فلش‌کارت‌های آموزشی یادگیری نیمه نظارت شده: رویکردی کارآمد برای آموزش مدل‌های زبانی بزرگ

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری نیمه نظارت شده: رویکردی کارآمد برای آموزش مدل‌های زبانی بزرگ

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری نیمه نظارت شده (Semi-Supervised Learning)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری نیمه نظارت شده
• 2. تعریف یادگیری نیمه نظارت شده
• 3. تفاوت با یادگیری نظارت شده
• 4. تفاوت با یادگیری بدون نظارت
• 5. مزایای یادگیری نیمه نظارت شده
• 6. چالش های یادگیری نیمه نظارت شده
• 7. کاربردها در پردازش زبان طبیعی
• 8. کاربردها در مدل های زبانی بزرگ
• 9. اهمیت داده های برچسب دار
• 10. اهمیت داده های بدون برچسب
• 11. مبانی یادگیری ماشین
• 12. مبانی شبکه های عصبی
• 13. مبانی مدل های زبانی
• 14. مبانی مدل های زبانی بزرگ
• 15. انواع مدل های زبانی بزرگ
• 16. معماری ترنسفورمر
• 17. مکانیسم توجه
• 18. روش های آموزش مدل های زبانی بزرگ
• 19. داده های مورد نیاز برای آموزش
• 20. فرایند جمع آوری داده
• 21. فرایند پیش پردازش داده
• 22. برچسب گذاری داده ها
• 23. روش های برچسب گذاری خودکار
• 24. روش های برچسب گذاری نیمه خودکار
• 25. روش های برچسب گذاری جمعی
• 26. چالش های برچسب گذاری
• 27. کیفیت برچسب ها
• 28. کمیت برچسب ها
• 29. هزینه برچسب گذاری
• 30. تکنیک های یادگیری نیمه نظارت شده
• 31. یادگیری خودآموز (Self-Training)
• 32. اصول یادگیری خودآموز
• 33. مراحل یادگیری خودآموز
• 34. انتخاب مدل اولیه
• 35. پیش بینی برچسب برای داده های بدون برچسب
• 36. فیلتر کردن پیش بینی ها
• 37. اضافه کردن داده های برچسب دار جدید به مجموعه آموزشی
• 38. آموزش مجدد مدل
• 39. مزایای یادگیری خودآموز
• 40. معایب یادگیری خودآموز
• 41. تنظیم پارامترها در یادگیری خودآموز
• 42. همیاری (Co-Training)
• 43. اصول همیاری
• 44. نیاز به دو مجموعه ویژگی مجزا
• 45. نیاز به دو مدل مستقل
• 46. مراحل همیاری
• 47. آموزش مدل اول روی داده های برچسب دار
• 48. پیش بینی برچسب برای داده های بدون برچسب توسط مدل اول
• 49. انتخاب پیش بینی های مطمئن توسط مدل اول
• 50. اضافه کردن داده های برچسب دار جدید به مجموعه آموزشی مدل دوم
• 51. تکرار مراحل برای مدل دوم
• 52. آموزش مجدد هر دو مدل
• 53. مزایای همیاری
• 54. معایب همیاری
• 55. محدودیت های همیاری
• 56. یادگیری مبتنی بر انتشار برچسب (Label Propagation)
• 57. اصول انتشار برچسب
• 58. ایجاد یک گراف از داده ها
• 59. وزن دهی به یال های گراف
• 60. انتشار برچسب از نقاط برچسب دار به نقاط بدون برچسب
• 61. انواع الگوریتم های انتشار برچسب
• 62. انتشار برچسب با استفاده از گراف صریح
• 63. انتشار برچسب با استفاده از گراف ضمنی
• 64. مزایای انتشار برچسب
• 65. معایب انتشار برچسب
• 66. کاربرد انتشار برچسب در مدل های زبانی
• 67. یادگیری مبتنی بر تولد (Generative Models)
• 68. استفاده از مدل های تولدی برای تولید داده های مصنوعی
• 69. آموزش مدل با ترکیب داده های واقعی و مصنوعی
• 70. مدل های ترکیبی (Hybrid Models)
• 71. ترکیب تکنیک های مختلف یادگیری نیمه نظارت شده
• 72. استفاده از مدل های زبانی از پیش آموزش دیده
• 73. تنظیم دقیق (Fine-tuning) مدل های زبانی بزرگ
• 74. تنظیم دقیق با داده های برچسب دار
• 75. تنظیم دقیق با داده های بدون برچسب
• 76. تنظیم دقیق با داده های نیمه برچسب دار
• 77. روش های تنظیم دقیق کارآمد
• 78. تنظیم دقیق با پارامترهای کم (Parameter-Efficient Fine-Tuning - PEFT)
• 79. LoRA
• 80. Prefix Tuning
• 81. Prompt Tuning
• 82. Adapter Tuning
• 83. کاربرد PEFT در یادگیری نیمه نظارت شده
• 84. ارزیابی مدل های یادگیری نیمه نظارت شده
• 85. معیارهای ارزیابی
• 86. دقت (Accuracy)
• 87. دقت و بازیابی (Precision and Recall)
• 88. امتیاز F1 (F1-Score)
• 89. منحنی ROC و AUC
• 90. ارزیابی بر روی داده های تست
• 91. ارزیابی بر روی داده های بدون برچسب (به صورت غیرمستقیم)
• 92. چالش های ارزیابی
• 93. انتخاب مجموعه داده مناسب برای ارزیابی
• 94. تفسیر نتایج ارزیابی
• 95. مطالعات موردی و کاربردهای عملی
• 96. یادگیری نیمه نظارت شده برای طبقه بندی متن
• 97. یادگیری نیمه نظارت شده برای تشخیص موجودیت نامگذاری شده (NER)
• 98. یادگیری نیمه نظارت شده برای تحلیل احساسات
• 99. یادگیری نیمه نظارت شده برای ترجمه ماشینی
• 100. یادگیری نیمه نظارت شده برای تولید متن