فلش‌کارت‌های آموزشی مهندسی پیشرفته مدل‌های زبان بزرگ: از پرامپت‌نویسی تا بازیابی اطلاعات پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی پیشرفته مدل‌های زبان بزرگ: از پرامپت‌نویسی تا بازیابی اطلاعات پیشرفته

موضوع کلی: هوش مصنوعی و مهندسی یادگیری ماشین

موضوع میانی: مهندسی مدل‌های زبان بزرگ (LLM)

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه ای بر مدل های زبان بزرگ (LLM)
• 3. معماری ترنسفورمر و مکانیسم توجه
• 4. مفاهیم پایه پرامپت نویسی
• 5. انواع پرامپت ها: صفر-شات، یک-شات، چند-شات
• 6. بهینه سازی پرامپت ها برای وظایف خاص
• 7. تکنیک های پیشرفته پرامپت نویسی
• 8. استخراج اطلاعات از متن با LLM
• 9. خلاصه سازی متون با LLM
• 10. تولید متن خلاقانه با LLM
• 11. ترجمه ماشینی با LLM
• 12. پاسخگویی به سوالات با LLM
• 13. طبقه‌بندی متن با LLM
• 14. تحلیل احساسات با LLM
• 15. مدل سازی موضوعی با LLM
• 16. مقدمه ای بر تنظیم دقیق (Fine-Tuning) مدل ها
• 17. چرا تنظیم دقیق لازم است؟
• 18. انواع تنظیم دقیق: نظارت شده و بدون نظارت
• 19. آماده سازی داده ها برای تنظیم دقیق
• 20. انتخاب مجموعه داده مناسب
• 21. فرآیند تنظیم دقیق پارامترهای مدل
• 22. تنظیم دقیق مدل های زبانی بزرگ
• 23. تنظیم دقیق برای وظایف خاص: مثال ها
• 24. ارزیابی مدل های تنظیم شده
• 25. ملاحظات اخلاقی در تنظیم دقیق LLM
• 26. مقدمه ای بر بهینه سازی LLM
• 27. تکنیک های کوانتیزاسیون (Quantization)
• 28. هرس (Pruning) مدل های زبانی
• 29. تقطیر دانش (Knowledge Distillation)
• 30. بهینه سازی سخت افزاری برای LLM
• 31. مقدمه ای بر بازیابی اطلاعات (Information Retrieval)
• 32. اصول اولیه بازیابی اطلاعات
• 33. شاخص گذاری (Indexing) اسناد
• 34. الگوریتم های جستجوی سنتی
• 35. مقدمه ای بر بازیابی مبتنی بر امبدینگ (Embedding)
• 36. تولید امبدینگ برای اسناد و پرس و جوها
• 37. مدل های امبدینگ مدرن
• 38. شباهت کسینوسی و معیارهای دیگر
• 39. مقدمه ای بر بازیابی افزوده (Retrieval-Augmented Generation - RAG)
• 40. چرا RAG؟ مزایا و معایب
• 41. معماری پایه RAG
• 42. مولفه های کلیدی RAG: بازیابی و تولید
• 43. انتخاب مدل بازیابی در RAG
• 44. انتخاب مدل تولید در RAG
• 45. فرآیند گام به گام RAG
• 46. بهینه سازی مولفه بازیابی در RAG
• 47. بهینه سازی مولفه تولید در RAG
• 48. تنظیم دقیق مدل های RAG
• 49. ارزیابی سیستم های RAG
• 50. چالش های پیاده سازی RAG
• 51. کاربردهای RAG در دنیای واقعی
• 52. RAG برای پاسخگویی به سوالات پیچیده
• 53. RAG برای خلاصه سازی متون طولانی
• 54. RAG برای تولید محتوای تخصصی
• 55. RAG برای سیستم های پرس و پاسخ سازمانی
• 56. RAG و دانش شخصی سازی شده
• 57. ملاحظات امنیتی در RAG
• 58. ملاحظات حریم خصوصی در RAG
• 59. مقایسه RAG با روش های دیگر
• 60. آینده RAG و تحولات آتی
• 61. اصول مهندسی مدل های زبان بزرگ
• 62. مدیریت چرخه حیات مدل های زبان
• 63. استقرار (Deployment) مدل های زبان
• 64. نظارت (Monitoring) بر عملکرد مدل ها
• 65. به روز رسانی و نگهداری مدل ها
• 66. تست و اعتبارسنجی مدل های زبان
• 67. مهندسی پرامپت برای وظایف پیچیده
• 68. طراحی سیستم های LLM مقیاس پذیر
• 69. مدیریت هزینه در استفاده از LLM
• 70. کاربرد LLM در تحلیل داده های بزرگ
• 71. LLM برای پردازش زبان طبیعی فارسی
• 72. چالش های پردازش زبان فارسی با LLM
• 73. منابع داده برای LLM فارسی
• 74. تنظیم دقیق LLM برای زبان فارسی
• 75. ارزیابی LLM فارسی
• 76. فرهنگ و بومی سازی در LLM
• 77. مسائل اخلاقی و مسئولیت پذیری در LLM
• 78. قوانین و چارچوب های نظارتی برای LLM
• 79. امنیت و حفاظت در سیستم های LLM
• 80. حریم خصوصی داده ها در LLM
• 81. انسان و LLM: همکاری و تعامل
• 82. یادگیری مداوم و انطباق LLM
• 83. طراحی تجربه کاربری با LLM
• 84. مقدمه ای بر مدل های مولد چندوجهی
• 85. کاربرد LLM در توسعه نرم افزار
• 86. LLM برای اتوماسیون فرآیندها
• 87. LLM در حوزه آموزش و یادگیری
• 88. LLM و تحقیقات علمی
• 89. اخلاق در هوش مصنوعی مولد
• 90. آینده شغلی مرتبط با LLM
• 91. مهارت های لازم برای مهندس LLM
• 92. پروژه های عملی در مهندسی LLM
• 93. جمع بندی مباحث مهندسی LLM
• 94. مروری بر ابزارها و فریمورک های LLM
• 95. مقدمه ای بر یادگیری تقویتی در LLM
• 96. کاربرد LLM در تجزیه و تحلیل ریسک
• 97. LLM برای پیش بینی روندها
• 98. ملاحظات حقوقی استفاده از LLM
• 99. مقدمه ای بر مدل های نسل بعدی LLM