کتاب صوتی Optimizing LLM Performance using TensorFlow

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Optimizing LLM Performance using TensorFlow

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 معماری‌های شبکه‌های عصبی
• 3. مبانی شبکه‌های عصبی کانولوشنی (CNN)
• 4. مبانی شبکه‌های عصبی بازگشتی (RNN)
• 5. مقدمه‌ای بر ترنسفورمرها و مکانیزم توجه
• 6. معماری ترنسفورمر در پردازش زبان طبیعی
• 7. لایه انکودر در ترنسفورمرها
• 8. لایه دیکودر در ترنسفورمرها
• 9. آموزش ترنسفورمرها از ابتدا
• 10. پیش‌پردازش داده‌ها برای مدل‌های زبان
• 11. توکن‌سازی و واژگان‌سازی
• 12. تعبیه‌های کلمه (Word Embeddings)
• 13. مبانی TensorFlow برای یادگیری عمیق
• 14. ساخت مدل‌های سفارشی در TensorFlow
• 15. کامپایل و آموزش مدل‌ها با TensorFlow
• 16. ارزیابی مدل‌ها و معیارهای عملکرد
• 17. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 18. بهینه‌سازی معماری شبکه‌های عصبی
• 19. تکنیک‌های تنظیم‌گری (Regularization)
• 20. کاهش بیش‌برازش (Overfitting)
• 21. بیش‌برازش (Underfitting) و روش‌های مقابله
• 22. بهینه‌سازی توابع هزینه (Loss Functions)
• 23. بهینه‌سازهای گرادیان نزولی (Gradient Descent Optimizers)
• 24. گرادیان نزولی تصادفی (SGD)
• 25. آدام (Adam) و سایر بهینه‌سازهای پیشرفته
• 26. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 27. استفاده از GPU برای تسریع آموزش
• 28. مدیریت حافظه در TensorFlow
• 29. یادگیری انتقالی (Transfer Learning)
• 30. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 31. کاربرد مدل‌های ترنسفورمر در طبقه‌بندی متن
• 32. کاربرد مدل‌های ترنسفورمر در تولید متن
• 33. مدل‌سازی زبان (Language Modeling)
• 34. پیش‌بینی کلمه بعدی
• 35. تولید دنباله (Sequence Generation)
• 36. کاربرد مدل‌های ترنسفورمر در ترجمه ماشینی
• 37. معماری‌های دنباله به دنباله (Seq2Seq)
• 38. ترجمه ماشینی با ترنسفورمرها
• 39. کاربرد مدل‌های ترنسفورمر در خلاصه‌سازی متن
• 40. خلاصه‌سازی استخراجی (Extractive Summarization)
• 41. خلاصه‌سازی انتزاعی (Abstractive Summarization)
• 42. مدل‌های زبانی بزرگ (LLMs)
• 43. معماری‌های مدرن LLMs
• 44. آموزش LLMs (Pre-training)
• 45. تنظیم دقیق LLMs برای وظایف خاص
• 46. ارزیابی LLMs
• 47. اندازه‌گیری کیفیت تولید متن
• 48. معیارهای ارزیابی LLMs
• 49. چالش‌های اخلاقی در LLMs
• 50. سوگیری در داده‌ها و مدل‌ها
• 51. مدیریت و کاهش سوگیری
• 52. اصول اخلاقی در توسعه هوش مصنوعی
• 53. کاربرد LLMs در پرسش و پاسخ
• 54. سیستم‌های پرسش و پاسخ استخراجی
• 55. سیستم‌های پرسش و پاسخ مولد
• 56. کاربرد LLMs در تحلیل احساسات
• 57. شناسایی احساسات در متن
• 58. تحلیل احساسات چندوجهی
• 59. کاربرد LLMs در تشخیص موجودیت نام‌دار (NER)
• 60. تشخیص موجودیت‌های خاص در متن
• 61. تنظیم دقیق NER با ترنسفورمرها
• 62. مدل‌های embedding پیشرفته
• 63. Word2Vec و GloVe
• 64. FastText
• 65. ELMo و BERT
• 66. کاربرد مدل‌های embedding در وظایف NLP
• 67. استفاده از Embeddingهای از پیش آموزش‌دیده
• 68. آموزش Embeddingهای سفارشی
• 69. بهینه‌سازی مدل‌های ترنسفورمر برای استنتاج
• 70. کوانتیزاسیون مدل (Model Quantization)
• 71. تقطیر دانش (Knowledge Distillation)
• 72. هرس کردن مدل (Model Pruning)
• 73. تکنیک‌های تسریع استنتاج
• 74. استفاده از TensorFlow Lite
• 75. استفاده از TensorFlow Serving
• 76. بهینه‌سازی مدل‌ها برای دستگاه‌های محدود
• 77. مدل‌های ترنسفورمر برای پردازش تصویر
• 78. Vision Transformer (ViT)
• 79. کاربرد ViT در طبقه‌بندی تصویر
• 80. کاربرد ViT در تشخیص اشیاء
• 81. ترکیب NLP و بینایی کامپیوتر
• 82. مدل‌های چندوجهی
• 83. تولید شرح تصویر (Image Captioning)
• 84. پرسش و پاسخ تصویری (Visual Question Answering)
• 85. مدیریت و نظارت بر مدل‌های در حال اجرا
• 86. مانیتورینگ عملکرد مدل
• 87. تشخیص انحراف داده (Data Drift)
• 88. بازآموزی مدل‌ها
• 89. ملاحظات امنیتی در مدل‌های هوش مصنوعی
• 90. حفاظت از مدل‌ها در برابر حملات
• 91. پیشگیری از سوءاستفاده از LLMs
• 92. ملاحظات مربوط به حریم خصوصی داده‌ها
• 93. ذخیره‌سازی امن داده‌ها
• 94. مدیریت دسترسی به داده‌ها
• 95. اصول طراحی مدل‌های مسئولانه
• 96. توسعه پایدار در هوش مصنوعی
• 97. ارزیابی تاثیرات اجتماعی هوش مصنوعی
• 98. آیندهٔ LLMs و معماری‌های نوین
• 99. معماری‌های ترنسفورمر نسل جدید
• 100. مدل‌های زبانی مولتی‌مودال