فلش‌کارت‌های آموزشی مبانی مدل‌های زبان بزرگ (LLMs) و کاربردهای عملی آن‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی مدل‌های زبان بزرگ (LLMs) و کاربردهای عملی آن‌ها

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌های زبان بزرگ
• 2. تاریخچه و تکامل مدل‌های زبان
• 3. معماری ترنسفورمر: ستون فقرات LLMها
• 4. اجزای اصلی ترنسفورمر: Attention Mechanisms
• 5. Self-Attention: درک روابط کلمه به کلمه
• 6. Multi-Head Attention: افزایش ظرفیت مدل
• 7. Positional Encoding: حفظ ترتیب توکن‌ها
• 8. Encoder-Decoder Architecture
• 9. وظایف توالی به توالی
• 10. تکامل معماری‌ها: از RNN تا ترنسفورمر
• 11. مبانی پردازش زبان طبیعی (NLP)
• 12. توکن‌سازی و واژگان
• 13. Word Embeddings: نمایش معنایی کلمات
• 14. Word2Vec و GloVe
• 15. تکامل Embeddings: FastText
• 16. مبانی یادگیری ماشین
• 17. یادگیری نظارت شده و بدون نظارت
• 18. انواع مدل‌های یادگیری ماشین
• 19. نکات اساسی در مورد شبکه‌های عصبی
• 20. تابع فعال‌سازی و نقش آن
• 21. پس‌انتشار خطا (Backpropagation)
• 22. بهینه‌سازها: Adam, SGD
• 23. مبانی یادگیری عمیق
• 24. شبکه‌های عصبی کانولوشنال (CNN)
• 25. شبکه‌های عصبی بازگشتی (RNN)
• 26. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 27. واحد بازگشتی دروازه‌ای (GRU)
• 28. معماری‌های پیشرفته‌تر
• 29. تکنیک‌های تنظیم (Fine-tuning) مدل‌ها
• 30. آموزش ترجیحی (Reinforcement Learning) در NLP
• 31. مفاهیم اساسی در آموزش LLMها
• 32. مجموعه داده‌های آموزشی بزرگ
• 33. پیش‌پردازش داده‌ها برای LLMها
• 34. پاکسازی و نرمال‌سازی متن
• 35. مدیریت داده‌های نامتوازن
• 36. ارزیابی مدل‌های زبان
• 37. معیارهای ارزیابی: Perplexity, BLEU
• 38. دقت و صحت (Precision & Recall)
• 39. F1-Score و معیارهای دیگر
• 40. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 41. استفاده از GPU و TPU برای آموزش
• 42. ملاحظات اخلاقی در LLMها
• 43. سوگیری در داده‌ها و مدل‌ها
• 44. تکنیک‌های کاهش سوگیری
• 45. شفافیت و قابلیت تفسیر مدل‌ها
• 46. حریم خصوصی و امنیت داده‌ها
• 47. ملاحظات فقهی و حقوقی در استفاده از LLMها
• 48. مبانی اخلاق اسلامی در فناوری
• 49. کاربردهای عملی LLMها
• 50. تولید متن خلاقانه
• 51. خلاصه‌سازی متون
• 52. ترجمه ماشینی
• 53. پاسخ به سوالات (Question Answering)
• 54. طبقه‌بندی متون
• 55. تشخیص موجودیت نام‌دار (NER)
• 56. تحلیل احساسات
• 57. ساخت چت‌بات‌ها و دستیارهای مجازی
• 58. تولید کد برنامه‌نویسی
• 59. کاربرد در آموزش و پژوهش
• 60. کاربرد در حوزه سلامت و پزشکی
• 61. مدل‌های زبان بزرگ متن‌باز
• 62. معرفی مدل Llama
• 63. معماری Llama
• 64. آموزش پایه Llama
• 65. تنظیم Llama برای وظایف خاص
• 66. استفاده از ابزارهای Llama
• 67. کتابخانه‌های مرتبط با LLMها
• 68. Hugging Face Transformers
• 69. PyTorch و TensorFlow
• 70. مبانی برنامه‌نویسی پایتون برای LLMها
• 71. کار با داده‌ها در پایتون (Pandas, NumPy)
• 72. مصورسازی داده‌ها (Matplotlib, Seaborn)
• 73. پیاده‌سازی ترنسفورمر از ابتدا
• 74. تمرین عملی: ساخت یک مدل ساده NLP
• 75. تمرین عملی: تنظیم یک مدل پیش‌آموزش‌دیده
• 76. کارگاه: ساخت یک چت‌بات ساده
• 77. کارگاه: خلاصه‌سازی مقالات علمی
• 78. کارگاه: تولید محتوای متنی با Llama
• 79. کارگاه: تحلیل احساسات متون فارسی
• 80. کارگاه: پرسش و پاسخ از اسناد
• 81. مبانی مهندسی پرامپت (Prompt Engineering)
• 82. اصول طراحی پرامپت مؤثر
• 83. انواع تکنیک‌های پرامپت‌نویسی
• 84. Zero-shot و Few-shot Learning
• 85. Chain-of-Thought Prompting
• 86. پرامپت‌نویسی برای وظایف خاص
• 87. ارزیابی پرامپت‌ها
• 88. ملاحظات امنیتی در مهندسی پرامپت
• 89. آینده مدل‌های زبان بزرگ
• 90. روندهای پژوهشی نوین
• 91. مدل‌های چندوجهی (Multimodal Models)
• 92. LLMها و هوش مصنوعی عمومی (AGI)
• 93. چالش‌های پیش رو در توسعه LLMها
• 94. نقش LLMها در تحول دیجیتال
• 95. استانداردهای حاکمیتی برای LLMها