در حالی که منابع بسیاری برای یادگیری مبانی LLMs وجود دارد، این دوره شما را به سطح بعدی می‌برد. ویژگی‌های متمایز این دوره عبارتند از:

• محتوای به‌روز: با توجه به پیشرفت‌های سریع در حوزه LLMs، این دوره با آخرین تکنیک‌ها و مدل‌های منتشر شده تا جولای ۲۰۲۴ به‌روزرسانی شده است.
• تمرکز بر عمق و پیچیدگی: به جای پوشش سطحی مباحث، این دوره به جزئیات و پیچیدگی‌های معماری، تنظیم دقیق، مهندسی پرامپتینگ پیشرفته و استقرار مدل‌ها می‌پردازد.
• رویکرد عملی: یادگیری بر پایه پروژه‌های عملی و مثال‌های واقعی استوار است. شما با پیاده‌سازی‌های Hands-on، دانش خود را به مهارت‌های کاربردی تبدیل خواهید کرد.
• انتقال دانش از متخصصان: محتوای دوره توسط مدرسین متخصص و باتجربه در زمینه هوش مصنوعی و LLMs تدریس می‌شود.

این دوره جامع، طیف وسیعی از مباحث پیشرفته را پوشش می‌دهد تا شما را به یک متخصص LLMs تبدیل کند:

• مهندسی پرامپتینگ پیشرفته: فراتر از پرامپت‌های ساده، با تکنیک‌هایی مانند Chain-of-Thought (CoT)، Tree-of-Thought (ToT)، Self-Consistency و سایر روش‌های پیچیده برای استخراج بهترین پاسخ از LLMs آشنا می‌شوید. یاد می‌گیرید چگونه پرامپت‌ها را برای وظایف خاص بهینه کنید.
• تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ: با روش‌های نوین تنظیم دقیق مانند PEFT (Parameter-Efficient Fine-Tuning)، LoRA و QLoRA آشنا شده و می‌آموزید چگونه یک مدل از پیش آموزش‌دیده را برای وظایف خاصی (مانند خلاصه‌سازی متون پزشکی یا تولید کد) سفارشی‌سازی کنید.
• سیستم‌های RAG (Retrieval-Augmented Generation): طراحی و پیاده‌سازی سیستم‌های RAG برای افزایش دقت و کاهش توهم در LLMs با استفاده از پایگاه‌های دانش خارجی را فرا می‌گیرید. این بخش شامل کار با وکتور دیتابیس‌ها و Embeddings است.
• معماری‌ها و مدل‌های پیشرفته: بررسی عمیق‌تر مدل‌های مطرح مانند GPT-4، Llama 2/3، Falcon و Mistral، و درک تفاوت‌ها و کاربردهای هر یک.
• استقرار و بهینه‌سازی LLMs: یادگیری روش‌های استقرار مدل‌ها در محیط‌های ابری و داخلی، تکنیک‌های بهینه‌سازی برای کاهش هزینه‌ها و افزایش سرعت (مانند Quantization و Pruning).
• ملاحظات اخلاقی، امنیتی و کاهش سوگیری: درک چالش‌های اخلاقی مرتبط با LLMs، نحوه شناسایی و کاهش سوگیری در مدل‌ها، و رویکردهای امنیتی در کاربردهای LLM.
• ارزیابی و اعتبارسنجی مدل‌ها: آشنایی با معیارهای مختلف ارزیابی عملکرد LLMs و روش‌های اعتبارسنجی نتایج.
• ادغام LLMs با ابزارها و APIها: نحوه اتصال LLMs به ابزارها و سرویس‌های دیگر برای ساختن کاربردهای پیچیده‌تر و هوشمندتر.

با اتمام موفقیت‌آمیز این دوره، شما:

• به مهارت‌های تخصصی در زمینه LLMs دست پیدا می‌کنید که در بازار کار بسیار مورد تقاضا هستند.
• قادر خواهید بود کاربردهای نوآورانه و پیچیده‌تری با استفاده از LLMs طراحی و پیاده‌سازی کنید.
• دیدگاهی عمیق‌تر نسبت به چالش‌ها و راه‌حل‌های عملی در دنیای واقعی LLMs کسب می‌کنید.
• فرصت‌های شغلی خود را در حوزه‌های هوش مصنوعی، یادگیری ماشین و علم داده بهبود می‌بخشید.
• با در اختیار داشتن محتوا بر روی فلش مموری، بدون وابستگی به اینترنت و در هر زمان و مکانی می‌توانید به محتوای آموزشی دسترسی داشته باشید.

این دوره یک دوره پیشرفته است و نیازمند پیش‌زمینه‌ای مشخص می‌باشد:

• آشنایی متوسط تا خوب با برنامه‌نویسی پایتون: شامل مفاهیم ساختارهای داده، توابع، کلاس‌ها و کار با کتابخانه‌های پایه.
• درک مفاهیم پایه یادگیری ماشین و یادگیری عمیق: آشنایی با شبکه‌های عصبی، TensorFlow یا PyTorch (اختیاری اما مفید).
• آشنایی اولیه با مدل‌های زبانی بزرگ: درک چیستی LLMs، کاربردهای اولیه و تجربه کار با پرامپت‌های ساده. این دوره برای کسانی که از صفر شروع می‌کنند مناسب نیست و فرض بر آن است که شما دانش سطح ۱ را دارا هستید.

این دوره در قالب ماژول‌های مشخصی ارائه می‌شود که هر یک جنبه‌های مهم LLMs را پوشش می‌دهند:

• ماژول ۱: مبانی پیشرفته مدل‌های زبانی بزرگ:

  مروری بر معماری‌های ترنسفورمر، بررسی مدل‌های Encoder-Decoder و Decoder-Only، مدل‌های Sparse و Dense، و مقدمه‌ای بر LLMs متن‌باز و تجاری.

• ماژول ۲: مهندسی پرامپتینگ (Prompt Engineering) حرفه‌ای:

  تکنیک‌های پیشرفته مانند Few-Shot Learning، Chain-of-Thought، Tree-of-Thought، Self-Consistency، و Zero-Shot CoT. بهینه‌سازی پرامپت‌ها برای کاهش Hallucination و افزایش دقت.

• ماژول ۳: تنظیم دقیق (Fine-tuning) و تطبیق LLMs:

  تکنیک‌های PEFT، LoRA، QLoRA، AdaLoRA. انتخاب داده‌های مناسب برای تنظیم دقیق، استراتژی‌های Pre-training و Fine-tuning.

• ماژول ۴: سیستم‌های بازیابی پیشرفته (RAG):

  مفاهیم Embeddings، Vector Databases (مانند Pinecone, ChromaDB)، Pipelineهای RAG، ارزیابی RAG و چالش‌های پیاده‌سازی.

• ماژول ۵: استقرار و بهینه‌سازی عملیاتی LLMs:

  روش‌های استقرار مدل‌ها با استفاده از فریم‌ورک‌هایی مانند Hugging Face Transformers و TGI. بهینه‌سازی مدل‌ها برای مصرف حافظه و سرعت با Quantization و Pruning.

• ماژول ۶: امنیت، اخلاق و حکمرانی در LLMs:

  شناسایی و مقابله با حملات Adversarial، کاهش سوگیری (Bias) در داده‌ها و مدل‌ها، اصول AI Responsible و Frameworkهای مربوطه.

• ماژول ۷: پروژه‌های کاربردی و مطالعه موردی:

  پیاده‌سازی یک چت‌بات هوشمند با RAG، توسعه یک ابزار خلاصه‌سازی متون تخصصی با Fine-tuning، و تحلیل کاربردهای LLMs در صنایع مختلف.

این دوره به شدت بر رویکرد عملی تمرکز دارد. در طول دوره، شما با مثال‌ها و پروژه‌های واقعی متعددی سر و کار خواهید داشت، از جمله:

• ساخت یک سیستم پاسخگویی به سوالات سازمانی: با استفاده از RAG، یک LLM را قادر می‌سازید تا به سوالات پیچیده بر اساس اسناد داخلی سازمان پاسخ دهد.
• سفارشی‌سازی یک مدل برای تولید محتوای بازاریابی: با استفاده از Fine-tuning، یک LLM را برای تولید شعارهای تبلیغاتی یا متن‌های فروش بهینه می‌کنید.
• توسعه یک دستیار کدنویسی هوشمند: با ادغام LLM با ابزارهای توسعه، یک دستیار کدنویسی می‌سازید که پیشنهادات کدی دقیق و مرتبط ارائه می‌دهد.
• پیاده‌سازی بهینه‌سازی مدل برای دیپلوی در لبه (Edge Deployment): یادگیری نحوه کاهش حجم و پیچیدگی مدل برای اجرا در دستگاه‌های با منابع محدود.

با توجه به حجم بالای محتوای آموزشی و سهولت دسترسی برای دانشجویان، این دوره به شکلی منحصر به فرد ارائه می‌شود:

• فلش مموری ۳۲ گیگابایتی: تمامی ویدئوها، کدها، داده‌ها و منابع لازم برای دوره به طور کامل بر روی یک فلش مموری با ظرفیت ۳۲ گیگابایت برای شما ارسال خواهد شد.
• بدون نیاز به دانلود: این بدان معناست که شما نیازی به اتصال اینترنت پرسرعت برای دانلود کل محتوا نخواهید داشت و می‌توانید بلافاصله پس از دریافت فلش مموری، یادگیری خود را آغاز کنید.
• دسترسی دائمی و آفلاین: محتوای دوره همیشه و در هر مکانی، بدون وابستگی به وضعیت اینترنت شما، در دسترس خواهد بود. این ویژگی برای مناطقی با دسترسی محدود به اینترنت یا برای کسانی که ترجیح می‌دهند بدون حواس‌پرتی آنلاین مطالعه کنند، بسیار ایده‌آل است.