کتاب دموکراتیزه کردن LLM: از بهینه‌سازی‌های مقیاس بزرگ تا استقرار جهانی و فراگیر
, ,

کتاب دموکراتیزه کردن LLM: از بهینه‌سازی‌های مقیاس بزرگ تا استقرار جهانی و فراگیر

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000008439 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب دموکراتیزه کردن LLM: از بهینه‌سازی‌های مقیاس بزرگ تا استقرار جهانی و فراگیر

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ (LLMs)

موضوع میانی: بهینه‌سازی و استقرار LLM برای عموم

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM)
  • 2. LLMها: تحول در هوش مصنوعی و کاربردها
  • 3. چرا بهینه‌سازی LLMها حیاتی است؟
  • 4. چالش‌های مقیاس‌پذیری LLM: هزینه، حافظه، محاسبات
  • 5. دموکراتیزه کردن LLM: چشم‌انداز و هدف دوره
  • 6. مروری بر مقاله "Democratizing LLM Efficiency"
  • 7. معماری ترانسفورمر: قلب LLMها
  • 8. ساختار Attention و اهمیت آن در LLM
  • 9. انواع LLM: Decoder-Only، Encoder-Decoder
  • 10. مدل‌های پایه (Foundation Models) و اهمیت آن‌ها
  • 11. آموزش LLM: مفاهیم کلی و چالش‌ها
  • 12. پیش‌آموزش (Pre-training) در مقیاس بزرگ
  • 13. تنظیم دقیق (Fine-tuning) و تطبیق مدل
  • 14. استراتژی‌های یادگیری: انتقال و چندوظیفه‌ای
  • 15. اندازه‌گیری عملکرد LLM: معیارها و متدولوژی
  • 16. معرفی ابزارهای اولیه برای کار با LLMها (Hugging Face)
  • 17. سخت‌افزار مورد نیاز برای LLM: GPU، TPU، CPU
  • 18. گلوگاه‌های محاسباتی در Inference LLM
  • 19. مصرف انرژی LLM: یک چالش زیست‌محیطی
  • 20. امنیت و حریم خصوصی در LLMها
  • 21. فشرده‌سازی مدل: رویکردی برای کارایی
  • 22. کوانتیزاسیون (Quantization): کاهش دقت برای سرعت
  • 23. انواع کوانتیزاسیون: Post-Training Quantization (PTQ)
  • 24. کوانتیزاسیون آگاه از آموزش (Quantization-Aware Training – QAT)
  • 25. تکنیک‌های مختلف کوانتیزاسیون: INT8، FP8
  • 26. هرس کردن (Pruning): حذف اتصالات اضافی
  • 27. انواع هرس: ساختاریافته و نامنظم
  • 28. تقطیر مدل (Knowledge Distillation): آموزش یک مدل کوچک‌تر
  • 29. انتخاب معماری مناسب برای مدل‌های فشرده
  • 30. ارزیابی کیفیت مدل‌های فشرده‌شده
  • 31. بهینه‌سازی استنتاج (Inference Optimization) LLM
  • 32. پردازش دسته‌ای (Batching) و افزایش بهره‌وری
  • 33. پردازش دسته‌ای پیوسته (Continuous Batching)
  • 34. کش کردن کلید-مقدار (KV Cache) و بهینه‌سازی حافظه
  • 35. PagedAttention: مدیریت حافظه KV Cache
  • 36. کدگشایی حدسی (Speculative Decoding)
  • 37. استفاده از شتاب‌دهنده‌های سخت‌افزاری (e.g., NVIDIA TensorRT)
  • 38. بهینه‌سازی هسته‌های محاسباتی (Kernel Optimization)
  • 39. کامپایلرهای بهینه‌سازی گراف (Graph Optimizing Compilers)
  • 40. زمان‌بندی پویا (Dynamic Scheduling) برای استنتاج
  • 41. تنظیم دقیق کارآمد پارامتر (Parameter-Efficient Fine-Tuning – PEFT)
  • 42. معرفی LoRA (Low-Rank Adaptation of Large Language Models)
  • 43. QLoRA: کوانتیزاسیون با LoRA برای مدل‌های بزرگ
  • 44. Prefix-Tuning و Prompt-Tuning
  • 45. Adapters و ترکیب آن‌ها با LLMها
  • 46. مزایای PEFT: کاهش حافظه و زمان آموزش
  • 47. انتخاب روش PEFT مناسب برای کاربردهای مختلف
  • 48. پیاده‌سازی PEFT با کتابخانه‌های موجود (e.g., PEFT library)
  • 49. بهینه‌سازی Hyperparameters در PEFT
  • 50. ترکیب PEFT با کوانتیزاسیون برای کارایی حداکثری
  • 51. استقرار LLM بر روی دستگاه‌های محدود (On-device/Edge)
  • 52. چالش‌های استقرار LLM در محیط Edge
  • 53. استراتژی‌های کاهش حافظه برای Edge Computing
  • 54. استفاده از شتاب‌دهنده‌های Edge AI
  • 55. مدل‌های LLM مخصوص Edge (e.g., MobileLLMs)
  • 56. بهینه‌سازی مصرف توان در Edge LLM
  • 57. استقرار LLM در مرورگر و WebAssembly
  • 58. اجرای LLM روی گوشی‌های هوشمند
  • 59. موارد استفاده از LLM در Edge (Robotics, IoT)
  • 60. امنیت و حفظ حریم خصوصی در Edge Deployment
  • 61. چارچوب‌های نرم‌افزاری برای بهینه‌سازی LLM
  • 62. PyTorch، TensorFlow و JAX برای LLM
  • 63. Hugging Face Transformers و Ecosystem آن
  • 64. Hugging Face TGI (Text Generation Inference)
  • 65. vLLM: فریم‌ورک برای استنتاج با سرعت بالا
  • 66. ONNX Runtime و تبدیل مدل‌ها
  • 67. OpenVINO و بهینه‌سازی برای Intel Hardware
  • 68. MLIR و کامپایلرهای مدل
  • 69. Ray و توزیع محاسبات LLM
  • 70. DeepSpeed و بهینه‌سازی‌های مقیاس بزرگ
  • 71. معماری‌های استقرار LLM در مقیاس بزرگ
  • 72. استقرار LLM در فضای ابری (Cloud Deployment)
  • 73. سرویس‌های LLM مدیریت شده (Managed LLM Services)
  • 74. Kubernetes و ارکستراسیون کانتینرها برای LLM
  • 75. استقرار On-premise و مدیریت سخت‌افزار
  • 76. انتخاب بین Cloud و On-premise برای LLM
  • 77. API Gatewayها و مدیریت دسترسی به LLM
  • 78. بارگذاری توزیع‌شده (Load Balancing) برای LLM
  • 79. مانیتورینگ عملکرد و لاگینگ در زمان استقرار
  • 80. MLOps برای LLM: چرخه‌ی حیات و مدیریت
  • 81. استراتژی‌های بهینه‌سازی حافظه در LLM
  • 82. مدیریت حافظه GPU برای مدل‌های بزرگ
  • 83. تخلیه حافظه (Offloading) به CPU یا دیسک
  • 84. تقسیم مدل (Model Parallelism)
  • 85. موازی‌سازی داده (Data Parallelism)
  • 86. موازی‌سازی خط لوله (Pipeline Parallelism)
  • 87. FlexGen و مدیریت حافظه پویا
  • 88. ترکیب Parallelism برای حداکثر کارایی
  • 89. تکنیک‌های Swap و Paging حافظه
  • 90. ارزیابی اثرات بهینه‌سازی حافظه بر عملکرد
  • 91. معیارهای ارزیابی کارایی LLM: Latency، Throughput، Memory
  • 92. بنچمارکینگ LLM: ابزارها و استانداردها
  • 93. TCO (Total Cost of Ownership) در استقرار LLM
  • 94. انرژی کارآمدی و پایداری در LLM
  • 95. مقایسه LLMهای بهینه‌شده: کیفیت در برابر کارایی
  • 96. چالش‌های آینده در دموکراتیزه کردن LLM
  • 97. LLMهای چندوجهی (Multimodal LLMs) و بهینه‌سازی آن‌ها
  • 98. سخت‌افزارهای نوظهور برای LLM (Neuromorphic, AI Chips)
  • 99. ملاحظات اخلاقی در استقرار فراگیر LLM
  • 100. جمع‌بندی: آینده دموکراتیزه شدن و فراگیری LLM

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب دموکراتیزه کردن LLM: از بهینه‌سازی‌های مقیاس بزرگ تا استقرار جهانی و فراگیر”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا