سپنتا کتاب اکسپرس
کتاب راهکارهای مقابله با مشکلات مقیاس‌پذیری در آموزش مدل‌های بزرگ

کتاب راهکارهای مقابله با مشکلات مقیاس‌پذیری در آموزش مدل‌های بزرگ

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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای مقابله با مشکلات مقیاس‌پذیری در آموزش مدل‌های بزرگ

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تکنیک‌های بهینه‌سازی آموزش (Distributed Training, Mixed Precision)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر مشکلات مقیاس‌پذیری در آموزش مدل‌های بزرگ
  • 2. مبانی آموزش مدل‌های یادگیری ماشین
  • 3. معماری‌های پایه مدل‌های یادگیری عمیق
  • 4. مفهوم پارامترها و ابرپارامترها
  • 5. فرایند پیش‌پردازش داده‌ها برای آموزش
  • 6. تکنیک‌های نمونه‌برداری و وزن‌دهی به داده‌ها
  • 7. اهمیت انتخاب مجموعه داده مناسب
  • 8. مقدمه‌ای بر بهینه‌سازی مدل‌های یادگیری ماشین
  • 9. گرادیان کاهشی و انواع آن
  • 10. مفاهیم مربوط به نرخ یادگیری
  • 11. استفاده از شتاب‌دهنده‌ها در گرادیان کاهشی
  • 12. بهینه‌سازهای پیشرفته: Adam، RMSprop
  • 13. تنظیمات ابرپارامترهای بهینه‌سازها
  • 14. تکنیک‌های تنظیم نرخ یادگیری
  • 15. مقدمه‌ای بر مشکل بیش‌برازش (Overfitting)
  • 16. شناسایی و تشخیص بیش‌برازش
  • 17. روش‌های تنظیم‌گر (Regularization)
  • 18. L1 و L2 Regularization
  • 19. Dropout و مکانیزم‌های آن
  • 20. افزایش داده (Data Augmentation)
  • 21. Early Stopping به عنوان راهکار
  • 22. مقدمه‌ای بر مشکل کم‌برازش (Underfitting)
  • 23. دلایل بروز کم‌برازش
  • 24. تکنیک‌های مقابله با کم‌برازش
  • 25. افزایش پیچیدگی مدل
  • 26. استفاده از ویژگی‌های بهتر
  • 27. مقدمه‌ای بر آموزش توزیع‌شده
  • 28. مفاهیم موازی‌سازی داده و مدل
  • 29. معماری‌های آموزش توزیع‌شده
  • 30. استفاده از چندین GPU
  • 31. استفاده از چندین ماشین (Node)
  • 32. فریم‌ورک‌های آموزش توزیع‌شده
  • 33. PyTorch Distributed
  • 34. TensorFlow Distributed
  • 35. مقدمه‌ای بر مدیریت حافظه در آموزش مدل‌های بزرگ
  • 36. تکنیک‌های کاهش مصرف حافظه GPU
  • 37. Gradient Checkpointing
  • 38. Mixed Precision Training
  • 39. استفاده از انواع داده با دقت کمتر
  • 40. مدیریت حافظه CPU
  • 41. مقدمه‌ای بر بهینه‌سازی زمان آموزش
  • 42. تکنیک‌های موازی‌سازی داده
  • 43. تکنیک‌های موازی‌سازی مدل
  • 44. تکنیک‌های موازی‌سازی لوله (Pipeline Parallelism)
  • 45. مدیریت موازی‌سازی هیبریدی
  • 46. استفاده از سخت‌افزارهای تخصصی
  • 47. مقدمه‌ای بر مدل‌های زبان بزرگ (LLMs)
  • 48. معماری ترنسفورمر و اجزای آن
  • 49. مکانیزم توجه (Attention Mechanism)
  • 50. Self-Attention و Multi-Head Attention
  • 51. انواع معماری‌های ترنسفورمر
  • 52. GPT و خانواده آن
  • 53. BERT و خانواده آن
  • 54. مقدمه‌ای بر آموزش مدل‌های زبان بزرگ
  • 55. مراحل پیش‌آموزش (Pre-training)
  • 56. داده‌های مورد استفاده در پیش‌آموزش
  • 57. مفاهیم Masked Language Modeling
  • 58. Next Sentence Prediction
  • 59. مقدمه‌ای بر تنظیم دقیق (Fine-tuning) مدل‌های زبان بزرگ
  • 60. روش‌های تنظیم دقیق
  • 61. تنظیم دقیق پارامترهای کامل
  • 62. تنظیم دقیق پارامترهای انتخابی (Adapter Tuning)
  • 63. Parameter-Efficient Fine-Tuning (PEFT)
  • 64. LoRA (Low-Rank Adaptation)
  • 65. مقدمه‌ای بر ارزیابی مدل‌های زبان بزرگ
  • 66. معیارهای ارزیابی متنی
  • 67. Perplexity
  • 68. BLEU, ROUGE
  • 69. مقدمه‌ای بر چالش‌های اخلاقی و امنیتی در آموزش مدل‌های بزرگ
  • 70. سوگیری (Bias) در داده‌ها و مدل‌ها
  • 71. روش‌های کاهش سوگیری
  • 72. ملاحظات حریم خصوصی داده‌ها
  • 73. امنیت مدل‌ها در برابر حملات
  • 74. تکنیک‌های دفاع در برابر حملات adversarial
  • 75. مقدمه‌ای بر کاربردهای مدل‌های زبان بزرگ
  • 76. تولید متن
  • 77. خلاصه‌سازی متن
  • 78. ترجمه ماشینی
  • 79. پاسخ به سوال
  • 80. مقدمه‌ای بر بهینه‌سازی استنتاج (Inference) مدل‌های بزرگ
  • 81. کوانتیزاسیون (Quantization) مدل‌ها
  • 82. تقطیر دانش (Knowledge Distillation)
  • 83. هرس کردن (Pruning) مدل‌ها
  • 84. بهینه‌سازی سخت‌افزار برای استنتاج
  • 85. مقدمه‌ای بر آینده آموزش مدل‌های بزرگ
  • 86. مدل‌های چندوجهی (Multimodal Models)
  • 87. یادگیری تقویتی در آموزش مدل‌ها
  • 88. مدل‌های خودرگرسیو با کارایی بالا
  • 89. روش‌های جدید بهینه‌سازی و مقیاس‌پذیری
  • 90. مقدمه‌ای بر چارچوب‌های قانونی و شرعی در تولید محتوا
  • 91. ضوابط تولید محتوای آموزشی در ایران
  • 92. ملاحظات شرعی در محتوای آموزشی
  • 93. چارچوب‌های قانونی مربوط به داده و حریم خصوصی
  • 94. اهمیت انطباق با قوانین جمهوری اسلامی ایران
  • 95. اصول اخلاقی در آموزش و پژوهش
  • 96. رعایت حدود شرعی در محتوای آموزشی
  • 97. ممنوعیت ترویج موضوعات ضاله و انحرافی
  • 98. پرهیز از توهین به مقدسات و ارزش‌های دینی
  • 99. نکات کلیدی در تولید محتوای سازگار با قوانین
  • 100. اهمیت بازبینی و تطابق محتوا با ضوابط

📚 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.