کتاب بکارگیری مدل‌های زبان بزرگ (LLMs) در پلتفرم ابری Azure

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 بکارگیری مدل‌های زبان بزرگ (LLMs) در پلتفرم ابری Azure

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: توسعه و پیاده‌سازی سیستم‌های هوش مصنوعی

📋 سرفصل‌های دوره

  • 1. مبانی مدل‌های زبان بزرگ (LLMs)
  • 2. معماری مدل‌های زبان بزرگ
  • 3. انواع مدل‌های زبان بزرگ
  • 4. کاربردهای مدل‌های زبان بزرگ
  • 5. مقدمه‌ای بر پلتفرم Azure
  • 6. خدمات Azure برای هوش مصنوعی
  • 7. Azure Machine Learning Studio
  • 8. Azure OpenAI Service
  • 9. مفاهیم کلیدی در توسعه LLMs
  • 10. مراحل توسعه LLMs
  • 11. جمع‌آوری و آماده‌سازی داده
  • 12. پیش‌پردازش داده برای LLMs
  • 13. مهندسی پرامپت (Prompt Engineering)
  • 14. تکنیک‌های پیشرفته مهندسی پرامپت
  • 15. تنظیم دقیق (Fine-tuning) LLMs
  • 16. پارامترهای تنظیم دقیق
  • 17. متریک‌های ارزیابی LLMs
  • 18. ارزیابی عملکرد LLMs
  • 19. پیاده‌سازی LLMs در Azure
  • 20. استقرار مدل‌های LLMs
  • 21. مدیریت چرخه عمر مدل (MLOps)
  • 22. ابزارهای MLOps در Azure
  • 23. امنیت در استقرار LLMs
  • 24. اصول امنیت سایبری در Azure
  • 25. حریم خصوصی داده‌ها در Azure
  • 26. مدیریت دسترسی در Azure
  • 27. پایش عملکرد LLMs مستقر شده
  • 28. ابزارهای مانیتورینگ Azure
  • 29. بهینه‌سازی هزینه‌ها در Azure
  • 30. مدل‌های قیمت‌گذاری Azure
  • 31. راهکارهای مقیاس‌پذیری LLMs
  • 32. مقیاس‌پذیری خودکار در Azure
  • 33. کاربردهای LLMs در پردازش زبان طبیعی (NLP)
  • 34. ترجمه ماشینی با LLMs
  • 35. خلاصه‌سازی متن با LLMs
  • 36. پاسخ به سوالات با LLMs
  • 37. تولید متن خلاقانه با LLMs
  • 38. کاربردهای LLMs در تجزیه و تحلیل داده
  • 39. استخراج اطلاعات از متن
  • 40. تحلیل احساسات با LLMs
  • 41. طبقه‌بندی متن با LLMs
  • 42. تشخیص موجودیت نام‌گذاری شده (NER)
  • 43. کاربردهای LLMs در توسعه نرم‌افزار
  • 44. تولید کد با LLMs
  • 45. اشکال‌زدایی کد با LLMs
  • 46. مستندسازی کد با LLMs
  • 47. تست خودکار نرم‌افزار با LLMs
  • 48. کاربردهای LLMs در خدمات مشتری
  • 49. ربات‌های گفتگو (Chatbots) مبتنی بر LLMs
  • 50. شخصی‌سازی تجربیات مشتری
  • 51. پشتیبانی فنی با LLMs
  • 52. تحلیل بازخورد مشتریان
  • 53. کاربردهای LLMs در حوزه سلامت
  • 54. کمک به تشخیص پزشکی
  • 55. تحلیل مدارک پزشکی
  • 56. تولید گزارش‌های پزشکی
  • 57. پشتیبانی از بیماران
  • 58. کاربردهای LLMs در حوزه آموزش
  • 59. تولید محتوای آموزشی
  • 60. ارزیابی خودکار تکالیف
  • 61. شخصی‌سازی یادگیری
  • 62. ربات‌های معلم مجازی
  • 63. اخلاق در هوش مصنوعی و LLMs
  • 64. سوگیری در LLMs
  • 65. مسئولیت‌پذیری در LLMs
  • 66. شفافیت در LLMs
  • 67. تأثیرات اجتماعی LLMs
  • 68. ملاحظات شرعی در استفاده از LLMs
  • 69. قوانین و مقررات مربوط به هوش مصنوعی در ایران
  • 70. حفاظت از داده‌ها در چارچوب قوانین ملی
  • 71. استفاده از LLMs در سازمان‌های دولتی
  • 72. دستورالعمل‌های فنی برای استقرار LLMs
  • 73. به‌روزرسانی مدل‌های LLMs
  • 74. مدیریت تغییرات در LLMs
  • 75. توسعه مدل‌های LLMs سفارشی
  • 76. ادغام LLMs با سیستم‌های موجود
  • 77. معماری‌های پیشرفته LLMs
  • 78. مدل‌های مولد (Generative Models)
  • 79. شبکه‌های مولد تخاصمی (GANs)
  • 80. مدل‌های ترنسفورمر (Transformers)
  • 81. توکن‌سازی (Tokenization) در LLMs
  • 82. تعبیه‌سازی (Embeddings) در LLMs
  • 83. مدل‌های زبانی مبتنی بر دانش
  • 84. استدلال در LLMs
  • 85. یادگیری تقویتی با بازخورد انسانی (RLHF)
  • 86. ارزیابی ریسک در پیاده‌سازی LLMs
  • 87. طراحی سیستم‌های مقاوم در برابر خطا
  • 88. مانیتورینگ امنیتی LLMs
  • 89. پروتکل‌های ارتباطی امن
  • 90. مدیریت دانش در LLMs
  • 91. جستجوی معنایی در LLMs
  • 92. استفاده از پایگاه‌های دانش خارجی
  • 93. ادغام با Azure Cognitive Search
  • 94. تنظیمات امنیتی Azure OpenAI Service
  • 95. مدیریت دسترسی به مدل‌ها
  • 96. مانیتورینگ و ثبت وقایع (Logging)
  • 97. استفاده از Azure Monitor
  • 98. بهینه‌سازی مدل برای پاسخ‌دهی سریع
  • 99. فشرده‌سازی مدل‌های LLMs
  • 100. کوچک‌سازی مدل‌های LLMs

📚 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.