دوره مهندسی و مدیریت پلتفرم‌های متن‌باز برای مدل‌های زبانی بزرگ (LLMs) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی و مدیریت پلتفرم‌های متن‌باز برای مدل‌های زبانی بزرگ (LLMs)

موضوع کلی: مهندسی نرم‌افزار و پلتفرم‌های هوش مصنوعی

موضوع میانی: ابزارها و پلتفرم‌های مهندسی مدل‌های زبانی بزرگ (LLMs)

📋 سرفصل‌های دوره

• 1. مبانی مهندسی نرم‌افزار مدل‌های زبانی بزرگ
• 2. مقدمه‌ای بر پلتفرم‌های متن‌باز LLM
• 3. معماری LangFuse و اجزای کلیدی
• 4. نصب و راه‌اندازی LangFuse
• 5. پیکربندی LangFuse برای پروژه‌ها
• 6. مدیریت داده‌های آموزشی LLM
• 7. گردآوری و پاکسازی داده‌های متنی
• 8. پیش‌پردازش داده‌ها برای LLM
• 9. ذخیره‌سازی و مدیریت داده‌های LLM
• 10. مفهوم Prompt Engineering
• 11. اصول طراحی Promptهای مؤثر
• 12. تکنیک‌های پیشرفته Prompt Engineering
• 13. ارزیابی Promptها و بهبود عملکرد
• 14. مدیریت تاریخچه Promptها در LangFuse
• 15. ردیابی اجرای مدل‌های LLM
• 16. ثبت و مشاهده لاگ‌های اجرای مدل
• 17. مانیتورینگ پارامترهای مدل و ورودی‌ها
• 18. تحلیل نتایج اجرای مدل
• 19. مدیریت نسخه‌های مختلف مدل
• 20. مفهوم Retrieval Augmented Generation (RAG)
• 21. پیاده‌سازی RAG با LangFuse
• 22. اتصال به پایگاه‌های داده برداری
• 23. بهینه‌سازی فرآیند بازیابی اطلاعات
• 24. ارزیابی سیستم‌های RAG
• 25. تست و اعتبارسنجی مدل‌های LLM
• 26. تعریف معیارهای ارزیابی
• 27. اجرای تست‌های واحد و یکپارچه‌سازی
• 28. تحلیل خطاها و بهبود مدل
• 29. استفاده از LangFuse برای ارزیابی خودکار
• 30. مفهوم Fine-tuning LLMs
• 31. آماده‌سازی داده‌ها برای Fine-tuning
• 32. فرآیند Fine-tuning با ابزارهای متن‌باز
• 33. ارزیابی مدل‌های Fine-tuned
• 34. مدیریت مدل‌های Fine-tuned در LangFuse
• 35. استقرار مدل‌های LLM
• 36. استراتژی‌های استقرار مدل
• 37. استقرار محلی و ابری
• 38. مانیتورینگ عملکرد مدل مستقر شده
• 39. مدیریت چرخه عمر مدل
• 40. امنیت در پلتفرم‌های LLM
• 41. اصول امنیت داده‌ها
• 42. حفاظت از مدل‌ها و Promptها
• 43. مدیریت دسترسی و مجوزها
• 44. پیروی از مقررات حفاظت از داده‌ها
• 45. مقدمه‌ای بر MLOps برای LLMs
• 46. اصول MLOps و کاربرد آن
• 47. یکپارچه‌سازی LangFuse در پایپ‌لاین MLOps
• 48. اتوماسیون فرآیندهای LLM Engineering
• 49. بهبود همکاری تیمی در پروژه‌های LLM
• 50. استفاده از LangFuse برای همکاری تیمی
• 51. مدیریت دانش و مستندسازی
• 52. اشتراک‌گذاری یافته‌ها و نتایج
• 53. تیم‌ورک در مهندسی LLM
• 54. توسعه پایدار مدل‌های زبانی
• 55. ملاحظات اخلاقی در LLMs
• 56. تنوع و فراگیری در داده‌ها و مدل‌ها
• 57. کاهش سوگیری در مدل‌های زبانی
• 58. مسئولیت‌پذیری در توسعه LLM
• 59. نگرش علمی به مدل‌های زبانی
• 60. مبانی کار با Embeddings
• 61. تولید و استفاده از Embeddings
• 62. شباهت‌یابی متنی با Embeddings
• 63. کاربرد Embeddings در جستجو و دسته‌بندی
• 64. مدیریت Embeddings در LangFuse
• 65. اتصال به سرویس‌های خارجی LLM
• 66. استفاده از APIهای مدل‌های پیشرو
• 67. مدیریت کلیدهای API و هزینه‌ها
• 68. مقایسه عملکرد مدل‌های مختلف
• 69. یکپارچه‌سازی مدل‌های سفارشی
• 70. مفاهیم پیشرفته در Prompt Engineering
• 71. Prompt Chaining و Chain of Thought
• 72. Self-Correction و Tree of Thoughts
• 73. تکنیک‌های Few-shot و Zero-shot Learning
• 74. طراحی Prompt برای وظایف پیچیده
• 75. ارزیابی کمی و کیفی Promptها
• 76. اصول مهندسی داده برای LLMs
• 77. انتخاب و استخراج ویژگی
• 78. روش‌های نمونه‌برداری داده
• 79. مدیریت داده‌های نامتعادل
• 80. کیفیت‌سنجی داده‌های ورودی
• 81. تکنیک‌های ارزیابی مدل‌های زبانی
• 82. Perplexity و BLEU Score
• 83. ROUGE Score و METEOR Score
• 84. ارزیابی انسانی و معیارهای کیفی
• 85. ابزارهای ارزیابی خودکار
• 86. مبانی پردازش زبان طبیعی (NLP)
• 87. توکن‌سازی و ریشه‌یابی کلمات
• 88. مدل‌های زبانی آماری
• 89. مدل‌های زبانی مبتنی بر شبکه عصبی
• 90. کاربرد NLP در مهندسی LLM
• 91. مقدمه‌ای بر مدل‌های ترنسفورمر
• 92. معماری ترنسفورمر و مکانیسم توجه
• 93. تکامل مدل‌های ترنسفورمر
• 94. کاربرد ترنسفورمرها در LLMs
• 95. مبانی مهندسی پلتفرم
• 96. معماری میکروسرویس‌ها
• 97. کانتینرسازی با Docker
• 98. ارکستراسیون با Kubernetes
• 99. مدیریت زیرساخت برای LLMs
• 100. امنیت در پلتفرم‌های LLM