کتاب صوتی یادگیری عمیق در مدل‌های زبانی بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق در مدل‌های زبانی بزرگ

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدل‌های زبانی بزرگ (LLMs) - مفاهیم و اصول**

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و مدل‌های زبانی بزرگ
• 2. مبانی شبکه‌های عصبی مصنوعی
• 3. توابع فعال‌سازی در شبکه‌های عصبی
• 4. پس‌انتشار خطا (Backpropagation)
• 5. بهینه‌سازها در یادگیری عمیق
• 6. تنظیم‌کننده‌ها و تکنیک‌های جلوگیری از بیش‌برازش (Overfitting)
• 7. معماری‌های شبکه‌های عصبی پرکاربرد
• 8. شبکه‌های عصبی کانولوشنال (CNN)
• 9. شبکه‌های عصبی بازگشتی (RNN)
• 10. حافظه کوتاه‌مدت طولانی (LSTM)
• 11. واحد بازگشتی دروازه‌ای (GRU)
• 12. مبانی پردازش زبان طبیعی (NLP)
• 13. پیش‌پردازش متن: توکن‌سازی و پاک‌سازی
• 14. تعبیه‌سازی کلمات (Word Embeddings): Word2Vec
• 15. تعبیه‌سازی کلمات: GloVe
• 16. تعبیه‌سازی کلمات: FastText
• 17. مدل‌های زبانی آماری
• 18. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 19. شبکه‌های عصبی ترنسفورمر (Transformer Networks)
• 20. مکانیزم توجه (Attention Mechanism)
• 21. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 22. معماری ترنسفورمر در LLMs
• 23. مدل‌های پیش‌آموزش‌دیده (Pre-trained Models)
• 24. BERT: Bidirectional Encoder Representations from Transformers
• 25. GPT: Generative Pre-trained Transformer
• 26. تفاوت‌های GPT و BERT
• 27. آموزش پیش‌گیری (Pre-training) در LLMs
• 28. مجموعه‌داده‌های مورد استفاده در پیش‌آموزش
• 29. تکنیک‌های پیش‌آموزش: Masked Language Modeling (MLM)
• 30. تکنیک‌های پیش‌آموزش: Next Sentence Prediction (NSP)
• 31. تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ
• 32. تنظیم دقیق برای وظایف طبقه‌بندی متن
• 33. تنظیم دقیق برای وظایف پاسخ به سوال
• 34. تنظیم دقیق برای وظایف خلاصه‌سازی متن
• 35. تنظیم دقیق برای وظایف ترجمه ماشینی
• 36. تنظیم دقیق برای وظایف تولید متن
• 37. تنظیم دقیق با استفاده از داده‌های کم (Few-shot Learning)
• 38. تنظیم دقیق با استفاده از یادگیری در متن (In-context Learning)
• 39. ارزیابی مدل‌های زبانی بزرگ
• 40. معیارهای ارزیابی در NLP
• 41. معیارهای ارزیابی برای وظایف تولید متن
• 42. معیارهای ارزیابی برای وظایف طبقه‌بندی
• 43. معیارهای ارزیابی برای وظایف پاسخ به سوال
• 44. چالش‌های مدل‌های زبانی بزرگ
• 45. تعصبات در مدل‌های زبانی بزرگ
• 46. اخلاق در هوش مصنوعی و LLMs
• 47. کاربردهای مدل‌های زبانی بزرگ در صنعت
• 48. کاربرد در دستیارهای مجازی هوشمند
• 49. کاربرد در تولید محتوا و بازاریابی
• 50. کاربرد در تحلیل احساسات و نظرات
• 51. کاربرد در حوزه آموزش و یادگیری
• 52. کاربرد در توسعه نرم‌افزار و کدنویسی
• 53. کاربرد در حوزه سلامت و پزشکی
• 54. کاربرد در حوزه حقوق و قضایی
• 55. کاربرد در حوزه پژوهش و علم
• 56. کاربرد در حوزه خدمات مشتریان
• 57. کاربرد در حوزه ترجمه و بومی‌سازی
• 58. کاربرد در حوزه بازی‌سازی و سرگرمی
• 59. کاربرد در حوزه مدیریت دانش
• 60. کاربرد در تحلیل داده‌های متنی حجیم
• 61. کاربرد در کشف اطلاعات و دانش
• 62. کاربرد در سیستم‌های توصیه‌گر
• 63. کاربرد در اعتبارسنجی اطلاعات
• 64. کاربرد در تولید شعر و داستان
• 65. کاربرد در تحلیل صورت‌های مالی
• 66. کاربرد در تشخیص ناهنجاری در متن
• 67. کاربرد در سیستم‌های پرسش و پاسخ
• 68. کاربرد در هوش مصنوعی مولد
• 69. کاربرد در یادگیری تقویتی با بازخورد انسانی (RLHF)
• 70. روش‌های پیاده‌سازی LLMs
• 71. کتابخانه‌ها و فریم‌ورک‌های محبوب (PyTorch, TensorFlow)
• 72. استفاده از Hugging Face Transformers
• 73. استفاده از مدل‌های متن‌باز
• 74. پیاده‌سازی مدل‌های زبانی در پروژه‌های عملی
• 75. نکات مهم در انتخاب مدل مناسب
• 76. انتخاب مدل بر اساس وظیفه
• 77. انتخاب مدل بر اساس منابع محاسباتی
• 78. انتخاب مدل بر اساس زبان
• 79. ملاحظات امنیتی در استفاده از LLMs
• 80. حفاظت از داده‌های حساس
• 81. جلوگیری از سوءاستفاده از LLMs
• 82. ملاحظات مربوط به تولید محتوای نادرست
• 83. مدیریت و به‌روزرسانی مدل‌ها
• 84. آینده مدل‌های زبانی بزرگ
• 85. پیشرفت‌های آتی در معماری‌ها
• 86. مدل‌های چندوجهی (Multimodal Models)
• 87. مدل‌های زبانی بزرگ با توانایی استدلال
• 88. مدل‌های زبانی بزرگ کارآمدتر
• 89. نقش LLMs در تحول دیجیتال
• 90. تأثیر LLMs بر بازار کار
• 91. چالش‌های حقوقی و نظارتی LLMs
• 92. آموزش و توسعه مهارت‌های مرتبط با LLMs
• 93. کاربرد LLMs در ارتقاء بهره‌وری
• 94. مبانی اقتصاد و کسب‌وکار در حوزه LLMs
• 95. مدل‌های کسب‌وکار مبتنی بر LLMs
• 96. فرهنگ‌سازی و آموزش عمومی در خصوص LLMs
• 97. مبانی حقوقی و چارچوب‌های قانونی LLMs
• 98. مطالعات موردی موفق در پیاده‌سازی LLMs
• 99. چالش‌ها و راه‌حل‌ها در پروژه‌های LLMs
• 100. تکنیک‌های بهینه‌سازی برای استقرار LLMs