کتاب صوتی Advanced Techniques in TensorFlow for LLMs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Advanced Techniques in TensorFlow for LLMs

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 2. آشنایی با کتابخانه TensorFlow
• 3. نصب و راه‌اندازی TensorFlow
• 4. ساخت اولین مدل یادگیری عمیق در TensorFlow
• 5. مبانی شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 6. آموزش مدل‌های MLP با داده‌های طبقه‌بندی
• 7. آموزش مدل‌های MLP با داده‌های رگرسیون
• 8. بهینه‌سازی مدل‌های MLP: توابع هزینه و بهینه‌سازها
• 9. تنظیم ابرپارامترها در مدل‌های MLP
• 10. معماری‌های پیشرفته شبکه‌های عصبی: شبکه‌های عصبی کانولوشنال (CNN)
• 11. کاربرد CNN در پردازش تصویر
• 12. ساخت مدل‌های CNN برای طبقه‌بندی تصاویر
• 13. تنظیم معماری CNN: لایه‌ها و فیلترها
• 14. شبکه‌های عصبی بازگشتی (RNN) و کاربردهای آن
• 15. مدل‌های LSTM و GRU برای داده‌های ترتیبی
• 16. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 17. ساخت مدل‌های RNN برای تحلیل احساسات
• 18. آموزش مدل‌های ترتیبی با TensorFlow
• 19. مبانی مدل‌های ترنسفورمر (Transformer)
• 20. معماری Attention و Self-Attention
• 21. کاربرد ترنسفورمر در مدل‌های زبانی بزرگ (LLMs)
• 22. مقدمه‌ای بر پردازش زبان طبیعی در TensorFlow
• 23. پیش‌پردازش متن برای مدل‌های NLP
• 24. تعبیه‌سازی کلمات (Word Embeddings): Word2Vec، GloVe
• 25. تعبیه‌سازی کلمات با TensorFlow
• 26. ساخت مدل‌های زبانی ساده با TensorFlow
• 27. آموزش مدل‌های زبانی با استفاده از RNN و LSTM
• 28. آموزش مدل‌های زبانی با استفاده از ترنسفورمر
• 29. مبانی مدل‌های تولید متن (Text Generation)
• 30. تنظیم پارامترهای مدل‌های تولید متن
• 31. ارزیابی مدل‌های تولید متن
• 32. مقدمه‌ای بر مدل‌های مولد (Generative Models)
• 33. شبکه‌های مولد تخاصمی (GANs)
• 34. کاربرد GANs در تولید تصویر
• 35. آموزش GANs با TensorFlow
• 36. مدل‌های انتشار (Diffusion Models)
• 37. کاربرد مدل‌های انتشار در تولید تصویر
• 38. آموزش مدل‌های انتشار با TensorFlow
• 39. مبانی مدل‌های زبانی بزرگ (LLMs)
• 40. معماری‌های پیشرفته LLMs: GPT، BERT، LLaMA
• 41. آموزش LLMs از ابتدا: چالش‌ها و راهکارها
• 42. تنظیم دقیق (Fine-tuning) LLMs برای وظایف خاص
• 43. کاربرد Fine-tuning در طبقه‌بندی متن
• 44. کاربرد Fine-tuning در پاسخگویی به سوالات
• 45. کاربرد Fine-tuning در خلاصه‌سازی متن
• 46. تکنیک‌های پیشرفته در Fine-tuning LLMs
• 47. آموزش تقویتی (Reinforcement Learning) و LLMs
• 48. کاربرد RLHF (Reinforcement Learning from Human Feedback)
• 49. پیاده‌سازی RLHF با TensorFlow
• 50. مبانی یادگیری انتقالی (Transfer Learning)
• 51. کاربرد Transfer Learning در NLP
• 52. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 53. مدیریت و استفاده از مدل‌های از پیش آموزش‌دیده
• 54. استقرار مدل‌های LLMs در محیط عملیاتی
• 55. بهینه‌سازی مدل‌های LLMs برای استنتاج (Inference)
• 56. تکنیک‌های کوانتیزاسیون (Quantization) برای LLMs
• 57. تکنیک‌های تقطیر دانش (Knowledge Distillation)
• 58. چالش‌های اخلاقی و اجتماعی در استفاده از LLMs
• 59. مسئولیت‌پذیری در توسعه و به‌کارگیری LLMs
• 60. روش‌های ارزیابی جامع LLMs
• 61. تکنیک‌های بهبود کیفیت خروجی LLMs
• 62. مدیریت حافظه و منابع در آموزش LLMs
• 63. معماری‌های توزیع‌شده برای آموزش LLMs
• 64. استفاده از سخت‌افزارهای تخصصی (GPU, TPU)
• 65. بهینه‌سازی کد TensorFlow برای عملکرد بهتر
• 66. مبانی پردازش توزیع‌شده با TensorFlow
• 67. استفاده از TensorFlow Extended (TFX)
• 68. خطوط لوله (Pipelines) در TFX
• 69. مدیریت داده‌ها و ویژگی‌ها در TFX
• 70. آموزش و ارزیابی مدل در TFX
• 71. استقرار مدل با TFX
• 72. کاربرد LLMs در حوزه‌های علمی و پژوهشی
• 73. LLMs در تحلیل داده‌های پزشکی
• 74. LLMs در آموزش و یادگیری
• 75. LLMs در توسعه نرم‌افزار
• 76. LLMs در حوزه هوش مصنوعی مولد (Generative AI)
• 77. آینده LLMs و روندهای تحقیقاتی
• 78. مباحث پیشرفته در معماری ترنسفورمر
• 79. مدل‌های LLM با کارایی بالا (Efficient LLMs)
• 80. روش‌های کاهش اندازه مدل‌های LLM
• 81. تکنیک‌های یادگیری مداوم (Continual Learning) برای LLMs
• 82. LLMs و درک زمینه (Context Understanding)
• 83. تکنیک‌های استدلال (Reasoning) در LLMs
• 84. LLMs و تولید کد
• 85. LLMs و رابط‌های کاربری هوشمند
• 86. ملاحظات امنیتی در استفاده از LLMs
• 87. حریم خصوصی و حفاظت از داده‌ها در LLMs
• 88. اخلاق در طراحی و توسعه LLMs
• 89. قوانین و مقررات مرتبط با LLMs در ایران
• 90. چشم‌انداز بومی‌سازی و توسعه LLMs در ایران
• 91. آینده‌پژوهی LLMs با رویکرد اسلامی
• 92. کاربرد LLMs در ترویج معارف اسلامی
• 93. توسعه LLMs با تمرکز بر زبان فارسی
• 94. فرهنگ‌سازی استفاده صحیح از LLMs
• 95. پروژه‌های عملی با استفاده از TensorFlow و LLMs
• 96. کارگاه عملی: Fine-tuning یک LLM برای وظیفه فارسی
• 97. کارگاه عملی: ساخت یک سیستم پرسش و پاسخ با LLMs
• 98. کارگاه عملی: تولید محتوای خلاقانه با LLMs
• 99. طراحی و پیاده‌سازی یک پروژه LLM کاربردی
• 100. ارائه و نقد پروژه‌های دانشجویی