دوره راهنمای جامع کار با کتابخانه‌های Hugging Face برای توسعه‌دهندگان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع کار با کتابخانه‌های Hugging Face برای توسعه‌دهندگان

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی با استفاده از مدل‌های پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. کاربردها و چشم‌انداز هوش مصنوعی در ایران
• 3. مبانی یادگیری ماشین: نظارت شده و بدون نظارت
• 4. آشنایی با کتابخانه‌های پرکاربرد یادگیری ماشین
• 5. معرفی پلتفرم Hugging Face و اکوسیستم آن
• 6. مفاهیم پایه‌ای پردازش زبان طبیعی (NLP)
• 7. کار با مدل‌های زبانی بزرگ (LLMs)
• 8. معرفی مدل‌های ترنسفورمر (Transformer)
• 9. معماری ترنسفورمر: مکانیزم توجه (Attention)
• 10. آشنایی با کتابخانه Transformers در Hugging Face
• 11. نصب و راه‌اندازی محیط توسعه
• 12. بارگذاری مدل‌ها و توکنایزرها
• 13. پردازش متن با توکنایزرهای مختلف
• 14. انواع توکنایزرها: WordPiece، BPE، SentencePiece
• 15. کاربرد توکنایزرها در پیش‌پردازش متن
• 16. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 17. طبقه‌بندی متن با مدل‌های Hugging Face
• 18. تشخیص احساسات (Sentiment Analysis)
• 19. دسته‌بندی موضوعی متن
• 20. استخراج اطلاعات (Information Extraction)
• 21. تشخیص موجودیت‌های نام‌دار (Named Entity Recognition - NER)
• 22. رابطه استخراج موجودیت (Relation Extraction)
• 23. پاسخگویی به سوال (Question Answering)
• 24. مدل‌های پرسش و پاسخ با Context
• 25. مدل‌های پرسش و پاسخ بدون Context
• 26. ترجمه ماشینی (Machine Translation)
• 27. کار با مدل‌های ترجمه از پیش آموزش‌دیده
• 28. ارزیابی کیفیت ترجمه ماشینی
• 29. خلاصه‌سازی متن (Text Summarization)
• 30. خلاصه‌سازی چکیده‌ای (Abstractive Summarization)
• 31. خلاصه‌سازی استخراجی (Extractive Summarization)
• 32. تولید متن (Text Generation)
• 33. کاربرد تولید متن در سناریوهای مختلف
• 34. تنظیم دقیق مدل‌ها (Fine-tuning)
• 35. فرایند Fine-tuning مدل‌های زبانی
• 36. انتخاب مجموعه داده مناسب برای Fine-tuning
• 37. تنظیم دقیق برای طبقه‌بندی متن
• 38. تنظیم دقیق برای پاسخگویی به سوال
• 39. تنظیم دقیق برای ترجمه ماشینی
• 40. تنظیم دقیق برای خلاصه‌سازی متن
• 41. آموزش مدل از ابتدا (Training from Scratch)
• 42. نکات مهم در آموزش مدل از ابتدا
• 43. استفاده از مجموعه داده‌های بزرگ
• 44. استفاده از سخت‌افزار مناسب (GPU)
• 45. مدیریت و ذخیره‌سازی مدل‌ها
• 46. مفهوم مدل‌های Embeddings
• 47. کاربرد Embeddings در NLP
• 48. مدل‌های Embeddings مبتنی بر ترنسفورمر
• 49. استفاده از Embeddings برای مقایسه متن
• 50. کاربرد Embeddings در خوشه‌بندی متن
• 51. مدیریت مجموعه داده‌ها با Hugging Face Datasets
• 52. بارگذاری و پیش‌پردازش مجموعه داده‌ها
• 53. ایجاد مجموعه داده‌های سفارشی
• 54. اشتراک‌گذاری مجموعه داده‌ها
• 55. مفهوم مدل‌های Multilingual
• 56. کاربرد مدل‌های چندزبانه در Hugging Face
• 57. ترجمه و پردازش متن به زبان فارسی
• 58. Fine-tuning مدل‌های چندزبانه
• 59. ارزیابی مدل‌های چندزبانه
• 60. معرفی کتابخانه Accelerate برای آموزش توزیع‌شده
• 61. آموزش مدل بر روی چندین GPU
• 62. نکات فنی در آموزش توزیع‌شده
• 63. استفاده از Accelerate برای ساده‌سازی آموزش
• 64. مفهوم مدل‌های Domain-Specific
• 65. ساخت مدل‌های تخصصی برای حوزه‌های خاص
• 66. Fine-tuning مدل‌ها برای حوزه پزشکی
• 67. Fine-tuning مدل‌ها برای حوزه حقوقی
• 68. Fine-tuning مدل‌ها برای حوزه مالی
• 69. ارزیابی مدل‌های Domain-Specific
• 70. مفهوم مدل‌های Generative Adversarial Networks (GANs) در NLP
• 71. کاربرد GANs در تولید متن
• 72. چالش‌های استفاده از GANs در NLP
• 73. معرفی مدل‌های Sequence-to-Sequence
• 74. کاربرد مدل‌های Seq2Seq در ترجمه و خلاصه‌سازی
• 75. معماری Encoder-Decoder
• 76. استفاده از مدل‌های Seq2Seq در Hugging Face
• 77. مفهوم Transfer Learning در NLP
• 78. مزایای Transfer Learning
• 79. کاربرد Transfer Learning در Hugging Face
• 80. بهینه‌سازی مدل‌ها برای استقرار (Deployment)
• 81. ابزارها و روش‌های استقرار مدل
• 82. استقرار مدل بر روی سرور
• 83. استقرار مدل بر روی دستگاه‌های لبه (Edge Devices)
• 84. ملاحظات امنیتی در استقرار مدل
• 85. اخلاق در هوش مصنوعی و NLP
• 86. سوگیری در مدل‌های زبانی
• 87. راهکارهای کاهش سوگیری
• 88. حریم خصوصی در پردازش داده‌های متنی
• 89. مسئولیت‌پذیری در استفاده از مدل‌های NLP
• 90. آینده پردازش زبان طبیعی
• 91. روندهای نوظهور در NLP
• 92. هوش مصنوعی مولد (Generative AI)
• 93. چالش‌های آینده NLP
• 94. کاربردهای پیشرفته NLP در ایران
• 95. هوش مصنوعی در خدمات دولتی
• 96. هوش مصنوعی در آموزش و پژوهش
• 97. هوش مصنوعی در کسب‌وکارهای دانش‌بنیان
• 98. ملاحظات فنی برای توسعه‌دهندگان ایرانی
• 99. استفاده از منابع فارسی برای یادگیری NLP
• 100. همکاری با جامعه توسعه‌دهندگان ایرانی