فلش‌کارت‌های آموزشی راهنمای کاربردی برای مدل‌های زبانی بزرگ

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب راهنمای کاربردی برای مدل‌های زبانی بزرگ

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: معیارهای ارزیابی (Perplexity, BLEU, ROUGE)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه به مدل‌های زبانی بزرگ
• 2. تعریف مدل‌های زبانی بزرگ
• 3. تاریخچه و تحول مدل‌های زبانی
• 4. کاربردهای کلیدی مدل‌های زبانی بزرگ
• 5. مزایای استفاده از مدل‌های زبانی بزرگ
• 6. محدودیت‌ها و چالش‌های مدل‌های زبانی بزرگ
• 7. انواع مدل‌های زبانی بزرگ
• 8. معماری‌های ترنسفورمر
• 9. ترنسفورمرهای اولیه (Transformer)
• 10. مدل‌های مبتنی بر رمزگذار-رمزگشا (Encoder-Decoder)
• 11. مدل‌های مبتنی بر رمزگذار (Encoder-only)
• 12. مدل‌های مبتنی بر رمزگشا (Decoder-only)
• 13. مدل‌های GPT (Generative Pre-trained Transformer)
• 14. مدل‌های BERT (Bidirectional Encoder Representations from Transformers)
• 15. مدل‌های T5 (Text-to-Text Transfer Transformer)
• 16. مدل‌های Llama
• 17. مدل‌های PaLM
• 18. مدل‌های Claude
• 19. مفاهیم پایه‌ای در مدل‌های زبانی بزرگ
• 20. توکن‌سازی (Tokenization)
• 21. واژگان (Vocabulary)
• 22. تعبیه‌ها (Embeddings)
• 23. تعبیه‌های کلمه (Word Embeddings)
• 24. تعبیه‌های موقعیتی (Positional Embeddings)
• 25. تعبیه‌های معنایی (Semantic Embeddings)
• 26. لایه توجه (Attention Layer)
• 27. خود-توجهی (Self-Attention)
• 28. توجه چند-سر (Multi-Head Attention)
• 29. لایه ترنسفورمر
• 30. لایه پیشخور (Feed-Forward Layer)
• 31. نرمال‌سازی لایه (Layer Normalization)
• 32. اتصال باقی‌مانده (Residual Connection)
• 33. آموزش مدل‌های زبانی بزرگ
• 34. داده‌های آموزشی
• 35. جمع‌آوری و پیش‌پردازش داده‌ها
• 36. پاکسازی و فیلتر کردن داده‌ها
• 37. مجموعه داده‌های عمومی (Public Datasets)
• 38. مجموعه داده‌های اختصاصی (Proprietary Datasets)
• 39. مراحل آموزش
• 40. آموزش پیش‌فرض (Pre-training)
• 41. هدف آموزش پیش‌فرض
• 42. یادگیری بدون نظارت (Unsupervised Learning)
• 43. مدل‌سازی زبان (Language Modeling)
• 44. پیش‌بینی کلمه بعدی (Next Token Prediction)
• 45. پیش‌بینی کلمات پوشیده شده (Masked Language Modeling)
• 46. تنظیم دقیق (Fine-tuning)
• 47. آموزش با نظارت (Supervised Fine-tuning)
• 48. آموزش تقویتی (Reinforcement Learning)
• 49. یادگیری با بازخورد انسانی (Reinforcement Learning from Human Feedback - RLHF)
• 50. معیارهای ارزیابی مدل‌های زبانی بزرگ
• 51. دقت (Accuracy)
• 52. پیچیدگی (Perplexity)
• 53. BLEU (Bilingual Evaluation Understudy)
• 54. ROUGE (Recall-Oriented Understudy for Gisting Evaluation)
• 55. METEOR (Metric for Evaluation of Translation with Explicit Ordering)
• 56. ارزیابی انسانی (Human Evaluation)
• 57. چالش‌های آموزش مدل‌های زبانی بزرگ
• 58. هزینه محاسباتی بالا
• 59. نیاز به داده‌های عظیم
• 60. overfitting و underfitting
• 61. سوگیری در داده‌ها (Data Bias)
• 62. اخلاق و مسئولیت‌پذیری در مدل‌های زبانی بزرگ
• 63. سوگیری و تبعیض
• 64. تولید محتوای مضر
• 65. حریم خصوصی و امنیت داده‌ها
• 66. شفافیت و قابلیت توضیح (Explainability)
• 67. مسئولیت‌پذیری توسعه‌دهندگان و کاربران
• 68. کاربردهای عملی مدل‌های زبانی بزرگ
• 69. تولید متن
• 70. نوشتن مقالات و پست‌های وبلاگ
• 71. ایجاد محتوای خلاقانه (شعر، داستان)
• 72. تولید کد برنامه‌نویسی
• 73. خلاصه‌سازی متن
• 74. خلاصه‌سازی مقالات خبری
• 75. خلاصه‌سازی اسناد طولانی
• 76. ترجمه ماشینی
• 77. ترجمه بین زبان‌های مختلف
• 78. ترجمه تخصصی (حقوقی، پزشکی)
• 79. پاسخ به سوالات
• 80. ربات‌های چت (Chatbots)
• 81. سیستم‌های پرسش و پاسخ (Question Answering Systems)
• 82. تحلیل احساسات (Sentiment Analysis)
• 83. تشخیص موضوع (Topic Modeling)
• 84. طبقه‌بندی متن (Text Classification)
• 85. تشخیص موجودیت نام‌گذاری شده (Named Entity Recognition - NER)
• 86. استخراج اطلاعات (Information Extraction)
• 87. تولید کد
• 88. تکمیل کد (Code Completion)
• 89. تولید کد از توضیحات زبان طبیعی
• 90. اشکال‌زدایی کد
• 91. کاربردهای تخصصی
• 92. در حوزه پزشکی
• 93. در حوزه حقوقی
• 94. در حوزه مالی
• 95. در حوزه آموزش
• 96. در حوزه بازاریابی
• 97. نکات عملی برای استفاده از مدل‌های زبانی بزرگ
• 98. انتخاب مدل مناسب
• 99. انتخاب رویکرد مناسب (پیش‌فرض، تنظیم دقیق)
• 100. تنظیم پارامترها (Hyperparameter Tuning)