دوره سفارشی‌سازی و ارزیابی مدل‌های زبان بزرگ با Amazon SageMaker JumpStart همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره سفارشی‌سازی و ارزیابی مدل‌های زبان بزرگ با Amazon SageMaker JumpStart

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های زبان بزرگ (LLMs)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر مدل‌های زبان بزرگ (LLMs)
• 8. معماری ترنسفورمر
• 9. انواع ترنسفورمرها
• 10. مفاهیم اساسی در LLMs
• 11. آموزش پیشین LLMs
• 12. تنظیم دقیق (Fine-tuning) LLMs
• 13. مقدمه‌ای بر Amazon SageMaker
• 14. قابلیت‌های SageMaker JumpStart
• 15. کاربرد SageMaker JumpStart در LLMs
• 16. محیط توسعه SageMaker
• 17. آماده‌سازی داده‌ها برای LLMs
• 18. پیش‌پردازش داده‌ها
• 19. مدیریت مجموعه داده‌ها
• 20. انتخاب مدل پایه LLM
• 21. ملاحظات انتخاب مدل
• 22. مدل‌های زبان بزرگ متن‌باز
• 23. مدل‌های زبان بزرگ تجاری
• 24. سفارشی‌سازی مدل با داده‌های خود
• 25. تکنیک‌های تنظیم دقیق
• 26. تنظیم دقیق پارامترافت
• 27. تنظیم دقیق با داده‌های برچسب‌دار
• 28. تنظیم دقیق بدون نظارت
• 29. تنظیم دقیق با یادگیری فعال
• 30. تنظیم دقیق با روش‌های Prompt Engineering
• 31. طراحی Prompt های مؤثر
• 32. تکنیک‌های Prompt Engineering پیشرفته
• 33. ارزیابی عملکرد LLMs
• 34. معیارهای ارزیابی LLMs
• 35. ارزیابی وظایف خاص
• 36. ارزیابی کیفیت تولید متن
• 37. ارزیابی سوگیری در LLMs
• 38. کاهش سوگیری در LLMs
• 39. روش‌های ارزیابی عینی
• 40. روش‌های ارزیابی انسانی
• 41. ابزارهای ارزیابی در SageMaker
• 42. استقرار مدل‌های LLM
• 43. فرآیند استقرار در SageMaker
• 44. استقرار برای استنتاج بلادرنگ
• 45. استقرار برای پردازش دسته‌ای
• 46. مدیریت نقطه پایانی (Endpoint)
• 47. مانیتورینگ عملکرد مدل مستقر
• 48. بهینه‌سازی هزینه استقرار
• 49. امنیت در استقرار LLMs
• 50. ملاحظات حریم خصوصی داده‌ها
• 51. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 52. مسئولیت‌پذیری در LLMs
• 53. شفافیت در LLMs
• 54. کاربرد LLMs در پردازش زبان طبیعی
• 55. خلاصه‌سازی متن
• 56. ترجمه ماشینی
• 57. پاسخ به پرسش
• 58. تولید متن خلاقانه
• 59. تحلیل احساسات
• 60. طبقه‌بندی متن
• 61. شناسایی موجودیت نام‌گذاری شده (NER)
• 62. درک مطلب
• 63. تولید کد با LLMs
• 64. کاربرد LLMs در حوزه‌های خاص
• 65. کاربرد LLMs در آموزش
• 66. کاربرد LLMs در سلامت
• 67. کاربرد LLMs در امور مالی
• 68. کاربرد LLMs در خدمات مشتری
• 69. کاربرد LLMs در تحقیقات علمی
• 70. کاربرد LLMs در صنعت
• 71. ملاحظات حقوقی و انطباق LLMs
• 72. قوانین حفاظت از داده‌ها
• 73. حقوق مالکیت معنوی در LLMs
• 74. مقررات مربوط به محتوای تولید شده
• 75. انطباق با قوانین داخلی
• 76. چارچوب‌های اخلاقی برای LLMs
• 77. مستندسازی مدل‌های LLM
• 78. گزارش‌دهی عملکرد مدل
• 79. قابلیت ردیابی در LLMs
• 80. تکنیک‌های پیشرفته سفارشی‌سازی
• 81. یادگیری انتقال (Transfer Learning)
• 82. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 83. تنظیم دقیق با پارامترهای اضافی
• 84. استفاده از مدل‌های کوچک‌تر
• 85. فشرده‌سازی مدل‌های LLM
• 86. ملاحظات عملی در کار با LLMs
• 87. مدیریت منابع محاسباتی
• 88. بهینه‌سازی زمان آموزش
• 89. بهینه‌سازی زمان استنتاج
• 90. عیب‌یابی مدل‌های LLM
• 91. توسعه پایدار LLMs
• 92. آینده LLMs و SageMaker
• 93. روندهای نوظهور در LLMs
• 94. نقش SageMaker در آینده LLMs
• 95. پروژه‌های عملی با SageMaker JumpStart
• 96. مثال کاربردی ۱: خلاصه‌سازی اخبار
• 97. مثال کاربردی ۲: چت‌بات پشتیبانی مشتری
• 98. مثال کاربردی ۳: تولید محتوای بازاریابی
• 99. مثال کاربردی ۴: تحلیل نظرات کاربران
• 100. مثال کاربردی ۵: دستیار کدنویسی