سپنتا کتاب اکسپرس
کتاب بهینه‌سازی مدل‌های زبانی بزرگ با روش‌های هرس (Pruning)

کتاب بهینه‌سازی مدل‌های زبانی بزرگ با روش‌های هرس (Pruning)

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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 بهینه‌سازی مدل‌های زبانی بزرگ با روش‌های هرس (Pruning)

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Model Pruning

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر مدل های زبانی بزرگ
  • 2. مبانی مدل های زبانی بزرگ
  • 3. معماری های کلیدی LLM (ترانسفورمر، GPT، BERT)
  • 4. کاربردهای LLM
  • 5. چالش های LLM (اندازه، هزینه محاسباتی، مصرف حافظه)
  • 6. مقدمه ای بر هرس (Pruning)
  • 7. مفهوم هرس در یادگیری ماشین
  • 8. انواع هرس (ساختاریافته، غیرساختاریافته)
  • 9. انگیزه هرس برای LLM
  • 10. اهداف هرس در LLM (کاهش اندازه، افزایش سرعت، کاهش مصرف حافظه)
  • 11. مروری بر روش های هرس LLM
  • 12. تاریخچه هرس در مدل های عصبی
  • 13. تفاوت هرس LLM با هرس مدل های کوچکتر
  • 14. چالش های خاص هرس LLM
  • 15. معیارهای ارزیابی مدل های هرس شده
  • 16. دقت (Accuracy)
  • 17. کارایی (Efficiency)
  • 18. اندازه مدل (Model Size)
  • 19. سرعت استنتاج (Inference Speed)
  • 20. مصرف حافظه (Memory Consumption)
  • 21. روش های هرس غیرساختاریافته
  • 22. هرس مبتنی بر وزن (Weight Pruning)
  • 23. هرس مبتنی بر گرادیان (Gradient Pruning)
  • 24. هرس مبتنی بر اهمیت (Magnitude Pruning)
  • 25. هرس مبتنی بر لایه (Layer Pruning)
  • 26. هرس مبتنی بر کانال (Channel Pruning)
  • 27. هرس مبتنی بر توجه (Attention Pruning)
  • 28. هرس مبتنی بر خروجی (Output Pruning)
  • 29. هرس مبتنی بر فعال سازی (Activation Pruning)
  • 30. روش های هرس ساختاریافته
  • 31. هرس مبتنی بر گروه (Group Pruning)
  • 32. هرس مبتنی بر بلوک (Block Pruning)
  • 33. هرس مبتنی بر ستون/ردیف (Column/Row Pruning)
  • 34. هرس مبتنی بر سر توجه (Attention Head Pruning)
  • 35. هرس مبتنی بر لایه های کامل (Full Layer Pruning)
  • 36. هرس مبتنی بر مولفه های ترانسفورمر (Transformer Component Pruning)
  • 37. روش های هرس دینامیک
  • 38. هرس پویا (Dynamic Pruning)
  • 39. هرس تطبیقی (Adaptive Pruning)
  • 40. هرس در حین آموزش (Pruning During Training)
  • 41. هرس پس از آموزش (Pruning After Training)
  • 42. هرس تکراری (Iterative Pruning)
  • 43. تکنیک های بازیابی (Fine-tuning) پس از هرس
  • 44. تنظیم دقیق با داده های اصلی
  • 45. تنظیم دقیق با داده های کم (Few-shot Fine-tuning)
  • 46. تنظیم دقیق با داده های مصنوعی (Synthetic Data Fine-tuning)
  • 47. تنظیم دقیق با استفاده از تکنیک های Regularization
  • 48. روش های هرس خودکار (Automated Pruning)
  • 49. جستجوی خودکار معماری (Neural Architecture Search - NAS) برای هرس
  • 50. بهینه سازی هایپرتنشن (Hyperparameter Optimization) برای هرس
  • 51. یادگیری تقویتی (Reinforcement Learning) برای هرس
  • 52. یادگیری خودنظارتی (Self-supervised Learning) برای هرس
  • 53. استفاده از دانش تقطیر (Knowledge Distillation) در هرس
  • 54. تقطیر دانش برای مدل های هرس شده
  • 55. تقطیر دانش بین مدل های هرس شده
  • 56. تقطیر دانش از مدل بزرگ به مدل هرس شده
  • 57. ارزیابی و مقایسه روش های هرس
  • 58. مطالعات موردی (Case Studies) بر روی LLM های مختلف
  • 59. GPT-2 و هرس
  • 60. BERT و هرس
  • 61. LLaMA و هرس
  • 62. کاربرد هرس در LLM های کوچک و متوسط
  • 63. کاربرد هرس در LLM های بسیار بزرگ
  • 64. چالش های پیاده سازی هرس در مقیاس بزرگ
  • 65. ابزارها و کتابخانه های هرس LLM
  • 66. PyTorch Pruning
  • 67. TensorFlow Pruning
  • 68. Hugging Face Transformers Pruning
  • 69. ملاحظات اخلاقی و امنیتی در هرس LLM
  • 70. تاثیر هرس بر سوگیری (Bias) مدل
  • 71. تاثیر هرس بر قابلیت تفسیر (Interpretability) مدل
  • 72. تاثیر هرس بر امنیت مدل (Adversarial Attacks)
  • 73. آینده هرس در LLM
  • 74. روش های هرس نسل بعدی
  • 75. ترکیب هرس با کوانتیزاسیون (Quantization)
  • 76. ترکیب هرس با تقطیر دانش
  • 77. ترکیب هرس با بهینه سازی سخت افزار
  • 78. هرس برای LLM های چندوجهی (Multimodal LLMs)
  • 79. هرس برای LLM های تولید کننده متن (Generative LLMs)
  • 80. هرس برای LLM های درک کننده متن (Discriminative LLMs)
  • 81. چالش های نظری در هرس LLM
  • 82. چگونه بهترین روش هرس را انتخاب کنیم؟
  • 83. راهنمای عملی برای پیاده سازی هرس
  • 84. نکات مهم در تنظیم هایپرتنشن ها
  • 85. ملاحظات مربوط به مجموعه داده ها
  • 86. ملاحظات مربوط به منابع محاسباتی
  • 87. کارگاه عملی: پیاده سازی هرس با استفاده از یک کتابخانه
  • 88. تمرین: هرس یک مدل GPT-2 کوچک
  • 89. تمرین: هرس یک مدل BERT کوچک
  • 90. تمرین: مقایسه نتایج هرس با روش های مختلف
  • 91. منابع پیشرفته و مقالات کلیدی
  • 92. سمینارها و کنفرانس های مرتبط
  • 93. جامعه پژوهشی و مشارکت در توسعه
  • 94. نتیجه گیری و جمع بندی
  • 95. مرور کلی بر آموخته ها
  • 96. مسیرهای تحقیقاتی آینده

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.