فلش‌کارت‌های آموزشی آموزش مدل‌های زبانی بزرگ با استفاده از خدمات Vertex AI

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب آموزش مدل‌های زبانی بزرگ با استفاده از خدمات Vertex AI

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Google AI Platform (Vertex AI)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر مدل های زبانی بزرگ
• 2. مقدمه ای بر Vertex AI
• 3. چرا از Vertex AI برای آموزش مدل های زبانی بزرگ استفاده کنیم؟
• 4. مزایای Vertex AI برای LLM ها
• 5. ملاحظات کلیدی در آموزش LLM ها
• 6. مراحل کلی آموزش LLM ها
• 7. جمع آوری داده ها برای آموزش LLM ها
• 8. انواع داده های مورد استفاده در LLM ها
• 9. منابع داده برای LLM ها
• 10. پیش پردازش داده ها برای LLM ها
• 11. پاکسازی داده ها
• 12. توکن سازی
• 13. نرمال سازی
• 14. حذف نویز
• 15. افزایش داده ها
• 16. استراتژی های افزایش داده ها
• 17. تکنیک های افزایش داده ها
• 18. انتخاب معماری LLM
• 19. معماری های ترانسفورمر
• 20. مدل های پیش آموزش دیده
• 21. تنظیم دقیق (Fine-tuning)
• 22. انواع تنظیم دقیق
• 23. تنظیم دقیق کامل
• 24. تنظیم دقیق پارامترهای موثر (PEFT)
• 25. تنظیم دقیق با پارامترهای کم (LoRA)
• 26. تنظیم دقیق با استفاده از پرامپت (Prompt Tuning)
• 27. تنظیم دقیق با استفاده از آداپتورها (Adapter Tuning)
• 28. تنظیم دقیق با استفاده از پارامترهای دلتا (Delta Tuning)
• 29. انتخاب مجموعه داده مناسب برای تنظیم دقیق
• 30. آماده سازی مجموعه داده برای تنظیم دقیق
• 31. فرمت بندی داده ها برای تنظیم دقیق
• 32. تقسیم داده ها به مجموعه های آموزشی، اعتبارسنجی و آزمون
• 33. تنظیم ابرپارامترها برای آموزش LLM
• 34. مفهوم ابرپارامترها
• 35. ابرپارامترهای مهم در آموزش LLM
• 36. نرخ یادگیری
• 37. اندازه دسته (Batch Size)
• 38. تعداد دوره ها (Epochs)
• 39. بهینه سازها (Optimizers)
• 40. تنظیم نرخ یادگیری
• 41. برنامه ریزهای نرخ یادگیری (Learning Rate Schedulers)
• 42. تنظیم اندازه دسته
• 43. تنظیم تعداد دوره ها
• 44. انتخاب بهینه ساز
• 45. تنظیم ابرپارامترها با استفاده از Vertex AI
• 46. تنظیم خودکار ابرپارامترها
• 47. تنظیم دستی ابرپارامترها
• 48. استفاده از ابزارهای تجربی Vertex AI
• 49. مفهوم آموزش توزیع شده
• 50. مزایای آموزش توزیع شده
• 51. استراتژی های آموزش توزیع شده
• 52. موازی سازی داده ها
• 53. موازی سازی مدل
• 54. موازی سازی خط لوله
• 55. آماده سازی محیط برای آموزش توزیع شده در Vertex AI
• 56. پیکربندی ماشین های مجازی
• 57. استفاده از GPU ها و TPU ها
• 58. تنظیمات شبکه
• 59. استفاده از Vertex AI Training
• 60. ایجاد یک کار آموزشی
• 61. پیکربندی ظروف (Containers)
• 62. مدیریت وابستگی ها
• 63. استفاده از کدهای آموزشی از قبل موجود
• 64. نوشتن کدهای آموزشی سفارشی
• 65. رصد و پایش فرآیند آموزش
• 66. معیارهای رصد
• 67. تلفات (Loss)
• 68. دقت (Accuracy)
• 69. امتیازات تشابه (Perplexity)
• 70. امتیازات BLEU، ROUGE
• 71. استفاده از Vertex AI TensorBoard
• 72. تجسم معیارها
• 73. شناسایی مشکلات در فرآیند آموزش
• 74. اشکال زدایی (Debugging)
• 75. استراتژی های اشکال زدایی
• 76. بررسی داده ها
• 77. بررسی کد
• 78. بررسی پیکربندی
• 79. تنظیم دقیق مدل های از پیش آموزش دیده
• 80. انتخاب مدل از پیش آموزش دیده مناسب
• 81. فرآیند تنظیم دقیق
• 82. تنظیم دقیق برای وظایف خاص
• 83. ترجمه ماشینی
• 84. خلاصه سازی متن
• 85. پاسخ به سوالات
• 86. تولید متن خلاقانه
• 87. تشخیص احساسات
• 88. استفاده از Vertex AI برای تنظیم دقیق
• 89. تنظیم دقیق با استفاده از Vertex AI Pipelines
• 90. تنظیم دقیق با استفاده از Vertex AI Workbench
• 91. تنظیم دقیق با استفاده از Vertex AI SDK
• 92. تنظیم دقیق با استفاده از Vertex AI Model Registry
• 93. ارزیابی مدل های زبانی بزرگ
• 94. معیارهای ارزیابی
• 95. ارزیابی کیفی
• 96. ارزیابی کمی
• 97. معیارهای ارزیابی برای وظایف مختلف
• 98. ارزیابی مدل های ترجمه ماشینی
• 99. ارزیابی مدل های خلاصه سازی
• 100. ارزیابی مدل های پاسخ به سوالات