیک‌های تنظیم ابرپارامترها
• 16. بهینه‌سازی مدل‌های زبانی
• 17. روش‌های بهینه‌سازی گرادیان
• 18. کاهش نرخ یادگیری (Learning Rate Scheduling)
• 19. نرمال‌سازی دسته‌ای (Batch Normalization)
• 20. نرمال‌سازی لایه‌ای (Layer Normalization)
• 21. تنظیمات مربوط به بهینه‌سازی
• 22. مفاهیم اولیه یادگیری عمیق
• 23. توابع فعال‌سازی (Activation Functions)
• 24. توابع زیان (Loss Functions)
• 25. تکنیک‌های منظم‌سازی (Regularization)
• 26. پیاده‌سازی ترنسفورمر با PyTorch
• 27. پیاده‌سازی ترنسفورمر با TensorFlow
• 28. ساخت واژگان (Vocabulary)
• 29. تعبیه‌سازی کلمات (Word Embeddings)
• 30. مدل‌های تعبیه‌سازی اولیه
• 31. تعبیه‌سازی‌های مبتنی بر ترنسفورمر
• 32. مدل‌های زبانی پیش‌نیاز (Pre-trained Language Models)
• 33. کاربرد مدل‌های پیش‌نیاز
• 34. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 35. روش‌های تنظیم دقیق
• 36. تنظیم دقیق برای وظایف طبقه‌بندی متن
• 37. تنظیم دقیق برای وظایف استخراج اطلاعات
• 38. تنظیم دقیق برای وظایف تولید متن
• 39. چالش‌های تنظیم دقیق
• 40. ارزیابی مدل‌های زبانی
• 41. معیارهای ارزیابی برای طبقه‌بندی
• 42. معیارهای ارزیابی برای تولید متن
• 43. معیارهای ارزیابی برای درک مطلب
• 44. مدل‌های تولید متن (Generative Models)
• 45. مدل‌های زبانی مولد (GPT)
• 46. معماری GPT
• 47. آموزش مدل‌های GPT
• 48. تنظیم دقیق مدل‌های GPT
• 49. تولید متن خلاقانه
• 50. تولید کد با مدل‌های زبانی
• 51. تولید محتوای آموزشی
• 52. مدل‌های زبانی برای ترجمه ماشینی
• 53. آموزش مدل‌های ترجمه
• 54. معماری‌های ترجمه عصبی
• 55. ارزیابی ترجمه ماشینی
• 56. پردازش زبان طبیعی در ایران
• 57. مدل‌های زبانی فارسی
• 58. منابع داده برای زبان فارسی
• 59. چالش‌های زبان فارسی در مدل‌سازی
• 60. کاربردهای مدل‌های زبانی در صنعت
• 61. مدل‌های زبانی برای خلاصه‌سازی متن
• 62. تکنیک‌های خلاصه‌سازی انتزاعی
• 63. تکنیک‌های خلاصه‌سازی استخراجی
• 64. مدل‌های زبانی برای پرسش و پاسخ
• 65. سیستم‌های پرسش و پاسخ مبتنی بر دانش
• 66. مدل‌های زبانی برای تحلیل احساسات
• 67. مدل‌های زبانی برای تشخیص اسپم
• 68. مدل‌های زبانی برای تشخیص موضوع
• 69. مدل‌های زبانی برای تشخیص صحت اخبار
• 70. مدل‌های زبانی برای دستیارهای صوتی
• 71. معماری‌های مدل‌های زبانی بزرگ
• 72. لایه‌های ترنسفورمر
• 73. مسائل مربوط به مقیاس‌پذیری
• 74. تکنیک‌های آموزش توزیع‌شده
• 75. کاهش مصرف حافظه در مدل‌های بزرگ
• 76. روش‌های کوانتیزه‌سازی (Quantization)
• 77. تقطیر دانش (Knowledge Distillation)
• 78. استفاده از سخت‌افزار تخصصی (GPU/TPU)
• 79. مدیریت منابع محاسباتی
• 80. اخلاق در مدل‌های زبانی بزرگ
• 81. سوگیری در مدل‌های زبانی
• 82. کاهش سوگیری در مدل‌های زبانی
• 83. شفافیت و قابلیت تفسیر مدل‌ها
• 84. امنیت مدل‌های زبانی
• 85. ملاحظات شرعی و قانونی در استفاده از مدل‌ها
• 86. کاربرد مدل‌های زبانی در آموزش مجازی
• 87. تولید محتوای درسی با مدل‌های زبانی
• 88. ارزیابی خودکار پاسخ‌های دانشجویان
• 89. شخصی‌سازی مسیر یادگیری
• 90. مدل‌های زبانی برای یادگیری زبان
• 91. پشتیبانی از زبان فارسی در مدل‌های زبانی
• 92. پژوهش‌های آتی در مدل‌های زبانی
• 93. چالش‌های پیش رو در حوزه مدل‌های زبانی
• 94. نتیجه‌گیری و چشم‌انداز آینده
• 95. آشنایی با چارچوب‌های برنامه‌نویسی
• 96. اصول طراحی معماری‌های یادگیری عمیق
• 97. مدل‌سازی زبان برای درک معنایی
• 98. مفاهیم پیشرفته در شبکه‌های عصبی بازگشتی
• 99. کاربرد مدل‌های زبانی در حوزه سلامت
• 100. تولید محتوای پزشکی با مدل‌های زبانی