دوره استقرار برنامه‌های کاربردی مدل زبان بزرگ (LLM) در پلتفرم‌های ابری منتخب همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار برنامه‌های کاربردی مدل زبان بزرگ (LLM) در پلتفرم‌های ابری منتخب

موضوع کلی: توسعه و استقرار برنامه‌های کاربردی هوش مصنوعی

موضوع میانی: استقرار مدل‌های زبان بزرگ (LLM)

📋 سرفصل‌های دوره

• 1. مبانی توسعه برنامه‌های کاربردی هوش مصنوعی
• 2. مقدمه‌ای بر مدل‌های زبان بزرگ (LLM)
• 3. معماری مدل‌های زبان بزرگ
• 4. کاربردها و پتانسیل‌های LLM
• 5. چرخه حیات توسعه LLM
• 6. آماده‌سازی محیط توسعه
• 7. نصب و پیکربندی ابزارهای توسعه
• 8. مفاهیم کلیدی در LLM
• 9. کار با APIهای مدل‌های زبان
• 10. فریم‌ورک‌های توسعه LLM
• 11. انتخاب فریم‌ورک مناسب
• 12. آشنایی با LangChain
• 13. مبانی LangChain
• 14. ساخت زنجیره‌های (Chains) ساده
• 15. استفاده از Prompt Templates
• 16. مدیریت تاریخچه مکالمه
• 17. کار با مدل‌های مختلف LLM
• 18. اتصال به مدل‌های متن‌باز
• 19. تنظیم پارامترهای مدل
• 20. ارزیابی عملکرد مدل
• 21. کار با Embeddings
• 22. ذخیره‌سازی Embeddings
• 23. پایگاه‌های داده برداری (Vector Databases)
• 24. آشنایی با ChromaDB
• 25. استفاده از ChromaDB در LangChain
• 26. مفاهیم کلیدی در پایگاه‌های داده برداری
• 27. ساخت اپلیکیشن پرسش و پاسخ
• 28. استفاده از اسناد برای پاسخگویی
• 29. بارگذاری و پردازش اسناد
• 30. تقسیم‌بندی اسناد (Document Splitting)
• 31. جستجوی معنایی در اسناد
• 32. تکنیک‌های بازیابی اطلاعات
• 33. بهینه‌سازی نتایج بازیابی
• 34. مبانی استقرار (Deployment)
• 35. فاکتورهای مهم در استقرار
• 36. معرفی پلتفرم‌های ابری
• 37. بررسی Vercel برای استقرار
• 38. معرفی Google Cloud Platform (GCP)
• 39. بررسی Google Cloud Run
• 40. معرفی Microsoft Azure
• 41. بررسی Azure App Service
• 42. انتخاب پلتفرم مناسب
• 43. مراحل کلی استقرار
• 44. استقرار بر روی Vercel
• 45. پیکربندی پروژه برای Vercel
• 46. اتصال به مخازن کد
• 47. تنظیمات Build و Deploy در Vercel
• 48. مدیریت متغیرهای محیطی در Vercel
• 49. استقرار برنامه‌های Full-Stack
• 50. کار با Serverless Functions در Vercel
• 51. بهینه‌سازی عملکرد در Vercel
• 52. مانیتورینگ و لاگ‌گیری در Vercel
• 53. استقرار بر روی Google Cloud Run
• 54. پیکربندی Dockerfile
• 55. ساخت ایمیج Docker
• 56. آپلود ایمیج به Google Container Registry
• 57. تنظیم Google Cloud Run Service
• 58. مدیریت متغیرهای محیطی در GCP
• 59. اتصال به سرویس‌های GCP
• 60. مانیتورینگ و لاگ‌گیری در GCP
• 61. بهینه‌سازی هزینه در GCP
• 62. استقرار بر روی Azure App Service
• 63. انتخاب نوع App Service
• 64. پیکربندی App Service
• 65. استفاده از Deployment Slots
• 66. مدیریت متغیرهای محیطی در Azure
• 67. اتصال به سرویس‌های Azure
• 68. مانیتورینگ و لاگ‌گیری در Azure
• 69. بهینه‌سازی عملکرد در Azure
• 70. مقایسه پلتفرم‌های ابری
• 71. انتخاب بهترین پلتفرم بر اساس نیاز
• 72. امنیت در استقرار برنامه‌های LLM
• 73. مدیریت دسترسی‌ها و احراز هویت
• 74. رعایت حریم خصوصی داده‌ها
• 75. ملاحظات اخلاقی در توسعه LLM
• 76. کاربرد LLM در کسب و کارهای داخلی
• 77. پتانسیل‌های اقتصادی LLM در ایران
• 78. قوانین و مقررات مرتبط با هوش مصنوعی
• 79. استانداردهای فنی در توسعه LLM
• 80. آینده توسعه و استقرار LLM
• 81. چالش‌های پیش رو در استقرار
• 82. نکات تکمیلی برای توسعه‌دهندگان
• 83. جمع‌بندی مباحث استقرار
• 84. کاربردهای پیشرفته LLM
• 85. مدل‌های چندوجهی (Multimodal LLMs)
• 86. تکنیک‌های Fine-tuning مدل‌ها
• 87. بهینه‌سازی مصرف منابع
• 88. پایش مستمر عملکرد برنامه
• 89. روش‌های بهبود تجربه کاربری
• 90. استراتژی‌های مقیاس‌پذیری
• 91. ملاحظات حقوقی و مالکیت معنوی
• 92. توسعه پایدار برنامه‌های LLM
• 93. آزمایش و اعتبارسنجی مدل‌ها
• 94. مدیریت وابستگی‌ها و کتابخانه‌ها
• 95. مستندسازی فنی برنامه
• 96. برنامه‌ریزی برای به‌روزرسانی‌ها
• 97. اصول مهندسی نرم‌افزار در LLM
• 98. کاربرد LLM در اتوماسیون فرآیندها
• 99. ارتباط با متخصصان و جامعه LLM
• 100. استفاده از ابزارهای CI/CD