کتاب صوتی مهندسی داده برای استقرار موفقیت‌آمیز مدل‌های زبانی بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده برای استقرار موفقیت‌آمیز مدل‌های زبانی بزرگ

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمات و مبانی مهندسی داده
• 2. انواع داده‌ها و ساختارهای داده
• 3. مفاهیم پایگاه داده رابطه‌ای
• 4. طراحی پایگاه داده رابطه‌ای
• 5. مقدمات SQL
• 6. کوئری‌های پیشرفته SQL
• 7. پایگاه داده‌های NoSQL
• 8. مفاهیم NoSQL و انواع آن
• 9. مدل‌سازی داده در پایگاه داده‌های NoSQL
• 10. پردازش داده‌های جریانی (Streaming Data)
• 11. ابزارها و تکنولوژی‌های پردازش جریانی
• 12. معماری‌های پردازش داده‌های جریانی
• 13. ذخیره‌سازی داده‌های کلان (Big Data Storage)
• 14. مفاهیم Data Lake و Data Warehouse
• 15. تکنولوژی‌های ذخیره‌سازی کلان داده
• 16. امنیت در ذخیره‌سازی داده‌ها
• 17. مدیریت چرخه حیات داده
• 18. کیفیت داده (Data Quality)
• 19. پاکسازی و اعتبارسنجی داده
• 20. استانداردسازی داده
• 21. مقدمات مهندسی ویژگی (Feature Engineering)
• 22. تکنیک‌های استخراج ویژگی
• 23. انتخاب ویژگی (Feature Selection)
• 24. مهندسی ویژگی برای مدل‌های زبانی
• 25. انواع مدل‌های زبانی بزرگ (LLMs)
• 26. معماری ترنسفورمر (Transformer Architecture)
• 27. پیش‌پردازش متن برای LLMs
• 28. توکن‌سازی (Tokenization)
• 29. بردارسازی متن (Text Embedding)
• 30. مدل‌های زبانی پیش‌آموزش‌دیده (Pre-trained LLMs)
• 31. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 32. ارزیابی مدل‌های زبانی
• 33. متریک‌های ارزیابی LLMs
• 34. مقدمات استقرار مدل (Model Deployment)
• 35. روش‌های استقرار مدل
• 36. استقرار مدل‌های زبانی در محیط عملیاتی
• 37. زیرساخت‌های استقرار مدل
• 38. محاسبات ابری (Cloud Computing)
• 39. سرویس‌های ابری برای مهندسی داده
• 40. مدیریت منابع در محیط ابری
• 41. کانتینرسازی (Containerization) با Docker
• 42. ارکستراسیون کانتینرها با Kubernetes
• 43. استقرار مدل با استفاده از کانتینرها
• 44. نظارت و مانیتورینگ مدل‌های مستقر
• 45. ابزارهای مانیتورینگ عملکرد مدل
• 46. مدیریت لاگ‌ها (Logging)
• 47. تشخیص و رفع خطا در مدل‌های مستقر
• 48. مقیاس‌پذیری در استقرار مدل
• 49. بهینه‌سازی عملکرد مدل‌های زبانی
• 50. فشرده‌سازی مدل‌های زبانی
• 51. کوچک‌سازی مدل‌های زبانی
• 52. استفاده از سخت‌افزارهای بهینه
• 53. مدیریت نسخه‌های مدل (Model Versioning)
• 54. ردیابی آزمایشات (Experiment Tracking)
• 55. مستندسازی مدل‌ها و فرآیندها
• 56. تست و اعتبار سنجی مدل‌ها پس از استقرار
• 57. تست A/B برای مدل‌های زبانی
• 58. بازخورد کاربران و بهبود مستمر
• 59. ملاحظات اخلاقی در استقرار LLMs
• 60. حریم خصوصی داده در LLMs
• 61. سوگیری (Bias) در مدل‌های زبانی
• 62. کاهش سوگیری در LLMs
• 63. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 64. امنیت مدل‌های زبانی در برابر حملات
• 65. حملات تزریقی (Prompt Injection)
• 66. دفاع در برابر حملات سایبری به LLMs
• 67. مدیریت ریسک در استقرار LLMs
• 68. قوانین و مقررات مربوط به داده‌ها
• 69. انطباق با قوانین جمهوری اسلامی ایران
• 70. استانداردهای فنی برای استقرار مدل
• 71. معماری‌های MLOps
• 72. اتوماسیون در چرخه عمر مدل
• 73. ابزارهای MLOps
• 74. یکپارچه‌سازی داده و مدل
• 75. پایپ‌لاین‌های داده و مدل
• 76. استقرار مدل‌های زبانی در پلتفرم‌های مختلف
• 77. استقرار مدل‌های زبانی در محیط‌های داخلی (On-premise)
• 78. استقرار مدل‌های زبانی در محیط‌های ابری
• 79. استقرار مدل‌های زبانی برای کاربردهای خاص
• 80. پردازش زبان طبیعی (NLP) و کاربردهای آن
• 81. استخراج اطلاعات از متن
• 82. خلاصه‌سازی متن
• 83. ترجمه ماشینی
• 84. تشخیص موجودیت نام‌دار (NER)
• 85. تحلیل احساسات
• 86. تولید متن
• 87. کاربردهای LLMs در صنایع مختلف
• 88. کاربرد LLMs در خدمات مشتریان
• 89. کاربرد LLMs در آموزش
• 90. کاربرد LLMs در تحقیقات علمی
• 91. کاربرد LLMs در توسعه نرم‌افزار
• 92. کاربرد LLMs در بهداشت و درمان
• 93. مقدمات یادگیری عمیق (Deep Learning)
• 94. شبکه‌های عصبی کانولوشنی (CNN)
• 95. شبکه‌های عصبی بازگشتی (RNN)
• 96. شبکه‌های عصبی ترنسفورمر (Transformer)
• 97. معماری‌های پیشرفته LLM
• 98. مدل‌های مولد (Generative Models)
• 99. روش‌های آموزش تقویتی برای LLMs
• 100. آموزش تقویتی از بازخورد انسانی (RLHF)