فلش‌کارت‌های آموزشی آموزش مدل‌های زبان بزرگ از پایه با Keras NLP

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مدل‌های زبان بزرگ از پایه با Keras NLP

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی با یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 8. ساختار شبکه‌های عصبی
• 9. توابع فعال‌سازی
• 10. پس‌انتشار خطا
• 11. بهینه‌سازی شبکه‌های عصبی
• 12. گرادیان کاهشی
• 13. بهینه‌سازها
• 14. تنظیم‌کننده‌ها
• 15. معماری‌های پیشرفته شبکه‌های عصبی
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 19. چالش‌های پردازش زبان طبیعی
• 20. روش‌های سنتی در NLP
• 21. نمایش کلمات: Bag-of-Words
• 22. نمایش کلمات: TF-IDF
• 23. مقدمه‌ای بر مدل‌های زبانی
• 24. مدل‌های زبانی آماری
• 25. مقدمه‌ای بر یادگیری عمیق در NLP
• 26. شبکه‌های عصبی بازگشتی برای NLP
• 27. شبکه‌های حافظه کوتاه‌مدت (LSTM)
• 28. شبکه‌های حافظه طولانی کوتاه‌مدت (GRU)
• 29. مقدمه‌ای بر مدل‌های ترنسفورمر
• 30. معماری ترنسفورمر
• 31. مکانیزم توجه (Attention Mechanism)
• 32. خود-توجهی (Self-Attention)
• 33. رمزگذار-رمزگشا در ترنسفورمر
• 34. مقدمه‌ای بر BERT
• 35. مبانی BERT
• 36. معماری BERT
• 37. مدل‌سازی زبان ماسک شده (Masked Language Modeling - MLM)
• 38. پیش‌بینی جمله بعدی (Next Sentence Prediction - NSP)
• 39. پیش‌آموزش (Pre-training) مدل‌های زبانی
• 40. اهمیت پیش‌آموزش
• 41. داده‌های مورد نیاز برای پیش‌آموزش
• 42. فرایند پیش‌آموزش
• 43. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 44. تنظیم دقیق برای وظایف طبقه‌بندی متن
• 45. تنظیم دقیق برای استخراج اطلاعات
• 46. تنظیم دقیق برای پاسخ به سوال
• 47. مقدمه‌ای بر Keras NLP
• 48. نصب و راه‌اندازی Keras NLP
• 49. ساختار Keras NLP
• 50. استفاده از لایه‌های Keras NLP
• 51. ایجاد مدل‌های زبانی با Keras NLP
• 52. پیش‌آموزش مدل‌های زبان از پایه با Keras NLP
• 53. کدنویسی پیش‌آموزش BERT با Keras NLP
• 54. تنظیم پارامترهای پیش‌آموزش
• 55. مدیریت مجموعه داده‌ها برای پیش‌آموزش
• 56. ارزیابی مدل پیش‌آموزش دیده
• 57. تنظیم دقیق مدل BERT با Keras NLP
• 58. تنظیم دقیق برای طبقه‌بندی احساسات
• 59. تنظیم دقیق برای تشخیص موجودیت نام‌دار (NER)
• 60. تنظیم دقیق برای ترجمه ماشینی
• 61. تنظیم دقیق برای خلاصه‌سازی متن
• 62. استفاده از مدل‌های از پیش آموزش دیده
• 63. بارگذاری مدل‌های از پیش آموزش دیده
• 64. انتقال یادگیری (Transfer Learning)
• 65. تنظیم دقیق مدل با داده‌های سفارشی
• 66. اجرای استنتاج (Inference) با Keras NLP
• 67. پیش‌پردازش متن برای استنتاج
• 68. اجرای مدل بر روی داده‌های جدید
• 69. تفسیر نتایج استنتاج
• 70. بهینه‌سازی عملکرد مدل
• 71. تنظیم فراپارامترها (Hyperparameter Tuning)
• 72. تکنیک‌های منظم‌سازی
• 73. استفاده از سخت‌افزار مناسب (GPU)
• 74. مقدمه‌ای بر مدل‌های بزرگ زبانی (LLMs)
• 75. تفاوت LLMs با BERT
• 76. معماری‌های پیشرفته LLMs
• 77. کاربردهای LLMs
• 78. چالش‌های LLMs
• 79. مسائل اخلاقی در LLMs
• 80. مسئولیت‌پذیری در هوش مصنوعی
• 81. حریم خصوصی در LLMs
• 82. سوگیری (Bias) در مدل‌های زبانی
• 83. کاهش سوگیری در مدل‌های زبانی
• 84. روش‌های ارزیابی مدل‌های زبانی
• 85. متریک‌های ارزیابی
• 86. مقدمه‌ای بر مهندسی پرامپت (Prompt Engineering)
• 87. اصول مهندسی پرامپت
• 88. تکنیک‌های پیشرفته مهندسی پرامپت
• 89. ارزیابی پرامپت‌ها
• 90. کاربرد Keras NLP در پروژه‌های واقعی
• 91. ساخت یک چت‌بات ساده
• 92. سیستم توصیه‌گر مبتنی بر متن
• 93. سیستم تحلیل خودکار نظرات کاربران
• 94. مقدمه‌ای بر توسعه پایدار در هوش مصنوعی
• 95. ملاحظات زیست‌محیطی در آموزش مدل‌ها
• 96. کاهش مصرف انرژی
• 97. آینده مدل‌های زبان بزرگ
• 98. نوآوری‌های آتی در Keras NLP
• 99. نتیجه‌گیری و جمع‌بندی
• 100. مرور کلی بر یادگیری عمیق در NLP