کتاب صوتی راهکارهای مقابله با مشکلات مقیاس‌پذیری در آموزش مدل‌های بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای مقابله با مشکلات مقیاس‌پذیری در آموزش مدل‌های بزرگ

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تکنیک‌های بهینه‌سازی آموزش (Distributed Training, Mixed Precision)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مشکلات مقیاس‌پذیری در آموزش مدل‌های بزرگ
• 2. مبانی آموزش مدل‌های یادگیری ماشین
• 3. معماری‌های پایه مدل‌های یادگیری عمیق
• 4. مفهوم پارامترها و ابرپارامترها
• 5. فرایند پیش‌پردازش داده‌ها برای آموزش
• 6. تکنیک‌های نمونه‌برداری و وزن‌دهی به داده‌ها
• 7. اهمیت انتخاب مجموعه داده مناسب
• 8. مقدمه‌ای بر بهینه‌سازی مدل‌های یادگیری ماشین
• 9. گرادیان کاهشی و انواع آن
• 10. مفاهیم مربوط به نرخ یادگیری
• 11. استفاده از شتاب‌دهنده‌ها در گرادیان کاهشی
• 12. بهینه‌سازهای پیشرفته: Adam، RMSprop
• 13. تنظیمات ابرپارامترهای بهینه‌سازها
• 14. تکنیک‌های تنظیم نرخ یادگیری
• 15. مقدمه‌ای بر مشکل بیش‌برازش (Overfitting)
• 16. شناسایی و تشخیص بیش‌برازش
• 17. روش‌های تنظیم‌گر (Regularization)
• 18. L1 و L2 Regularization
• 19. Dropout و مکانیزم‌های آن
• 20. افزایش داده (Data Augmentation)
• 21. Early Stopping به عنوان راهکار
• 22. مقدمه‌ای بر مشکل کم‌برازش (Underfitting)
• 23. دلایل بروز کم‌برازش
• 24. تکنیک‌های مقابله با کم‌برازش
• 25. افزایش پیچیدگی مدل
• 26. استفاده از ویژگی‌های بهتر
• 27. مقدمه‌ای بر آموزش توزیع‌شده
• 28. مفاهیم موازی‌سازی داده و مدل
• 29. معماری‌های آموزش توزیع‌شده
• 30. استفاده از چندین GPU
• 31. استفاده از چندین ماشین (Node)
• 32. فریم‌ورک‌های آموزش توزیع‌شده
• 33. PyTorch Distributed
• 34. TensorFlow Distributed
• 35. مقدمه‌ای بر مدیریت حافظه در آموزش مدل‌های بزرگ
• 36. تکنیک‌های کاهش مصرف حافظه GPU
• 37. Gradient Checkpointing
• 38. Mixed Precision Training
• 39. استفاده از انواع داده با دقت کمتر
• 40. مدیریت حافظه CPU
• 41. مقدمه‌ای بر بهینه‌سازی زمان آموزش
• 42. تکنیک‌های موازی‌سازی داده
• 43. تکنیک‌های موازی‌سازی مدل
• 44. تکنیک‌های موازی‌سازی لوله (Pipeline Parallelism)
• 45. مدیریت موازی‌سازی هیبریدی
• 46. استفاده از سخت‌افزارهای تخصصی
• 47. مقدمه‌ای بر مدل‌های زبان بزرگ (LLMs)
• 48. معماری ترنسفورمر و اجزای آن
• 49. مکانیزم توجه (Attention Mechanism)
• 50. Self-Attention و Multi-Head Attention
• 51. انواع معماری‌های ترنسفورمر
• 52. GPT و خانواده آن
• 53. BERT و خانواده آن
• 54. مقدمه‌ای بر آموزش مدل‌های زبان بزرگ
• 55. مراحل پیش‌آموزش (Pre-training)
• 56. داده‌های مورد استفاده در پیش‌آموزش
• 57. مفاهیم Masked Language Modeling
• 58. Next Sentence Prediction
• 59. مقدمه‌ای بر تنظیم دقیق (Fine-tuning) مدل‌های زبان بزرگ
• 60. روش‌های تنظیم دقیق
• 61. تنظیم دقیق پارامترهای کامل
• 62. تنظیم دقیق پارامترهای انتخابی (Adapter Tuning)
• 63. Parameter-Efficient Fine-Tuning (PEFT)
• 64. LoRA (Low-Rank Adaptation)
• 65. مقدمه‌ای بر ارزیابی مدل‌های زبان بزرگ
• 66. معیارهای ارزیابی متنی
• 67. Perplexity
• 68. BLEU, ROUGE
• 69. مقدمه‌ای بر چالش‌های اخلاقی و امنیتی در آموزش مدل‌های بزرگ
• 70. سوگیری (Bias) در داده‌ها و مدل‌ها
• 71. روش‌های کاهش سوگیری
• 72. ملاحظات حریم خصوصی داده‌ها
• 73. امنیت مدل‌ها در برابر حملات
• 74. تکنیک‌های دفاع در برابر حملات adversarial
• 75. مقدمه‌ای بر کاربردهای مدل‌های زبان بزرگ
• 76. تولید متن
• 77. خلاصه‌سازی متن
• 78. ترجمه ماشینی
• 79. پاسخ به سوال
• 80. مقدمه‌ای بر بهینه‌سازی استنتاج (Inference) مدل‌های بزرگ
• 81. کوانتیزاسیون (Quantization) مدل‌ها
• 82. تقطیر دانش (Knowledge Distillation)
• 83. هرس کردن (Pruning) مدل‌ها
• 84. بهینه‌سازی سخت‌افزار برای استنتاج
• 85. مقدمه‌ای بر آینده آموزش مدل‌های بزرگ
• 86. مدل‌های چندوجهی (Multimodal Models)
• 87. یادگیری تقویتی در آموزش مدل‌ها
• 88. مدل‌های خودرگرسیو با کارایی بالا
• 89. روش‌های جدید بهینه‌سازی و مقیاس‌پذیری
• 90. مقدمه‌ای بر چارچوب‌های قانونی و شرعی در تولید محتوا
• 91. ضوابط تولید محتوای آموزشی در ایران
• 92. ملاحظات شرعی در محتوای آموزشی
• 93. چارچوب‌های قانونی مربوط به داده و حریم خصوصی
• 94. اهمیت انطباق با قوانین جمهوری اسلامی ایران
• 95. اصول اخلاقی در آموزش و پژوهش
• 96. رعایت حدود شرعی در محتوای آموزشی
• 97. ممنوعیت ترویج موضوعات ضاله و انحرافی
• 98. پرهیز از توهین به مقدسات و ارزش‌های دینی
• 99. نکات کلیدی در تولید محتوای سازگار با قوانین
• 100. اهمیت بازبینی و تطابق محتوا با ضوابط