فلش‌کارت‌های آموزشی راه‌اندازی و بومی‌سازی مدل‌های زبان بزرگ (LLMs) متن‌باز در محیط داخلی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راه‌اندازی و بومی‌سازی مدل‌های زبان بزرگ (LLMs) متن‌باز در محیط داخلی

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: هوش مصنوعی کاربردی و توسعه نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مفاهیم پایه هوش مصنوعی
• 2. آشنایی با مدل‌های زبان بزرگ (LLMs)
• 3. معماری مدل‌های ترنسفورمر
• 4. مبانی پردازش زبان طبیعی (NLP)
• 5. تفاوت مدل‌های متن‌باز و تجاری
• 6. اهمیت بومی‌سازی و حفاظت از داده‌ها
• 7. چرا اجرای LLMs در محیط داخلی؟
• 8. ملاحظات امنیتی در اجرای مدل‌های هوش مصنوعی
• 9. الزامات سخت‌افزاری برای اجرای LLMs
• 10. بررسی کارت‌های گرافیک (GPU) مناسب
• 11. نصب و پیکربندی درایورهای GPU
• 12. مقدمه‌ای بر سیستم‌عامل‌های لینوکس و ویندوز
• 13. نصب و مدیریت بسته‌های نرم‌افزاری
• 14. آشنایی با ابزارهای خط فرمان (CLI)
• 15. مفاهیم اولیه پایتون برای توسعه هوش مصنوعی
• 16. نصب و پیکربندی محیط توسعه پایتون
• 17. کتابخانه‌های کلیدی پایتون در NLP
• 18. مقدمه‌ای بر Git و کنترل نسخه
• 19. نصب و پیکربندی Git
• 20. کار با مخازن Git
• 21. مبانی Docker برای کانتینرسازی
• 22. نصب و پیکربندی Docker
• 23. ساخت ایمیج‌های Docker
• 24. اجرای LLMs با استفاده از Docker
• 25. معرفی فریم‌ورک‌های LLM متن‌باز
• 26. مدل‌های Llama و خانواده آن
• 27. مدل‌های Mistral و کارایی آن‌ها
• 28. مدل‌های Falcon و قابلیت‌هایشان
• 29. مدل‌های دیگر LLM متن‌باز
• 30. معیارهای انتخاب مدل مناسب
• 31. فرایند دانلود و آماده‌سازی مدل‌ها
• 32. تنظیمات اولیه مدل‌های LLM
• 33. مقدمه‌ای بر رابط‌های کاربری (UI) برای LLMs
• 34. نصب و پیکربندی Oobabooga Text Generation Web UI
• 35. تنظیمات پیشرفته Oobabooga
• 36. معرفی LM Studio
• 37. نصب و استفاده از LM Studio
• 38. کار با Hugging Face Transformers
• 39. مبانی بارگذاری مدل‌ها
• 40. تنظیمات پارامترهای تولید متن
• 41. نکات کلیدی در فرایند Prompt Engineering
• 42. تکنیک‌های پیشرفته Prompt Engineering
• 43. ارزیابی کیفیت خروجی مدل‌ها
• 44. معیارهای ارزیابی مدل‌های زبان
• 45. مقدمه‌ای بر Fine-tuning مدل‌ها
• 46. آماده‌سازی داده‌ها برای Fine-tuning
• 47. فرایندهای Fine-tuning با استفاده از کتابخانه‌ها
• 48. نکات مهم در Fine-tuning
• 49. مقدمه‌ای بر RAG (Retrieval-Augmented Generation)
• 50. پیاده‌سازی RAG با استفاده از ابزارهای متن‌باز
• 51. کار با پایگاه‌های داده برداری (Vector Databases)
• 52. معرفی ChromaDB
• 53. نصب و پیکربندی ChromaDB
• 54. استفاده از ChromaDB در RAG
• 55. معرفی Pinecone (فقط جنبه مفهومی)
• 56. مقدمه‌ای بر امنیت داده‌ها در LLMs
• 57. روش‌های حفاظت از اطلاعات حساس
• 58. ملاحظات اخلاقی در استفاده از AI
• 59. قوانین و مقررات مربوط به هوش مصنوعی در ایران
• 60. الزامات شرعی در کاربردهای هوش مصنوعی
• 61. مقدمه‌ای بر توسعه اپلیکیشن‌های مبتنی بر LLM
• 62. ساخت API برای مدل‌های LLM
• 63. یکپارچه‌سازی LLMs با برنامه‌های موجود
• 64. مقدمه‌ای بر ابزارهای توسعه Low-code/No-code
• 65. کاربرد LLMs در اتوماسیون فرآیندها
• 66. توسعه دستیارهای هوشمند شخصی
• 67. ساخت ربات‌های گفتگو (Chatbots)
• 68. کاربرد LLMs در تولید محتوا (متن)
• 69. مقدمه‌ای بر تحلیل داده با LLMs
• 70. استفاده از LLMs برای خلاصه‌سازی متن
• 71. استخراج اطلاعات از متن با LLMs
• 72. مقدمه‌ای بر تحلیل احساسات (Sentiment Analysis)
• 73. کاربرد LLMs در پیش‌بینی روندها
• 74. مقدمه‌ای بر مدل‌های چندوجهی (Multimodal Models)
• 75. چالش‌های بومی‌سازی مدل‌های پیچیده
• 76. راهکارهای بهینه‌سازی مصرف منابع
• 77. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 78. استفاده از مدل‌های از پیش آموزش‌دیده
• 79. ملاحظات مربوط به داده‌های آموزشی داخلی
• 80. توسعه مدل‌های تخصصی برای صنایع خاص
• 81. کاربرد LLMs در حوزه آموزش
• 82. مقدمه‌ای بر ارزیابی و اعتبارسنجی مدل‌ها
• 83. روش‌های عیب‌یابی (Debugging) مدل‌های LLM
• 84. نکات مربوط به نگهداری و به‌روزرسانی مدل‌ها
• 85. معرفی جامعه متن‌باز LLM
• 86. نقش فعالان داخلی در توسعه AI
• 87. مقدمه‌ای بر آینده LLMs
• 88. آخرین روندها در تحقیقات هوش مصنوعی
• 89. چالش‌های قانونی و حقوقی AI
• 90. مسئولیت‌پذیری در توسعه AI
• 91. اهمیت شفافیت در مدل‌های AI
• 92. مقدمه‌ای بر مفاهیم اقتصاد توکنی (Tokenomics)
• 93. کاربرد AI در اقتصاد مقاومتی
• 94. نقش AI در تحقق اهداف سند چشم‌انداز
• 95. ملاحظات مربوط به حقوق مالکیت معنوی در AI
• 96. امنیت سایبری و هوش مصنوعی
• 97. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 98. کاربرد Generative AI در طراحی
• 99. مقدمه‌ای بر AI اخلاقی
• 100. مدیریت ریسک در پروژه‌های AI