کتاب راهنمای کاربردی برای پیاده‌سازی PEFT در پروژه‌های NLP
, ,

کتاب راهنمای کاربردی برای پیاده‌سازی PEFT در پروژه‌های NLP

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000026703 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 راهنمای کاربردی برای پیاده‌سازی PEFT در پروژه‌های NLP

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Fine-tuning با پارامترهای کم (Parameter-Efficient Fine-tuning – PEFT)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه بر PEFT
  • 2. اهمیت PEFT در NLP
  • 3. چالش‌های مدل‌های بزرگ زبانی (LLMs)
  • 4. محدودیت‌های Fine-tuning سنتی
  • 5. معرفی PEFT: رویکردی نوین
  • 6. مزایای PEFT
  • 7. انواع روش‌های PEFT
  • 8. هدف این راهنما
  • 9. مخاطبان هدف
  • 10. پیش‌نیازها
  • 11. مروری بر مدل‌های زبانی بزرگ (LLMs)
  • 12. معماری ترنسفورمر
  • 13. نحوه کار LLMs
  • 14. مبانی Fine-tuning
  • 15. چالش‌های Fine-tuning کامل
  • 16. معرفی Parameter-Efficient Fine-Tuning (PEFT)
  • 17. دلایل نیاز به PEFT
  • 18. اصول کلیدی PEFT
  • 19. تفاوت PEFT با Fine-tuning کامل
  • 20. چرا PEFT در پروژه‌های NLP مهم است؟
  • 21. کاهش هزینه‌های محاسباتی
  • 22. کاهش نیاز به حافظه
  • 23. سرعت بخشیدن به فرآیند Fine-tuning
  • 24. امکان Fine-tuning بر روی سخت‌افزارهای محدود
  • 25. قابلیت سفارشی‌سازی مدل‌ها برای وظایف خاص
  • 26. افزایش قابلیت انتقال (Transferability)
  • 27. مقایسه PEFT با روش‌های دیگر
  • 28. معرفی روش‌های اصلی PEFT
  • 29. Parameter-Efficient Fine-Tuning (PEFT)
  • 30. LoRA (Low-Rank Adaptation)
  • 31. Prefix Tuning
  • 32. Prompt Tuning
  • 33. P-Tuning
  • 34. Adapter Layers
  • 35. QLoRA
  • 36. معرفی LoRA
  • 37. مفهوم Low-Rank Decomposition
  • 38. نحوه کار LoRA
  • 39. مزایای LoRA
  • 40. کاربردهای LoRA
  • 41. پیاده‌سازی LoRA با Hugging Face Transformers
  • 42. تنظیم پارامترهای LoRA
  • 43. مثال عملی پیاده‌سازی LoRA
  • 44. معرفی Prefix Tuning
  • 45. مفهوم Prefixes قابل یادگیری
  • 46. نحوه کار Prefix Tuning
  • 47. مزایای Prefix Tuning
  • 48. کاربردهای Prefix Tuning
  • 49. پیاده‌سازی Prefix Tuning
  • 50. تنظیم پارامترهای Prefix Tuning
  • 51. مثال عملی پیاده‌سازی Prefix Tuning
  • 52. معرفی Prompt Tuning
  • 53. مفهوم Soft Prompts
  • 54. نحوه کار Prompt Tuning
  • 55. مزایای Prompt Tuning
  • 56. کاربردهای Prompt Tuning
  • 57. پیاده‌سازی Prompt Tuning
  • 58. تنظیم پارامترهای Prompt Tuning
  • 59. مثال عملی پیاده‌سازی Prompt Tuning
  • 60. معرفی P-Tuning
  • 61. مفهوم Prompts قابل یادگیری (مانند Prefix Tuning اما متمرکزتر)
  • 62. نحوه کار P-Tuning
  • 63. مزایای P-Tuning
  • 64. کاربردهای P-Tuning
  • 65. پیاده‌سازی P-Tuning
  • 66. تنظیم پارامترهای P-Tuning
  • 67. مثال عملی پیاده‌سازی P-Tuning
  • 68. معرفی Adapter Layers
  • 69. مفهوم ماژول‌های کوچک اضافی
  • 70. نحوه کار Adapter Layers
  • 71. مزایای Adapter Layers
  • 72. کاربردهای Adapter Layers
  • 73. پیاده‌سازی Adapter Layers
  • 74. تنظیم پارامترهای Adapter Layers
  • 75. مثال عملی پیاده‌سازی Adapter Layers
  • 76. معرفی QLoRA
  • 77. مفهوم Quantized Low-Rank Adaptation
  • 78. نحوه کار QLoRA
  • 79. مزایای QLoRA
  • 80. کاربردهای QLoRA
  • 81. پیاده‌سازی QLoRA
  • 82. تنظیم پارامترهای QLoRA
  • 83. مثال عملی پیاده‌سازی QLoRA
  • 84. انتخاب روش PEFT مناسب
  • 85. عوامل موثر در انتخاب روش
  • 86. مقایسه عملکرد روش‌های مختلف
  • 87. ملاحظات مربوط به وظیفه NLP
  • 88. ملاحظات مربوط به داده‌ها
  • 89. ملاحظات مربوط به منابع محاسباتی
  • 90. نکات عملی برای انتخاب
  • 91. پیاده‌سازی PEFT در پروژه‌های NLP
  • 92. انتخاب مدل پایه
  • 93. آماده‌سازی داده‌ها
  • 94. انتخاب روش PEFT
  • 95. تنظیم هایپرپارامترها
  • 96. فرایند آموزش PEFT
  • 97. ارزیابی مدل Fine-tuned
  • 98. ذخیره‌سازی و بارگذاری مدل PEFT
  • 99. استفاده از مدل PEFT در استنتاج
  • 100. مدیریت چندین مدل PEFT

📚 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 راهنمای کاربردی برای پیاده‌سازی PEFT در پروژه‌های NLP”

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

محصولات مشابه

پیمایش به بالا